排序方式: 共有30条查询结果,搜索用时 0 毫秒
1.
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. 相似文献
2.
3.
4.
5.
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。 相似文献
6.
7.
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... 相似文献
8.
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. 相似文献
9.
在热连轧的非稳态轧制过程中,负荷分配不均会导致板形控制精度的下降.针对负荷分配不合理的情况,以传统机理模型为基础,建立了板形和轧制均衡的目标函数,开发了改进快速非支配排序遗传算法(NSGA-Ⅱ)的负荷分配智能优化方法,利用该优化算法对热连轧精轧机组进行了负荷分配优化.通过工业试验将经验法、GA与NSGA-Ⅱ优化得出的负荷分配数据进行对比,发现采用新方法的优化结果明显比经验法更合理,GA和NSGA-Ⅱ的优化结果将机架F5和F6相对凸度误差从4.63%分别降低至1.06%和0.79%,且NSGA-Ⅱ在末机架的相对凸度差为-0.000 009 88,小于GA的-0.000 050 47.应用结果表明,该负荷分配优化算法明显优于GA,对非稳态轧制过程中的负荷分配优化及板形控制具有理论指导意义和实际应用价值. 相似文献
10.