带钢热连轧飞剪控制策略

针对唐山兴隆钢铁公司热连轧全连续生产线的布置特点,提出了符合现场实际需要的剪切控制策略。采用高精度的数学模型,实现了轧件头尾的准确跟踪,以及剪切角和飞剪剪切启动时刻的精确计算,保证了轧制生产节奏的连续性,并成功将剪切长度误差控制在80 mm以内,提高了产品的成材率。     

带钢冷连轧板形功效系数自学习计算模型

板形控制中引入功效函数有助于更充分地发挥轧机的板形控制能力,改善带钢的板形质量。建立了基于功效函数的冷轧机板形控制模型,同时给出了相应的自学习模型,并将其应用到1450冷连轧机组的生产实践,所建立的功效系数模型及其自学习技术不但计算精度较高,能够满足工程需要而且计算过程非常稳定,计算速度能够得到保证,达到现场实际要求,取得了良好的使用效果,具有进一步推广应用的价值。     

轧件宽度对热轧带钢轧机弹跳的影响

 轧机的弹跳方程是AGC控制系统不可缺少的模型,但轧制过程中轧机的实际弹跳与轧件的宽度有关,当轧件宽度显著偏离全辊面宽度时,轧机的弹跳也会严重偏离预压靠方法得到的结果。采用影响函数法分析了轧件宽度对轧机弹跳的影响,计算结果表明随着轧件宽度的减小,轧机弹跳宽度补偿量增加;随着轧制力的增加,轧机弹跳宽度补偿量增加。根据影响函数法计算结果,建立便于工程应用的轧机弹跳宽度补偿回归模型。     

1450�������ζ԰��β�ص�Ӱ�켰�䲹����ʩ

 带钢冷连轧卷曲时,使带钢张力分布发生变化,对板形检测信号产生干扰。文章以鞍钢1450冷连轧生产线为对象,对这一干扰信号做了定量分析,并采用直接对检测信号进行修正的方法,对该影响因素进行了补偿,结果表明: 经过补偿设定的最终实际板形与轧制时在线实测板形吻合较好, 可获得良好平直度的带钢。     

基于机理与数据驱动的热连轧板凸度组合预测

针对传统热连轧出口板凸度预测方法存在的模型精度低、解释性差等缺陷,提出了一种将机理与数据驱动相结合的热连轧板凸度组合预测模型。通过热连轧板凸度机理预测模型得到热连轧板凸度基准值,将该基准值与实际值之间的偏差量作为机器学习模型的预测变量,再将偏差量预测值与基准值进行求和得出组合预测模型的板凸度预测值,并将该组合预测策略应用至多个神经网络进行方法验证。研究结果表明,提出的热连轧板凸度组合预测模型相较于传统预测模型具有更好的预测性能,其中有97%以上预测数据的绝对误差小于0.02 mm,82%以上预测数据的绝对误差小于0.01 mm,同时该组合预测方法具有较好的可行性与普适性,所提出的模型能够实现机理模型与数据驱动模型的优势互补,使得模型更加符合实际物理意义,该组合模型既缓解了神经网络预测结果由于过程黑箱导致解释性差、可信度低的问题,又弥补了机理模型预测结果偏离生产工况、无法实时修正的缺陷,对热连轧板带钢的板形控制以及热连轧产品质量的改善具有重要意义。     

数据驱动的转炉智能吹炼控制系统的开发与应用

目前国内外转炉炼钢厂主流的“自动化炼钢”多为传统静态固定模型框架的转炉“一键式炼钢”,因其高度依赖入炉原辅料的稳定性、静态模型的准确性、枪位模型的适应性等客观因素，在实际生产应用中存在较多弊端，从而限制了转炉自动化炼钢的发展。为实现更高智能化程度的转炉自动化炼钢，研发团队近几年在多座大型转炉试验开发基于炉气分析、音频化渣、火焰监测、副枪检测等综合应用技术的实时数据驱动、动态模型架构的智能吹炼控制系统。研发团队对吹炼期间的渣况运行、喷溅返干、氧枪操控等工艺难点持续深入研究，经过长期的数据积累和观察实践，围绕“信息感知、科学分析、智慧决策、反馈赋能”的数据驱动理念，提炼总结出一整套“机理模型+经验公式+数据决策”的数据驱动模型，实现在转炉复杂工况下对氧枪枪位、吹炼流量、造渣加料、副枪检测等参数的自适应调整，从而实现转炉冶炼过程“无人为干预”的“智能化”吹炼模式，基本解决了炼钢厂转炉工序过分依赖入炉原材料、依赖现场操作工经验等“痛点”问题。数据驱动架构的转炉智能吹炼系统应用后，转炉吹炼过程氧枪枪位、流量和实时渣况形成联动，化渣效果更加平稳，脱磷率、溢渣喷溅率、一倒合格率、渣中FeO、钢水自由...     

基于热-力耦合的粗轧过程头部弯曲规律

头部弯曲是热轧粗轧过程中常见的缺陷，生产过程中严重影响板带产品质量和轧制稳定性。实际生产中由于轧件上下表面温降和轧制工艺参数的不对称，轧件在经过粗轧后容易出现头部弯曲现象。为实现头部弯曲规律的模型化描述，基于传热学理论及刚塑性变分原理，利用ABAQUS软件建立了粗轧轧制过程热力耦合有限元模型。系统分析了在轧制线不对中的情况下轧件温度分布对头部弯曲的影响，及在轧制线不对中且轧件上下表面存在温差的情况下辊速比、压下率和入口厚度对头部弯曲的影响，最后通过拟合得到了各工艺因素对轧件头部弯曲的影响规律，实现了轧件头部弯曲的预测。仿真研究结果表明，随着上下表面温差的增加，轧件下扣逐渐加重；辊速比、压下率和入口厚度均对头部弯曲有影响，且相互耦合；随着辊速比的增加，弯曲角度逐渐变大，轧件头部由扣转翘；随着厚度的增加，轧件头部逐渐趋于平直；随着压下率的增加，弯曲角度在一定范围内波动；现场实测数据表明，基于所建立的预测模型，预测角度偏差在±5°之内的比例达到90.10%,验证了所建立模型的有效性，实现了头部弯曲的准确预测，能够为粗轧过程工艺优化提供参考。     

中厚板平面形状数字孪生模型与CPS优化系统

宽厚板产线装备和自动化技术已经达到较高水平，但进一步提升产品成材率遇到瓶颈。开发了基于深度学习算法融合的钢板图像处理和轮廓特征提取算法，研制出基于机器视觉的高精度宽幅钢板的轮廓在线检测装置，实现了钢板轮廓高精度在线检测，宽度感知精度±2 mm,长度感知误差小于0.5%,侧弯量检测精度±5 mm,头尾不规则变形区剪切精度±5 mm。基于机器视觉测量数据，以轧件尺寸、轧制工艺参数和钢板平面形状控制参数作为输入变量，以钢板头部变形区域的金属体积作为输出变量，建立了基于随机配置网络的平面形状数字孪生模型，根据不同展宽比和延伸比条件下的钢板进行可控点平面形状曲线设定。最后，基于平面形状设定模型以及基于机器视觉的平面形状反馈数据，计算得出头部可控点设定模型对应的体积变化量，并将该变化量计算出3条高斯曲线函数相应的调整值，最终建立了基于机器视觉的平面形状模型滚动优化模型，实现了可控点平面形状(plan view pattern control, PVPC)的智能预测、动态设定和反馈优化。实际应用结果表明，基于传统平面形状控制方法的综合成材率为92.28%,采用基于机器视觉反馈的平面形状CPS优化系统...