攀钢1450mm热连轧机层流冷却控制系统的开发及应用

阐述了攀钢1 450 mm热连轧机层流冷却控制新系统的开发与应用。该系统采用α机过程控制系统,通过预设定、在线前馈和自适应三大功能,对层流冷却模式、冷却速率和最终卷取温度进行控制,卷取温度控制精度较原系统有较大提高,±20℃的命中率由原来的88.6%提高到现在的96.4%。     

板带热连轧精轧机微张力模糊智能控制

介绍了应用于文丰钢铁公司板带热连轧精轧机上游机架的微张力模糊智能控制策略，给出了精轧机微张力控制电流记忆法的原理及速度级联策略；并且说明了模糊控制器输入量的模糊化以及输出量的清晰化方法，给出了相应的智能化模糊规则。实际应用结果表明，与传统的PID控制器相比，智能模糊微张力控制器避免了可能出现的带钢张力控制超调量大以及调节时间长等现象，控制效果明显得到改善。     

新控制方法在攀钢层流冷却基础自动化系统中的应用

介绍液位控制、目标卷取温度的前馈控制和带有Smith预估器反馈控制在攀钢热轧厂层流冷却基础自动化系统中的应用 ,这些方法具有很好的控制效果 ,可以广泛用于这类系统     

基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。     

基于数据降噪的冷轧板形调控功效系数获取

 针对轧制过程实际数据噪声大、难以获取准确板形调控功效系数的问题,提出了一种融合集成经验模态分解(EEMD)和小波变换(WT)的数据降噪方法。将含有噪声的实际生产数据经过EEMD分解后,利用小波变换方法对噪声主导的本征模态分量(IMF)进行降噪处理,处理后的噪声分量与其余分量重构得到降噪后数据,并结合结构方程模型(SEM)计算得到板形功效系数。利用1 450 mm五机架冷连轧生产线实际数据进行试验,结果表明,EEMD-WT-SEM方法可以有效降低数据噪声,有效提升板形调控功效系数的准确性。     

MMS系列热力模拟实验机控制系统的优化

针对MMS系列热力模拟实验机的实验功能和性能要求,对其控制系统的结构、硬件配置、软件结构、应用程序进行了优化设计,将BP神经网络智能控制方法应用于主液压缸和液压马达的控制系统,提高了控制精度。     

RAL关于钢材热轧信息物理系统的研究进展

回顾了轧制技术及连轧自动化国家重点实验室(RAL)关于热轧钢材组织性能预测与控制-热轧钢材信息物理系统(CPS)研究项目的发展历程,分析了各个发展阶段的主要研究内容和取得的重要进展及应用情况,最后展望了CPS应用于钢铁智能制造的前景。     

特征轨迹法解耦活套高度和张力控制系统

针对板带热连轧机活套高度和张力控制系统，给出一种新的多变量解耦控制策略．利用特征传递函数的轨迹来判定闭环系统的稳定性．利用失配角度曲线来检验系统的关联性．采用特征轨迹方法设计出的解耦控制器在最大程度上减弱了活套高度和张力控制系统的关联．最后，用Matlab中的系统仿真工具箱Simulink对活套多变量控制系统进行仿真实验，结果表明解耦后的活套控制系统可获得更好的控制性能．     

双辊薄带钢铸轧机在线监测及过程模型的建立

分析双辊铸轧薄带钢过程中在线监测系统及后续参数分析的重要性和实用性,阐述了系统的构成、硬件和软件配置、功能。针对双辊铸轧实验轧机建立了相应的在线监测和数据分析系统,为研究双辊铸轧技术提供准确的数据和优化参数,同时利用神经网络及机理模型相结合的建模方式,采用高斯基函数修正模型自适应增益系数方法,提高过程模型的计算精度。     

基于深度学习的热轧带钢头部厚度的命中预测

 针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法。在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象。利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命中率、减少钢材浪费。深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现。调整神经网络各参数,通过研究它们对模型性能的影响,优化预测模型。最后使用多种厚度的带钢测试数据训练并检验头部厚度预测模型,结果显示,分类预测命中准确率在80%以上。