基于惩罚项的热连轧轧制规程多目标函数优化

为了解决传统热连轧负荷分配优化普遍采用约束方法进行求解时求解步骤繁琐、不容易获得最优解的问题,提出了一种惩罚函数算法.通过引入函数惩罚项,将多目标函数约束求解问题转化为无约束求解问题.建立了带有惩罚项的轧制力、板形、功率和温度的单目标函数,进而采用线性加权求和法建立了综合多目标函数.利用Nelder和Mead单纯形解法则进行求解,简化了求解的步骤,最终得到了兼顾轧制力平衡、板形最优及温度合理的负荷分配方案.实际应用效果表明,与传统负荷分配方式相比,基于多目标优化得到的轧制规程更符合实际生产要求,具有良好的应用前景.     

薄宽带钢平整机支撑辊辊型设计

针对单机架四辊光整机生产薄宽镀锌板过程中的边浪、复合浪问题，进行了现场试验和理论研究。以二维变厚度有限元程序为辊型设计的工作平台，建立了四辊光整机辊系弹性变形有限元模型，提出了变接触支撑辊（VCL辊型）技术，并与不同工作辊辊型配套使用进行仿真计算。结果表明，VCL支撑辊辊型可以增加光整机板形控制能力，消除边浪并改善支撑辊轴向不均匀的磨损状态。     

中厚板轧制过程的头尾温度差变化规律

针对中厚板轧制过程头尾部分温度差的变化规律进行分析,基于可逆轧制特点,计算不同道次头尾轧制时间和间隙时间的变化特点,重点研究厚度对头尾温度差的影响,得知,对于薄规格钢板,连续轧制过程钢板的累计头尾温差一般不超过7℃,对于30mm以上厚规格钢板累计头尾温度差不超过3℃。这个数值对轧制力设定和TMCP工艺的制定影响较小,不需要特殊进行考虑。同时转钢操作和待温处理不会恶化钢板头尾温度差异。     

中厚板轧制过程的温度变化规律分析

基于中厚板轧制过程的温度变化特点,以热辐射和对流为主要影响因素,对热辐射模型和对流模型进行分析和处理,解析黑度系数、厚度对温度变化规律的影响可知:终轧厚度大于30 mm时,黑度系数的变化对终轧温度的影响很小;终轧温度在10 mm左右时,必须根据后几道次实测温度调整黑度系数;轧件越厚,起始温度越高,温降速度越快。分析得到不同厚度下,平均温度和表面温度差的关系。实际应用表明,终轧温度预测误差基本不超过15℃。     

中厚板轧制过程基于灰色关联度的厚度修正方法

由于中厚板轧制过程传统道次修正方法稳定性较差,提出了基于灰色关联度的道次修正算法.通过灰色关联度模型计算出最近生产的n块钢板所有道次以及当前正在轧制钢板前m道次与当前轧制道次轧制力自学习系数的关联度,根据关联度的高低来确定当前道次和后续道次的自学习系数,并通过道次修正对后续辊缝进行二次调整,以获取精确的目标出口厚度.实际应用结果表明,产品目标出口厚度的命中率提高了2.5%～3.0%,具有很高的现场应用价值.     

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。     

中厚板轧制力自学习过程层别跳变的自整定方法

在中厚板轧制力预报过程中,为防止自学习系数沿着厚度层别发生跳变,提出了中厚板轧制力自学习过程层别跳变的自整定方法.针对厚度层别表中的每一个厚度节点计算其半宽带,然后根据半宽带计算厚度节点的有效区域,最后找到当前轧制厚度的有效区域并确定它所对应厚度节点的权值,从而得出自整定后的自学习系数.实际应用结果表明,应用该方法后轧制力的预报精度及板形控制效果有了很大的提高和改善,具有良好的应用价值.     

重钢中厚板厂4100mm轧机区域自动化控制系统的整合与优化

概述了中厚板厂轧机区域自动化控制系统原理及模式,介绍了重钢中厚板厂利用工业以太网TCP/IP协议、OPC协议以及PROFIBUS DP等通讯协议,将轧机区域中6个控制系统和2个大型测控仪表等国产化设备进行整合优化的实施过程。     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。