兼顾板形的热连轧机负荷分配的优化

针对热连轧过程中板形板厚综合控制问题,提出了兼顾板形的负荷分配方法,并且使用免疫遗传算法进行了参数优化.实验数据对比分析表明,该方法是有效的,能够实现板形板厚的综合控制.     

热连轧机轧制力成比例负荷分配的CLAD算法

为了实现热连轧精轧机组负荷分配的在线优化设定,提出一种轧制力成比例负荷分配的新算法CLAD算法(change load ratio by adjusting draft).其要点是通过调整压下量的偏差来使当前轧制力与目标轧制力的偏差最小化.根据轧制力成比例原则建立非线性方程组,结合假设条件,将系数矩阵简化为对角阵,经数学推导给出了新算法的迭代公式和收敛条件.提出一种经验插值法确定初始值,使得负荷分配迭代计算能快速收敛.对宝钢典型轧制案例的模拟计算验证了新算法具有计算速度快、收敛性好等优点,可用于在线计算.     

改进粒子群算法及其在热连轧负荷分配中的应用

对一种已有的自适应算法进行了改进,并将该算法思想引入到粒子群算法的改进中,在种群进化到一定代数时按照改进自适应算法改变搜索范围的大小,实现了自动调整搜索范围、提高收敛速度和精度并可有效防止粒子群算法早熟收敛的目的,同时通过实验仿真进行了验证.将该改进粒子群算法应用到热连轧机精轧机组的负荷分配优化计算中,程序运行时间小于5s,满足实时性的要求,为其提供了一种更为有效的优化手段.     

热连轧机AGC系统的动态仿真

参照某热轧厂实际情况建立了热连轧AGC系统的动态模型,通过该模型进行动态仿真,研究了各种参数变化对于轧件出口厚度的影响.结果表明,该模型繁简适度,有利于对多种因素进行分析.     

基于遗传算法的火电厂机组间负荷分配的研究

讨论了在火电厂负荷分配中常用的三种方法:等微增率法、动态规划法和遗传算法.采用不同的方法对火电厂机组间的负荷分配进行计算,并对结果进行比较.使用遗传算法来计算火电厂机组间的负荷分配,计算结果简单准确.该算法具有广阔的应用前景.     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

双机架可逆冷连轧机组厚度分配途径

为了提高双机架可逆冷轧机的生产效率和设备安全性,用改进后的综合等负荷函数法设计了双机架四辊可逆冷轧机轧制规范,通过ANSYS模拟得到了轧辊的最大压扁半径值,并用其改善了Stone轧制力模型的收敛性,满足了负荷分配的需要.实验表明,该方法将预报轧制力精度控制在8%以内.     

多道次中厚板热轧过程的综合数值解析法模拟

采用微分方程的解析解法和数值解法相结合的思路建立了中厚板热轧过程温度场、变形场和轧制力的综合求解模型.在该模型中,考虑到轧件厚度方向的温度梯度远大于沿宽度和长度方向的温度梯度,因而将热传导方程简化为一维微分方程,基于拉格朗日坐标建立了温度场的级数解法.针对中厚板轧制的速度场特点设定了速度场函数,基于欧拉坐标架建立了应变速率和应变的数值解法,从而解决了多道次轧制过程的温度场与变形场连续计算问题.利用该模型模拟了中厚板12道次热轧的成形过程,给出了轧件温度随时间的连续变化曲线以及各道次的轧制力、应变和应变速率的分布和大小.模拟结果与工业现场实测数据吻合较好.     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

宽带钢热连轧机组的板形方程

以工业轧机为对象,建立了实用的板形方程即凸度传递模型,该方程能反映热连轧板形生成及控制的特点,并满足热连轧机组板形控制的需要,同时给出了建立板形方程所需的一整套完整分析工具,取样数据与该模型仿真计算结果的对比表明,该模型是可行的。     

热连轧前馈厚度控制系统的研究与应用

某热连轧机原本使用的厚度自动控制(AGC)模型,不论是轧制力AGC还是监控AGC都属于反馈式控制系统,因此轧机辊缝调节都有不同程度的时间滞后,从而也限制了厚度控制精度的进一步提高.采用冷连轧机前馈控制的基本思想,用前机架的出口带钢计算厚度作为前馈控制的检测厚度,并经过跟踪移位处理,设计出了前馈AGC控制模型,针对带钢厚度波动及时调节本机架的轧制辊缝,实现提前预控的目的.实验结果表明,前馈AGC控制模型投入使用之后,带钢厚度精度得到明显提高.     

热连轧机AGC系统的优化

针对传统AGC系统中弹跳方程受轧机刚度系数精度和弹跳曲线线性条件的影响而无法得到精确的机架轧出厚度的问题,提出以轧机弹跳特性曲线为基础的机架轧出厚度计算方法,并以此为基础得到新的前馈AGC、厚度计AGC及其与监控AGC的相关性模型.将优化后的AGC系统应用于某热连轧现场,实际应用表明,对于厚度规格35mm的带钢,允许厚度偏差±20μm时,厚度精度命中率可达962%以上,远优于现场控制要求.     

热轧带钢精轧过程高精度轧制力预测模型

轧制力模型的计算精度直接影响热轧带钢厚度控制精度,目前大多数轧制力模型都把轧制压力分解成应力状态影响系数和变形抗力的乘积.选用与西姆斯公式吻合较好美坂佳助公式作为应力状态影响系数模型,并考虑残余应变的影响,建立了高精度轧制力预测模型.分析了残余应变对普碳钢和合金钢轧制力的影响,给出了带钢热连轧机组残余应变工程计算方法.现场应用结果表明,该轧制力模型具有较高的预测精度,可以满足在线要求.     

遗传算法优化神经网络的热轧带钢弯辊力预报模型

针对传统弯辊力预设定模型的缺陷和带钢热连轧轧制特点,利用某钢铁公司1580mm热轧线生产数据,对精轧机组末机架进行了基于遗传算法优化神经网络的弯辊力预报模型研究.以大量实际数据作为神经网络训练输入,充分考虑了输入参数之间的影响作用,模型结构简单、容易实现,其整体性能用平均绝对百分误差、均方根误差和相关系数R评价.通过将预测结果与实测结果比较,验证了模型的精度.研究发现,提出的弯辊力预测模型相比于传统模型可实现高度非线性拟合,适用于提高热轧带钢头部板形控制精度,为实际弯辊力设定提供指导和试验基础.     

热轧带钢调度问题的混合并行策略

在分析热扎带钢生产调度特征的基础上给出了其数学规划模型，并提出了一种基于并行策略的混合启发式算法，该算法分为三个阶段：引领域知识，对预选池中的任务进行分类、排序，生成初始解；用基本遗传算法（GA）对其进行优化，得到较好的初始解；由以单个板坯交换和板坯组交换为核心的禁忌搜索（TS）进一步优化，得到最后的优化结果，与启发式算法、改进的遗传算法比较，该算法在求解的有效性和计算效率方面均具有较大的优势。     

宽带钢热连轧机板形板厚增益调度解耦控制

针对板形板厚综合控制的耦合问题，通过分析板形控制系统需要先后投入平坦度反馈控制和动态凸度控制的综合系统特性，采用前馈补偿综合法设计解耦网络以完成动态轧制过程的板形板厚解耦控制。结合1700mm热连轧机实际控制系统，提出采用板形板厚增益调度解耦控制方法适应板形板厚耦合特性随实际轧制条件变化的应用需要，建立的增益调度函数集已在大型工业轧机得到验证与应用。     

宽带钢热连轧工作辊热辊形模型

实现工作辊热辊形的在线预报是板形控制的难题之一.采用一维有限差分方法建立了工作辊热辊形在线计算模型,并利用该模型计算了热轧过程中和下机后任意时刻工作辊温度场及其热辊形.仿真和在线应用结果表明,此在线模型计算速度快,精度高,能满足板形在线过程控制的需要.     

多任务热连轧过程控制系统应用平台

针对热连轧生产线特点自行设计了符合现场实际要求的基于Windows的热连轧过程控制系统应用平台.平台采用多进程结构，进程内部采用一任务一线程的新型模式，大大提高了系统的稳定性，降低了各功能模块间的耦合性.平台的功能包括进程管理、网络通信、数据采集和数据管理、过程跟踪.数据通信、数据库操作和过程数据记录、带钢跟踪和线程调度分别由以上几个功能负责.平台采用高速的事件信号触发方式来调度模型计算.该平台已经成功应用于国内多家热连轧带钢生产现场，运行稳定可靠.     

带钢热连轧机组温度模型及其自学习方法

介绍了带钢热连轧机组温度模型以及目前常用的温度模型自学习方法.针对目前常用的温度模型自学习方法的不足,提出了一种分区补偿法用于温度模型自学习,该方法按一定的分配系数将终轧温度偏差分配到各冷却区段,温度偏差分配系数可以根据各机架轧制力情况进行调节,所以在保证终轧温度预测精度的同时,也提高了轧制力的预测精度.这种新型的温度模型自学习方法被成功地应用于天津荣程750 mm精轧机组,取得了较好的应用效果.