层流冷却中卷取温度精度的优化

针对某热轧厂层流冷却系统的具体情况,从理论和工艺的角度分析了控冷过程中换层别后自适应能力差、尾部温差大和低目标卷取温度精度低等问题产生的原因,提出虚拟检测水温、反推减速点、细化层别等相应的优化策略,并介绍了智能控制在控冷过程中的应用·对提高控冷精度,优化生产工艺具有一定意义·     

热轧带钢轧后冷却过程卷取温度的设定策略

为了提高热轧带钢卷取温度控制精度,针对热轧带钢轧后冷却过程非线性、强耦合性等特性,建立了具有非线性结构特征的热轧带钢轧后冷却过程控制的温度数学模型,并对热轧带钢轧后冷却过程卷取温度的设定策略进行了研究,同时在该模型基础上开发了系统软件,通过现场实际应用对模型功能进行了验证.结果表明,该冷却数学模型的卷取温度设定计算结果...     

带钢卷取温度高精度预报模型的研究与开发

针对传统卷取温度模型的固有缺陷，为了提高卷取温度的控制精度，提出一种将人工神经网络和数学模型相结合的新方法，用于热轧带钢卷取温度的预报。离线仿真表明，采用本文所述的方法，能够较准确地预报带钢的卷取温度。     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

进化算法优化GBDT的带钢卷取温度预测

针对B钢厂2250 mm热轧生产线层流冷却系统卷取温度预报命中率低的问题,采用差分进化算法优化后的梯度提升决策树建立带钢卷取温度预测模型(DE-GBDT),并对DE-GBDT预测模型与3个基础预测模型(梯度提升决策树(GBDT)、支持向量机(SVM)、小波神经网络(WNN)预测模型)以及差分进化算法优化后的支持向量机(...     

热轧低碳钢卷取后冷却过程中三次氧化铁皮结构转变行为

采用SEM和热模拟试验机研究在卷取后连续冷却条件下、不同的卷取温度和不同冷却速度条件下低碳钢三次氧化铁皮结构转变行为。研究结果表明:在连续冷却转变过程中,FeO层的转变均遵循"C"曲线规律,400~500℃为FeO共析反应的"鼻温"范围,在这个温度区间内,以较小的冷速冷却到室温可以得到以共析组织Fe3O4和单质Fe为主的氧化铁皮结构,较快冷速则会抑制共析反应的发生;当冷速达到25℃/min时,FeO共析转变进程被抑制,氧化铁皮结构以先共析Fe3O4为主。结合连续冷却结构转变曲线,通过控制卷取温度和冷却速率,可以控制FeO的共析反应进程,从而达到精确控制氧化铁皮结构目的。     

热轧带钢卷取温度过程前置控制

提出了过程前置控制的基本思想,对难于用精确数学模型描述的复杂不确定过程控制进行了探索,并将过程前置控制用于热轧带钢卷取温度控制的精确预测。     

卷取温度对ELC—BH板组织和性能的影响

本对两种不贩卷取温度下Ｎｂ处理的超低碳高强度粪烤硬化冷轧薄板（简称ＥＬＣ－ＢＨ板）组织和性能的变化进行了研究，并且探讨了产生这些变化的机理。     

天铁1750热轧层冷模型的调整和优化

天铁1750mm热轧生产线投产以来,二级层流冷却模型系统存在缺陷,不能涵盖所有钢种和规格的冷却策略,造成带钢卷取温度命中率较低、带钢头尾性能不一致等问题。通过对该控制系统参数的优化,大大提高了带钢头尾温度命中率,层流冷却模型更加适应现场的实际情况。     

卷取温度对热轧F/B双相钢组织性能的影响

采用轧后空冷+超快速冷却工艺,研究卷取温度对热轧铁素体/贝氏体(F/B)双相钢组织性能的影响规律.结果表明:卷取温度由504℃降至250℃时,铁素体体积分数变化很小(857%～878%),铁素体晶粒尺寸变化也很小(36～37μm),组织中的硬相由以贝氏体为主转变为以马氏体为主;实验钢的抗拉强度由510MPa升至597MPa,屈服强度由475MPa降至389MPa,延伸率变化较小(322%～350%).另外,随着卷取温度的降低,铁素体与贝氏体或马氏体间的变形协调能力降低,使扩孔过程中微孔提前形核,同时加快了已有微孔的长大及合并过程,导致试样发生的塑性变形减小,扩孔性能降低,扩孔率由1014%降至524%.     

热轧带钢卷取温度控制中的自适应律

通过对一个实际的热轧带钢卷取温度控制系统长时间地观察和采样,归纳出一套适用面广、适应性强的自适应律。首先利用温度计算模型,结合目标与实测值得到自适应律的初值,经自适应计算后再去修正原简化模型进而提高模型计算精度,经过多次改进后,在现场使用效果良好。     

热轧带钢轧后冷却控制及其自学习方法

热轧带钢轧后冷却过程中卷取温度的控制精度是保证带钢表面质量和板形良好的一个关键因素,因此温度控制精度的核心是冷却过程控制模型的建立,同时新的数学模型应该具有自学习功能以提高控制精度.以此为出发点,建立了具有非线性结构特征的热轧带钢冷却过程控制的数学模型,并对新模型的自学习能力进行了研究,使该模型能够不断地修正其关键参数以提高温度控制精度,从而增强了模型的自适应性.通过对该冷却过程数学模型的现场实际应用,验证了该冷却数学模型的卷取温度控制能够达到较高的精度,为提高带钢产品质量奠定了基础.     

热轧带钢轧后冷却控制系统优化

为提高热轧带钢超快冷出口温度和卷取温度控制精度,针对超快冷生产调试过程中出现的问题,对轧后冷却控制系统进行了优化.针对超快冷出口纵向温度偏差较大的问题,提出超快冷换热系数多点自学习方法;采用有限差分方法,分析带钢超快速冷却后的返红现象,并在此基础上提出一种超快冷出口返红补偿方法;提出了对进入冷却区的带钢样本段进行温度再计算的方法,来消除速度波动对轧后冷却温度控制精度的影响.现场应用结果表明,优化后超快冷出口温度和卷取温度控制精度均明显提高.     

Intelligent Control on Hot Strip Coiling Temperature

A new intelligent control scheme for hot strip coiling temperature is presented. In this scheme, the prediction model of finishing temperature and the presetting model of main cooling zone are establish based on BP neural network, the feed-forward open-loop control model of main cooling zone is constructed based on T-S fuzzy neural network, a new improved structure of T-S fuzzy neural network is developed, and the feedback close-loop control model of precision cooling zone is obtained based on fuzzy control. The effectiveness of the proposed scheme has been demonstrated by computer simulation with a satisfactory result.     

利用神经网络提高热轧带钢卷取温度的控制精度

针对热轧带钢层流冷却过程的复杂性,以国内某热轧厂层流冷却系统为例,分析了层流冷却系统的组成以及相应的空冷和水冷数学模型.采用神经网络与数学模型相结合的方法,对带钢实测卷取温度与目标值的偏差进行了预报,证明利用神经网络能较好预测卷取温度的偏差值,进而对数学模型中的参数进行调整,实现高精度的卷取温度控制.结果表明,卷取温度比传统数学模型控制的标准差降低了21.94%.     

小脑模型连接控制(CMAC)网络用于热轧带钢卷取温度控制

用解析模型描述层流冷却过程的热轧带钢卷取温度控制系统在换规格时自适应能力较差,因为系统的自适应系数体现的是均值效应,对于动态随机不确定复杂过程的描述与控制往往无能为力·针对这一不足,采用小脑模型连接控制(CMAC)网络进行动态随机自适应控制,取得了令人满意的结果·模拟冷却结果表明,小脑模型连接控制网络充分发挥了模糊联想记忆的功能,可以对没有精确数学模型的不确定复杂过程进行精确控制,增强了系统自适应能力,它是性能优良的前馈网络·