关力[1]2006年在《基于轧制信息的钢坯热轧过程智能建模研究》文中进行了进一步梳理对钢坯热轧过程以节能降耗为目标的控制模型和控制方法的研究，一直是钢铁冶金自动化领域的研究重点之一，但以往的研究多集中于钢坯加热过程或者轧制过程，割裂了两者在生产上的连续性和在能耗上的相关性，不能实现整个热轧生产线能耗的最小化。为此本文从生产过程特性出发，系统分析了热轧过程建模需要解决的难点，提出了基于轧制信息反馈的热轧过程智能建模的新方法。 由于钢坯热轧过程特性复杂，应用传统模糊神经网络方法建模存在模糊规则数目多，不可调等问题，对此本文提出了一种基于自适应神经模糊推理系统(ANFIS)的热轧生产过程建模方法。该方法可根据训练样本数据的分布情况来灵活划分模糊集合，从而保证以较少的模糊规则得到理想的建模精度。针对上述ANFIS方法，进一步提出了一种两步混合学习算法：首先采用最近聚类算法确定网络的结构和初始参数，然后采用梯度下降法对参数做进一步调整。仿真结果表明，该算法收敛速度比传统BP算法快。 针对两步混和学习算法不能解决模糊神经网络训练容易陷入局部极小值的问题，本文利用人工免疫系统(AIS)的数据聚类方法，并通过对传统AIS聚类算法进行优化，提出了对人工免疫网络算法参数的优化设定方法。仿真结果表明，该方法提高了网络的训练速度，避免了聚类规则数大幅波动的现象，解决了热轧生产过程建模中神经网络训练容易陷入局部极小值的问题。 利用热轧生产数据对基于AIS聚类的自适应神经模糊推理系统建模方法的仿真结果表明，该方法具有结构简单、学习速度快、规则数少、建模精度高等优点，能够有效处理如钢坯热轧过程等数据量大、工况复杂的工业过程的建模问题。
张凯举[2]2004年在《钢铁冶金加热过程建模与综合优化控制方法的研究》文中提出钢坯加热是轧钢生产线上的重要环节,担负着为轧制工序提供加热质量合格的钢坯的任务。对加热炉以节能降耗为目标的控制策略和方法的研究一直是冶金自动化领域研究的热点,已取得了大量的研究成果,这其中包括加热炉的优化设定方法和燃烧控制方法等等。 然而,以往在控制系统设计时都是人为地把钢坯加热生产和轧制生产看成是两个相互独立的过程进行的,而没有将这两个相互联系的过程进行综合控制。因此,为加热炉节能降耗而采取的各种控制方法不能保证整个轧钢生产线总体能耗、生产设备利用和产品质量指标的最优化。 为此,本文从综合解决轧钢生产线总体能耗过大、降低轧钢过程生产事故的问题分析入手,提出了将加热和轧制工序相互协调,对钢坯加热过程进行综合优化控制的新的控制策略和方法,为从根本上解决轧钢生产能耗过大、提高轧机的安全性提供了全新的解决方案。 热轧钢坯的温度是联系钢坯加热过程和轧制过程的重要过程参数,本文利用机理分析和离散状态空间相结合的方法建立了热轧生产过程中钢坯温度变化的数学模型,为钢坯加热过程基于轧制信息反馈的综合优化控制奠定了模型基础。 加热炉炉温的优化设定和燃烧控制优化方法是实现钢坯加热生产综合优化控制的重要内容,本文对炉温设定问题中目标函数的确定及其优化策略进行了深入分析,对现有方法进行了改进,使炉温设定更符合生产目标的要求;通过综合利用燃料热值前馈和残氧分析反馈的方法,提出了一种基于空燃比优化的燃烧控制新方法,系统解决了钢坯炉内加热过程的优化问题。 为解决加热炉炉温的在线优化问题,本文提出了基于模糊控制规则提取和神经网络技术相结合的钢坯加热过程综合优化控制策略,通过将轧制过程的生产信息及时反馈到加热生产工序,实现了对加热炉炉温预设定值波动的动态优化补偿。 为实现加热炉基于轧制生产信息的综合优化控制,本文分别建立了基于温度反馈和轧制负荷变量反馈的钢坯加热生产的综合优化控制模型,仿真结果表明了方法的有效性。
金迪[3]2005年在《热轧过程加热炉综合优化控制策略及控制方法研究》文中研究表明钢坯的加热过程和轧制过程是热轧生产线上非常重要的两个生产环节,加热炉需要将钢坯加热到满足粗轧机轧制工艺要求的温度分布,粗轧机则需要根据生产要求将加热好的钢坯轧制成指定规格的产品,这两者是热轧生产线上的主要耗能设备。 由于以往实际生产和理论研究均把加热炉和粗轧机作为两个独立的生产设备进行控制,割裂了两者在生产过程上的前后连续性和在生产能耗上的相互影响性,针对每一个设备的控制即使保证了其自身能耗的最小化,也不能实现将这两者作为一个整体来看待的整个热轧生产线的能耗最小化。在当前世界能源日益匮乏的情况下,结合当前热轧过程中存在的能耗浪费过大、钢坯加热质量不好、轧制安全难以保证的实际问题,本文从以下几个方面着手,试图解决上述问题。 首先,本文从加热炉和钢坯之间的热交换机理入手,以加热炉能耗最小、钢坯损耗最小、钢坯出炉温度与期望温度之差最小为目标函数,利用基于专家经验的炉温优化调整策略寻求钢坯在加热炉内的最佳温升曲线以及与此相对应的最佳炉温分布曲线,从而得到了最优的炉温预设定曲线,实现了炉温的优化设定,减少了加热能耗的浪费。 其次,针对目前加热炉和粗轧机的分离控制带来的生产信息难以共享、钢坯的加热过程难以动态调整而造成的能耗浪费过大、粗轧机轧制安全难以保障等问题,提出了基于轧制信息反馈的加热炉综合优化控制策略,利用模糊控制和神经网络的方法,将粗轧机一侧的能够反映钢坯加热质量好坏的生产信息,如粗轧机的轧制力、钢坯的温度等,反馈到加热炉一侧并计算出炉温设定值的补偿量,从而能够根据钢坯的加热状况动态地调整后续钢坯的加热过程,减少了能耗浪费,保障了轧制安全。 另外,在文中提出了将热轧过程中的质量指标与经济指标相结合的综合优化指标,阐述了基于生产目标的热轧过程综合优化控制策略的基本思想,并通过仿真实验验证了控制策略的有效性。
刘宣宇, 林姝琦, 张凯举[4]2009年在《基于AIS聚类的模糊神经网络在热轧优化建模中的应用》文中指出针对现有的钢坯热轧过程智能建模方法——模糊神经网络建模存在的收敛速度慢、建模精度不高、易陷入局部极小值、系统输入输出向量维数和空间划分增加使网络结构趋于复杂等问题,提出了一种基于人工免疫系统(AIS)聚类的自适应神经模糊推理系统的建模方法。该方法采用人工免疫聚类学习算法来确定模糊集合的划分,并确定模糊神经网络的结构和初始参数,能以较少的模糊规则达到理想的建模精度,仿真结果表明了该方法的有效性。
逄勃[5]2006年在《基于神经网络的热轧机组轧制力预报模型研究》文中提出钢坯加热的质量直接决定了热轧生产过程产品的质量和轧制设备的安全，同时对整个生产过程能源消耗的影响至关重要。因此，如果能够结合钢坯出炉温度对各段轧机的轧制力进行有效的预报，对于延长轧制设备的使用寿命，同时降低整个生产过程能源消耗，具有重要的实际意义。 现有的轧制力数学模型大多是在多种假设的条件下，通过一系列简化推导出来的，从而决定了其模型的计算结果和轧制力实际值有一定的误差，所以常规轧制力模型本身不能提供足够精确的预报值。 神经网络技术为我们提供了一个有效的建模工具，但目前基于神经网络建立轧制力模型的方法在国内外多局限于工艺研究。本文从对热轧生产过程综合优化控制的角度，根据某热连轧厂实际生产过程数据，利用神经网络方法建立了基于钢坯出炉温度优化的热连轧机组的轧制力计算预报模型。 该模型采用传统BP算法和改变步长的BP算法，为了使模型具有最佳的迭代计算速度和预报精度，本文对隐含层单元数、权重初始值范围、学习速率等参数进行了优化。并对两种方案进行了比较。所建模型可较好的预报出轧制力，在一定程度上可以替代原轧制力设定模型，并满足工程计算和实际使用要求。利用得到的轧制力预报模型，本文提出了一个将轧制力预报进行在线应用的方案。
柏亮[6]2015年在《圆钢热轧生产计划优化方法研究》文中研究说明圆钢作为一类重要的钢铁产品,因其热轧生产过程的特殊性,使得其在编制热轧计划时需要考虑的因素较多,难度较大。为了实现圆钢热轧生产的精细化管控,编制一个合理有效的热轧计划在理论探索和实际应用方面都具有十分重要意义。迄今为止,结合圆钢特点的热轧计划问题的研究成果还相对较少,且因其轧制过程的特殊性,已有理论和方法不具有适用性。因此,本文结合圆钢的热轧生产特点,围绕静态和动态环境下圆钢热轧计划的问题特征和求解算法展开探索性研究。主要研究内容和创新点如下：(1)为有效减少圆钢热轧生产过程中的余料浪费,研究了面向订货需求的圆钢热轧批量计划问题,建立了以最小化钢坯余料浪费和相邻钢坯间属性跳跃惩罚为目标的数学模型,并基于约束满足技术设计了求解算法,来确定轧制单元、钢坯与圆钢之间的关系。算法通过变量选择和值选择规则对待排产钢坯进行选择、分组和序列生成操作；通过约束传播技术缩减搜索空间,并划分轧制单元；同时,将装箱启发式BFD嵌入到算法中,以优化钢坯余料浪费和钢坯属性跳跃惩罚。基于实际生产数据的仿真实验表明了模型和算法的可行性和有效性。(2)考虑圆钢热轧生产过程中工艺规程和交货期对连续加工的影响,建立了以最小化设备调整时间、拖期生产惩罚和钢种跳跃惩罚为优化目标的圆钢热轧批量调度问题模型。针对问题的多目标特征,提出了串行优化策略,并设计了嵌入EDD规则和钢种排序规则的变邻域搜索算法。算法首先计算轧制单元的交货期,然后采用约束满足技术生成初始解；根据实际生产需求,将最小化设备调整时间作为主要目标,设计变邻域搜索算法实现目标优化,其中,运用混合算子构造邻域结构和局部搜索,并引入模拟退火接受准则来控制迭代过程中产生的新解；同时,为了最小化拖期惩罚和钢种跳跃惩罚,在求解过程中嵌入了EDD规则以及钢种排序规则。实验结果表明,模型和算法是可行且有效的。(3)考虑圆钢热轧过程中轧辊使用寿命动态变化的因素,分析与轧辊相关的优化指标和约束条件,建立了以最小化设备调整时间和最大化轧辊连续轧制长度为优化目标的数学模型,并设计了基于Pareto最优的多目标变邻域搜索算法。算法首先根据轧制规程对钢坯集合和轧辊集合进行预处理操作;针对问题的多目标特征,构造基解选择策略来引导算法的搜索过程；引入基于分解与重构思想的后优化过程,增强非支配解的多样性,并根据轧制规程重新分配轧辊,基于Pareto最优思想评价解的优劣,进而更新全局最优集。基于实际生产数据的仿真实验结果表明了模型和算法的有效性。(4)针对动态环境下圆钢热轧滚动计划优化问题,分析了随机事件对计划执行过程的扰动,提出了基于关键事件驱动的滚动优化策略。在此基础上,为保持与初始计划在产能和生产效率上的一致性,建立了以最小化滚动前后热轧计划长度的差异性为优化目标的动态约束满足模型,并提出了一种基于局部修复策略的动态约束满足算法。算法结合圆钢热轧的工艺特征,设计了变量选择和值选择规则,将待排产钢坯集合排入到失去可行值的轧制单元集合；在求解过程中,采用约束传播技术约减变量的初始值域,基于约束检查和回跳机制消解冲突约束,并用局部修复方法进一步优化滚动计划方案。仿真实验表明,算法在求解质量和求解效率方面都具有良好的效果。
乌江津[7]2006年在《加热炉优化控制方法与仿真系统研究》文中指出钢坯加热炉是热轧生产线上的一个重要设备，其主要功能是将钢坯加热到符合轧制要求的温度，加热炉同时也是热轧生产线上主要的耗能设备，对其节能降耗的控制方法研究一直是冶金自动化领域的热点。 目前，在加热炉的优化控制方面还存在一些问题。首先，由于在实际生产过程中不能在线测量炉内钢坯的温度分布，因此需要建立能够精确预报被加热钢坯温度分布的数学模型。对钢坯温度建模中比较有效的方法之一是根据热交换机理推算钢坯升温数学模型，在工程应用中通常采用简化条件下的一维非稳态导热模型，但该模型的运算精度不高。其次，在计算加热炉炉温优化分布时，对优化指标的选取考虑不够全面。另外，在对加热炉过程进行优化控制研究时，缺少模拟加热炉过程的仿真实验环境。本文针对存在的问题做了以下的研究工作。 首先，本文对钢坯加热过程的传热机理进行了分析，并结合工程实际情况建立了钢坯二维状态空间温度预报模型，该模型既保证了计算精度又兼顾了运算速度，为加热炉炉温优化控制奠定了模型基础。其次，本文提出了包含加热炉各炉段温度设定值以及钢坯在炉时间等工艺指标的炉温优化目标函数，在计算目标优化参数时，考虑到目标函数的复杂性，本文采用了遗传优化算法求得目标优化参数。另外，针对加热炉炉温设定值在线调整问题，本文提出了基于钢坯预报温度与理想温度之间偏差的PID动态补偿策略。最后，本文设计了加热炉过程控制仿真实验平台的总体结构，并开发了平台中工艺模型站和仿真分析站中的模拟屏模块、模型库模块以及仿真运行主模块等功能模块。该平台为加热炉优化控制研究提供了一个很好的仿真环境。
李盛葆[8]2012年在《中厚板板坯轧制温度建模研究》文中指出在中厚板生产中，轧件温度是直接影响产品尺寸精度和物理性能的重要因素之一。在生产过程中，必须针对轧件温度进行有效的监测和控制来保证产品质量。而且由于中厚板板坯较厚以及其他干扰因素，终轧平均温度也不能通过传感器直接测量得到。于是，研究板坯在轧制过程中的表面温度变化和内部温度场的确立，具有非常重要的现实意义。本文以国内某中厚板轧制现场为背景，研究了中厚板板坯轧制温度建模问题。本文所做的主要工作内容如下：首先，通过考虑轧制过程中影响板坯的各种温度要素，结合真实数据和经验公式，给出了不同情况下的温度边界条件，进而选用二维有限差分方程来建立板坯温度场模型，此改进后的温度模型克服了传统温度计算模型精度低、适应性差等缺点。新模型引入了网格重建等功能，能够很好地完成不同规格钢种的温度预测。其次，本文基于真实现场数据，给出并分析模型计算生成的温度变化结果曲线图，能够有效地预测中厚板坯在轧制过程中的温度变化趋势。最终实验结果表明，此模型预测的终轧表面平均温度与真实值之间具有很小的误差，说明此模型计算精度高，并能够很好地应用于中厚板生产实践之中。最后，基于前面内容的建模方法，基于.Net平台编写了中厚板轧制温度模型模拟软件。
刘利云[9]2008年在《高速钢轨轧制参数优化系统的研究与应用》文中认为本文介绍了钢轨的生产流程和研究状况,分析了当前具有代表性的钢轨生产的发展趋势,论述了数据挖掘算法。根据某轨梁厂高速钢轨万能轧制的特点和要求,运用数据挖掘对钢轨万能法轧制表参数数据进行研究,开发了一套基于数据挖掘的钢轨轧制参数优化系统。该系统对轧制表中可控参数进行数据挖掘,寻找影响轧制钢轨规格尺寸精度的主要因素,并优化出这些主成分的优势区间,用到的数据挖掘算法主要是主成分分析(Principal Component Analysis简称PCA)和优势区间控制算法。轧制表参数通过数据挖掘之后,可以将各个可控参数的预设值缩小到一定区间范围,使相应的各机架操作人员有一个确定的范围来调整设定这些主要因素的取值,不至于将这些因素由于主观的设定而过高或过低,导致轧制出的钢轨不合格。根据本系统参数的优势区间,在轧制过程中可以对设定条件进行动态的修正,对提高钢轨最终形状尺寸的精度和减少废钢产品率有很大意义。该系统从体系结构上分为数据采集层、数据挖掘层和专家数据库生成层;从功能上分为四大功能:①系统具有采集数据功能;②系统能对影响万能法轧制钢轨规格尺寸的可控参数进行主成分分析,并能在分析的同时实现数据显示、数据预处理、数据保存等功能;③系统能对影响万能法轧制钢轨规格的主成分甚至所有的可控参数进行优势区间分析,在数据优势区间分析的同时进行历史数据回放、优势区间显示、显着性分析以及专家建议等;④本系统还具有专家数据库生成功能,以各参数的优势区间、显着性以及专家建议等生成专家数据库,同时还有生成报表功能。该系统在软件设计方面,以Microsoft Visual C++6.0为开发平台,通过MATCOM与Matlab6.5接口进行编程,综合了VC和Matlab两种开发软件的优点,采用SQL Server 2000数据库技术,对系统信息、设备信息、采样数据进行有效管理;系统结合了Windows操作系统的多线程与多视图技术,实现了各功能模块并行处理模式,这种模式的运用既保障了系统数据采集的实时性,又可以现场进行各种分析,充分利用、发挥了Windows操作系统的优势,具有良好的界面友好性。文章最后详细阐述了高速钢轨轨轧制参数优化系统的仿真及工业应用情况,验证了系统的可行性、高效性,为进一步的研究打下了良好的基础。
王为晓[10]2008年在《步进式加热炉炉温的优化控制方法研究》文中研究说明钢坯加热炉是热轧生产线上的一个重要设备,也是钢铁工业中的耗能大户。加热炉的主要功能是将钢坯加热到符合轧制要求的温度,因此,开展步进式加热炉炉温优化设定和控制方法的研究对于提高加热炉的加热效率,降低能耗,以至于钢铁工业的节能降耗具有重要的意义。钢坯加热过程具有复杂工业对象的大滞后、多变量、强耦合、时变、非线性、大惯性等特点,而且炉内钢坯温度分布不能直接测量、外界扰动因素多,加热过程受多种生产工艺因素的制约。所以,目前加热炉的优化控制策略还不成熟,真正成功的应用还不多。存在的主要问题是:(1)精确预报被加热钢坯温度分布的数学模型存在一定困难。(2)在优化加热炉温度设定值时,由于目标函数包含参数较多,传统优化算法在实时性和准确性方面存在问题。(3)由于加热炉具有大滞后特性,常规反馈控制方法对加热炉各段炉温调整速度较慢。本文针对以上几个问题展开研究。主要研究工作概括如下:针对加热炉生产现场环境复杂、测量设备条件有限、检测数据含有干扰或噪声的情况,采用统计方法对采集数据进行了预处理,排除了噪声的影响,为开展仿真和建模研究奠定了基础。针对加热炉炉温优化设定问题,本文利用机理分析和离散空间相结合的方法建立了加热炉内钢坯温度变化的二维模型。在综合考虑加热生产目标的基础上,提出了考虑加热炉各炉温段的优化设定值以及钢坯在炉时间的炉温优化目标函数,并利用遗传算法获得了最优解。仿真结果表明采用遗传算法比其它传统优化算法在求解精度和稳定性上都有明显的提高。为解决加热炉炉温设定值的在线调整问题,本文结合基于钢坯预报温度与理想温度之间偏差的PID动态补偿策略以及基于专家经验的调整策略,考虑到系统大延迟的特点,提出了一种基于前馈补偿的加热炉炉温动态控制策略,最后通过仿真研究,验证了所提出的控制策略的有效性。
参考文献：
[1]. 基于轧制信息的钢坯热轧过程智能建模研究[D]. 关力. 大连理工大学. 2006
[2]. 钢铁冶金加热过程建模与综合优化控制方法的研究[D]. 张凯举. 大连理工大学. 2004
[3]. 热轧过程加热炉综合优化控制策略及控制方法研究[D]. 金迪. 大连理工大学. 2005
[4]. 基于AIS聚类的模糊神经网络在热轧优化建模中的应用[J]. 刘宣宇, 林姝琦, 张凯举. 武汉科技大学学报. 2009
[5]. 基于神经网络的热轧机组轧制力预报模型研究[D]. 逄勃. 大连理工大学. 2006
[6]. 圆钢热轧生产计划优化方法研究[D]. 柏亮. 北京科技大学. 2015
[7]. 加热炉优化控制方法与仿真系统研究[D]. 乌江津. 大连理工大学. 2006
[8]. 中厚板板坯轧制温度建模研究[D]. 李盛葆. 天津大学. 2012
[9]. 高速钢轨轧制参数优化系统的研究与应用[D]. 刘利云. 重庆大学. 2008
[10]. 步进式加热炉炉温的优化控制方法研究[D]. 王为晓. 大连理工大学. 2008
标签：计算机软件及计算机应用论文; 钢坯论文; 仿真软件论文; 过程控制论文; 建模软件论文; 数据建模论文; 圆钢论文;