基于信息融合的带钢厚度预测控制

通过把轧制力方程和厚度控制方程在小范围内线性化、离散化,用递推最小二乘法辨识出系统的状态空间模型.给出了基于Kalman滤波法的最优信息融合算法,并针对热连轧这个复杂的多变量系统设计了异步信息融合估计算法.将模型用于热连轧机带钢厚度预测中,同时也预测带钢塑性系数Q.最后把实时预测出的带钢出口厚度和带钢塑性系数应用于带钢热连轧厚度控制系统,提高了带钢厚度质量.     

基于KPLS与SVM的热连轧板凸度预测

热连轧作为典型的流程工业过程,具有多变量、强耦合、过程非线性的特点,轧制机理非常复杂。针对传统方法难以获得准确的数学模型从而导致板形质量预测精度较低的问题,采用基于数据驱动的核偏最小二乘 (KPLS) 方法以有效处理工艺参数和质量指标之间的非线性关系,以此为基础,建立了基于KPLS结合支持向量机(SVM)的板凸度预测模型,并采用粒子群优化算法 (PSO) 优化支持向量机参数,进一步提高热连轧板凸度预测精度。预测结果表明,96.86%的板凸度预测值绝对误差小于5.5 μm,整体具有较高的预测精度,对实现板形质量精确控制、提高热轧产品质量具有重要意义。     

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.     

基于DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。     

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...     

基于厚度增强因子的X射线厚度测量模型

通过对X射线测厚仪测量机理的研究,剖析了其机理模型黑匣子。同时根据现场情况,分析射线衰减系数、散射效应以及样板材质等对X射线测厚仪测量精度的影响,提出了一种带厚度增强因子的非线性模型。试验结果表明,厚度在0.1～2.5 mm范围内,该模型只需要测量5个厚度点即完成基准曲线制作,测量精度可达到0.1%以内,简化了操作工序。     

基于减法聚类的带钢厚度数据驱动建模

针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象,提出了一种基于减法聚类的带钢厚度数据驱动在线建模方法.首先通过减法聚类将输入空间划分为一些小的局部空间,在每个局部空间中用最小二乘支持向量机建立子模型,子模型加权输出作为带钢厚度的离线模型;然后当在线数据不断增加时,通过在线减法聚类算法实时调整局部空间,子模型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识,子模型的预测输出作为模型的最后输出.实验结果表明,该方法具有良好的预测精度和较强的在线学习能力.     

基于组合算法的轧钢厂电耗预测

由于目前全国限电,钢铁厂耗电量高、电耗预测精度不高的问题亟待解决。将预处理后的热轧厂每天电耗作为预测模型的输入量,建立了最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型,并对LSSVM预测模型进行核函数选择仿真分析。采用一种智能寻优灰狼算法(grey wolf optimization, GWO)进行寻优仿真分析,以平均绝对误差为目标函数值,优化LSSVM惩罚参数和核函数参数,从而建立了GWO-LSSVM的电耗预测模型。以山钢日照热轧厂为例,采用所建立预测模型对日耗电量进行仿真分析,试验结果表明,GWO-LSSVM预测模型能达到较好的曲线拟合预测效果,预测精度较高,平均绝对误差(mean absolute error, MAE)为0.838。     

COREX冷煤气成分预测的二步建模方法

针对熔融气化炉冷煤气成分含量,提出了基于熵权模糊C均值聚类和偏最小二乘的COREX冷煤气成分预测方法.建模过程中首先根据料单中各种原料的单耗量,利用熵权模糊C均值聚类的方法将料单聚类成若干种料单类别,然后针对不同的料单类别,利用偏最小二乘法分别建立冷煤气成分预测模型.对宝钢COREX-1^#炉实际生产数据验证结果表明:该方法可以有效地建立COREX冷煤气成分预测模型,具有较好的预测精度.     

基于KAUTZ模型的预测函数控制及其稳定条件

对模型未知的系统采用Kautz函数逼近得到系统的近似模型.基于所得到的Kautz模型设计了一种预测函数控制器.对该算法进行了稳定性分析,依据Lyapunov稳定性定理得到了保证闭环控制系统稳定的充分条件.仿真实验证明,该算法能够准确逼近真实系统模型,实现自适应控制,得到满意的控制效果.     

基于GM-AGC的中厚板轧机同板差原因分析及改进

基于GM-AGC的控制方程,分析了轧机刚度、轧件塑性系数偏差对厚度控制调整量的影响,讨论了咬钢冲击、油膜厚度、偏心、轧制力偏差等造成钢板同板差的原因。采用轧机刚度非线性回归、轧件塑性系数实时计算和头部沉入、轧辊偏心、油膜厚度的补偿等措施,在国内某3 500 mm轧机上,实现了厚度10～30 mm的钢板同板差控制在40μm之内。     

基于人工神经网络的钢管壁厚预测研究

文章采用人工神经网络对包钢无缝钢管厂Ф180机组张力减径过程管材的厚度、外径进行分析,建立多层神经网络模型对张减机出口壁厚进行预测,以适应生产过程的要求。     

基于弹跳方程的GM-AGC的局限性

通过理论分析,证明在基于弹跳方程的GM-AGC系统中,如果轧机刚度计算值和实际刚度存在偏差,则实际厚差不仅不能被完全消除,而且在某些条件下,看似负反馈的厚度控制过程甚至会因辊缝调节方向错误而造成实际厚度的正反馈现象,从而导致基于弹跳方程的GM-AGC控制效果的恶化。     

GM-AGC的伪正反馈现象研究

从数学分析和物理本质两方面解释了GM-AGC系统中的伪正反馈现象，证明了这种现象的出现，是作为厚度测量机构的弹跳方程的误差和GM-AGC的负反馈机制在某种条件下共同作用的结果，给出了避免其出现的方法。     

GM-AGC的收敛性与稳态特性分析

针对广泛应用的GM-AGC的收敛性问题,采用基于无穷级数的数学分析方法进行了研究,证明了其收敛条件即变刚度系数K的取值范围与机架刚度及轧件塑性系数的关系。在收敛性证明的基础上建立了GM-AGC的稳态分析方法,推导了厚度偏差等变量的稳态数值计算公式。给出了等效刚度的物理解释及其数学表达式,证明了GM-AGC控制算法与变刚度控制算法的稳态同一性。     

一种基于测厚仪厚度反馈的支撑辊偏心补偿方法

支撑辊偏心会使轧制带材的厚度出现周期性的波动,影响带材的厚度精度。本文介绍了一种基于测厚仪厚度反馈的支撑辊偏心补偿方法,可以有效提高AGC系统的厚度控制精度。     

Method for Improving Transverse Wall Thickness Precision of Seamless Steel Tube Based on Tube Rotation

The tube rotation method(TRM) refers to the rotational movement of steel tube about its axis as well as translation in rolling direction in stretch reducing rolling process.The influence of the TRM on transverse wall thickness precision of seamless steel tube was studied.Thickness distribution of the TRM was obtained by superimposing the thickened amount of single pass rolling.Results show that the TRM can effectively improve the evenness of thickness distribution.In order to analyze the influence mechanism of the TRM,the finite element method was adopted to simulate the thickness distribution in stretch reduction process.Results show that the TRM changes the roundtrip flow between two fix places of conventional stretch reducing and inhibits the directional accumulation of metal.In addition,the TRM has a correction effect on thickness cusp.All these advantages of the TRM help to improve the transverse wall thickness precision of seamless steel tube.     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。     

基于AHP和熵权TOPSIS模型的岩爆预测方法

为了准确预测地下金属矿的岩爆情况,建立了AHP和熵权TOPSIS模型。运用AHP和熵权法的基本原理,从岩性条件、应力条件和围岩条件3个方面选取预测指标,最终确定的指标为岩石的单轴抗压强度〖σ〗_c、压拉比〖σ〗_c/σ_t、弹性变形指数〖W〗_et、切应力与单轴抗压强度的比值〖σ〗_θ/σ_c和完整性系数〖K〗_v,分别为各预测指标分配合理的权重。然后,运用TOPSIS的基本原理,结合AHP和熵权法得到的权重来计算各岩爆等级临界值和实际矿山数据的贴近度,通过对比这2个贴近度来预测岩爆是否发生。实例研究表明：所建模型得到的预测结果与工程实际情况相一致,因此认为AHP和熵权TOPSIS模型可用于准确预测地下矿山的岩爆问题。     

蒸镀层厚度的电子探针测定法

研究了电子探针测量镀膜厚度的方法。结果表明，用蒙特———卡洛模拟法测量镀膜厚度是简易而准确的。