孙聪[1]（2019）在《中厚板轧制头部弯曲规律模拟研究》文中提出中厚板是重要的钢材品种,广泛应用于国民经济建设的各个领域中,随着现代工业的迅速发展,提高中厚板成材率和产品质量也成为行业内关注的重点问题。在中厚板轧制过程中,轧件头部弯曲问题普遍存在,头部弯曲程度过大会造成板材的切割浪费,降低中厚板成材率,影响产品质量,造成一系列不良影响。多年来,尽管国内外众多专家学者已经在这一领域进行了长期研究,但由于影响轧件头部弯曲的因素众多,且各因素之间相互关联,耦合影响,因此对于轧件头部弯曲问题的研究一直没有取得较为满意的结果。本文根据中厚板轧制实际生产情况,建立有限元模型,针对影响轧件头部弯曲的三个重要因素:轧件初始板厚、压下率和轧制线高度进行研究,分析各因素对中厚板轧制头部弯曲的影响规律,并给出可以有效预测轧件头部弯曲现象的研究思路和方法,具体工作内容如下:（1）在系统查阅中厚板轧制头部弯曲相关文献资料和综述研究的基础上,通过对不对称轧制变形区进行分析,剖析轧件头部弯曲机理;简要介绍了影响轧件头部弯曲的各影响因素以及预防和控制头部弯曲的方法,为后文的研究奠定理论基础。（2）根据实际生产情况,针对影响轧件头部弯曲的三个重要因素:轧件初始板厚、压下率和轧制线高度,制定模拟方案,设定参数,利用DEFORM数值模拟软件建立中厚板轧制二维有限元模型,研究不同轧制条件下的头部弯曲规律。（3）通过分析轧件头部弯曲状态,拟合轧件头部弯曲曲线,计算轧件头部弯曲曲率值,从而探究各单一因素和两因素耦合条件下对轧件头部弯曲曲率的影响规律;分析轧件厚度方向上的等效应变分布情况,从而进一步验证各影响因素对轧件头部弯曲变形的影响,为轧件头部弯曲规律提供理论支撑。（4）基于有限元模拟所得结果数据,利用MATLAB自适应神经网络模糊推理系统,将三个影响因素作为输入变量,轧件头部弯曲曲率作为输出变量进行数据训练,得到输入输出变量间的映射关系,建立自适应模糊神经网络结构,并进行准确性验证,从而最终实现对轧件头部弯曲的预测。
高扬[2]（2018）在《多功能热轧实验机组的开发与应用》文中进行了进一步梳理突破高端产品制造技术,实现工艺流程创新是解决我国钢铁工业大而不强问题的关键,而研发先进的实验研究装备和中试研发平台则是实现这一目标的基础。本文从生产实际出发,结合工艺创新要求,开发了新一代多功能热轧实验机组,其独特的轧辊加热功能、热轧异步轧制功能以及组合式控制冷却功能在保证热轧实验机组灵活高效、精度高的基础上,进一步丰富了实验功能,为热轧产品和工艺研究提供了研发平台。相关实验机组被多家钢铁企业及科研院所应于新产品、新工艺研发中,取得了良好的应用效果。主要研究内容如下:（1）开发了多功能热轧实验机组工艺流程、工艺装备、自动化控制系统和检测仪表系统。通过机组工艺设备的柔性组合,丰富了热轧实验研发手段,满足中厚板和热连轧不同流程的新工艺、新产品的研发需求。提出了可逆轧制和单向轧制辊缝设定策略,通过新型电液联摆系统,在保证辊缝精度的同时提高了压下速度。针对热轧实验复杂、灵活、多变的特点,开发了实验过程跟踪系统、自动实验系统和实验过程仿真系统,提高了热轧实验稳定性和成功率。（2）针对热轧实验轧辊温度低、轧件温降快等问题以及特殊规格、特殊工艺要求的热轧实验过程,提出了热油加热轧辊的工艺思路。通过热油加热过程中轧辊表面温度场有限元模拟,得到了热油温度、环境温度、轧辊直径以及轧辊开孔深度对轧辊表面温度场的影响规律。所开发的轧辊热油加热系统,有效解决了薄规格轧件轧制过程中温降过快的问题,同时满足了特殊合金高温终轧的工艺要求。（3）开发了热轧实验机组异步轧制功能,通过异步轧制将剪切变形引入轧制过程,提高了变形效率和变形渗透率。通过有限元模拟分析,建立了热轧异步轧制过程中轧辊受力、轧件变形以及轧件翘曲规律。为了改善热轧异步轧制过程中轧件翘曲,开发了下辊水平偏移系统并提出了异步轧制过程中轧件翘曲控制策略,有效解决了热轧异步轧制过程中轧件过度翘曲的问题。（4）开发了以超快冷为核心的热轧实验机组组合式控制冷却系统。建立了组合式控制冷却过程中轧件温度控制模型并给出了换热系数自学习方法。针对超快冷系统压力和集管流量强耦合的特点,提出了系统压力与集管流量综合控制策略。系统压力和集管流量均采用前馈设定+反馈微调的控制策略,控制初期压力前馈和流量前馈同时进行,系统稳定后以压力反馈为主、压力反馈和流量反馈交替进行,在反馈控制中引入死区控制和模糊PID自适应控制,并针对调节阀具有回差和死区等特性,给出了相应的补偿控制算法,实现了系统压力和集管流量快速、稳定、高精度控制,提高了轧件终冷温度控制精度,满足新一代TMCP工艺研发需求。（5）应用本文研究成果开发的新一代多功能热轧实验机组,采用先进的三级计算机控制系统构架,配备了完善的自动厚度控制系统和实验过程跟踪系统,实现了全自动实验。其特有的轧辊加热功能、热轧异步轧制功能以及以超快冷为核心的组合式控制冷却功能,为研发供了更多的实验手段。本机组成功推广至首钢、沙钢、太钢、河北钢铁、鞍钢、台湾中钢等近二十家钢铁企业和科研院所,取得了良好的应用效果,为热轧工艺创新和高端品种研发提供了可靠的研究手段。
吴思炜[3]（2018）在《基于工业大数据的热轧带钢组织性能预测与优化技术研究》文中认为目前,钢铁企业生产的特点是大型化、连续化、集约化,用户需求的特点是个性化、多样化、优质化。钢铁企业生产技术和组织管理与用户需求产生了矛盾。为了解决这一矛盾,研究者们开发热轧工艺优化设计技术,即在考虑实际生产过程中复杂约束条件的前提下,针对用户个性化需求,结合组织性能预测技术和多目标优化算法快速计算出最优生产工艺。其中,合理的组织性能预测模型是热轧工艺优化设计技术的核心。在基于大数据建模技术的研究中,研究者们更多关注模型的预测精度,将研究重点放在模型的构建方法上,对于原始数据常常不加处理或者经过简单的标准化处理后直接用于建模。在模型应用过程中一旦涉及到模型的规律性研究,很容易产生偏离实际的预测结果。因此,合理的数据处理对于工业数据建模至关重要。针对大数据环境下组织性能预测与优化技术面临的模型实用性和合理性问题,本文从大数据的处理着手,改善数据质量、提高算法精度、开发高效智能算法、丰富模型预测功能,最终实现了组织性能预测与优化技术的工业应用。本论文的主要工作内容如下:（1）钢铁工业大数据挖掘技术开发:对热轧生产线采集的大量工业数据进行匹配、整理,建立数据库。结合数理统计和轧制工艺理论,针对C-Mn钢开发了填补空缺值、钢卷归并、相似工艺聚类和数据均衡化等数据处理方法,使处理后的数据呈现出合理的规律性。采用贝叶斯正则化神经网络建立了 C-Mn钢的化学成分-工艺参数-力学性能对应关系模型,并与未经过数据处理建立的模型相比较,分析化学成分和工艺参数对力学性能的影响规律。结果表明:当采用未经过数据处理建立的模型进行模型规律性分析时,模型在局部的预测值会偏离实测值;而采用经过数据处理建立的模型能够在保证一定预测精度的前提下,反映出合理的物理冶金学规律。（2）基于人工智能理论的力学性能预测研究:在热轧带钢力学性能预测中引入随机森林算法,针对Q345B钢种,采用重采样技术选择建模数据,构建大量分类回归树,实现了 Q3 4 5B钢的力学性能预测。与传统逐步回归模型进行对比,结果表明:随机森林模型具有良好的非线性拟合能力,鲁棒性较强,预测精度较高。其屈服强度预测值与实测值平均误差为-0.61 MPa,标准差为25.10 MPa;抗拉强度预测值与实测值平均误差为0.548 MPa,标准差为23.05 MPa;延伸率预测值与实测值平均误差为0.0088%,标准差为2.09%。（3）智能化热轧工艺优化设计研究:将正交试验设计理论和ε占优策略引入免疫克隆选择算法,加快了算法的收敛速度,开发了ε-ODICSA（ε-Orthogonal Design Immune Clone Selection Algorithm,ε-ODICSA）算法。将 ε-ODICSA 算法与传统多目标优化算法IBEA、NSGA2和SPEA2在ZDT系列测试函数上的优化效果进行对比,结果表明:ε-ODICSA算法在最优Pareto前沿的逼近性和均匀性等方面表现出显着的优越性。针对380CL钢中合金成本较高的问题,将ε-ODICSA算法与热轧板带化学成分-工艺参数-力学性能对应关系模型相结合,对380CL钢的热轧工艺进行了优化设计,通过将卷取温度由600℃降低至510℃,在保证符合380CL钢力学性能标准要求的前提下使Mn含量降低至约原来的50%,节约了生产成本。（4）基于大数据的智能化热轧工艺优化设计系统开发:基于工业大数据挖掘技术、高精度力学性能预测技术和高效的多目标优化算法,利用C++和C#语言开发了智能化热轧工艺优化设计系统。系统包含数据查询筛选模块、数据挖掘模块、高精度力学性能在线预测模块和智能化热轧工艺优化设计模块。针对2150ASP热轧生产线,利用该软件实现了典型钢种（500L-Z、L485M、SS400Cr、S275JR、SPHC、Q235B和Q345B）的力学性能高精度在线预测,其预测精度为:屈服强度预测值与实测值相对误差在±8%范围内,抗拉强度预测值与实测值相对误差在±6%范围内,延伸率预测值与实测值绝对误差在±6%范围内。利用该系统在工业上实现了 HP295钢性能稳定性控制,提高了产品质量。（5）大数据驱动的物理冶金学模型研究:基于2150ASP热轧生产线,建立了描述热连轧及连续冷却过程中轧件内部显微组织演变的模型,其中包括温度场模型、奥氏体再结晶模型、奥氏体晶粒长大模型、相变模型、析出模型以及最终力学性能预测模型。基于该模型框架,采用遗传算法对模型中的关键参数进行了优化,开发了大数据驱动的物理冶金学模型。分别针对Q235B钢种和X70钢种建立了组织性能预测模型,通过工业试轧对模型预测结果进行验证。与传统的物理冶金学模型对比,大数据驱动的物理冶金学模型取得了较高的预测精度。对于Q235B,其屈服强度预测值与实测值相对误差在±10%范围内,抗拉强度预测值与实测值相对误差在±6%范围内,延伸率预测值与实测值绝对误差在±6%范围内;对于X70,其屈服强度预测值与实测值相对误差在±10%范围内,抗拉强度预测值与实测值相对误差在±4%范围内,延伸率预测值与实测值绝对误差在±6%范围内。
张田[4]（2017）在《基于超快冷的中厚板温控形变耦合工艺及控冷模型的研究与工业应用》文中研究说明中厚板是国民经济发展的重要原材料。随着社会的快速发展,市场对钢板的厚度规格和性能质量等方面都提出了更高的要求。面对市场要求的不断提高和钢铁行业竞争的日益激烈,厚规格钢板生产存在的问题和困难将更加突出。轧制方面存在的问题有中间坯待温时间过长,生产效率低;受原始坯规格或轧机能力限制,轧制压下率不足导致轧制变形难以向轧件心部渗透,使得铸坯原始内部缺陷无法消除,钢板内部组织粗化,不利于最终产品质量。冷却方面的问题主要有目前温度控制模型的精度和稳定性较差,计算能力上存在局限性。为了应对上述中厚板生产存在的问题,本文依托国家“十二五”科技支撑项目“热轧板带钢新一代TMCP装备及工艺技术开发与应用”（2012BAF04B01）和中央高校基本科研业务费专项资金资助项目“厚规格连铸坯大梯度差温轧制内部缺陷演变机理研究”（L1507020）。从工业生产控制中的关键工艺参数出发,掌握了不同温控形变工艺下金属塑性变形行为的变化规律,并结合现场的应用需求,开发出适应工业生产的控冷模型,建立配套的自动化控制系统,实现中厚板在线冷却过程的精确控制,满足产品工艺要求。上述研究为中厚板工业化发展及产品开发做出了重要保障,并为成功申报国家“十三五”重点研发计划项目“高强度、大规格、易焊接海洋工程用钢及应用”（2016YFB0300601）提供了理论支撑。本文的主要研究工作包括:（1）建立了温控形变条件下金属不均匀变形的理论模型。基于轧制过程中金属内部塑性变形的受力状态以及难变形区的分布,对温控形变工艺下轧件内部的金属不均匀流动规律做了理论推导及难变形区形状变化的推演,并通过实验验证了在厚向大温度梯度或接触表面大摩擦条件下,轧件近表层难变形区的演变规律。（2）系统地模拟研究了冷却参数对温控形变工艺的影响。从冷却控制角度入手,选择工业生产所关注的主要控制参数:冷却强度（水量）、水冷时间和空冷（返红）时间,分别研究了上述冷却参数在温控形变轧制过程中对轧件厚向温度场、内部金属横向流动和塑性应变状态的影响。基于上述理论研究,对轧件厚向温差和厚向温度梯度的概念及两者对温控形变过程的影响,首次做出明确的区别和说明,为实际轧制过程中的冷却控制策略提供理论依据。（3）系统地模拟研究了轧制参数对温控形变工艺的影响。分别研究了关键性的控制参数,如轧制温度、轧制厚度和压下率,在温控形变轧制过程中对轧件厚向温度场、内部金属横向流动以及塑性应变状态的影响。此外,通过小压下率大温度梯度轧制与不同大压下率常规轧制的对比,得到了满足相同变形渗透效果的前提下,厚向温度梯度和轧制压下率的等效作用关系,为实际应用中的轧制控制策略提供参考。（4）基于温控形变工艺的模拟研究,开发了近机架的即时冷却实验装置,对单道次常规轧制与温控形变轧制、单道次同温差不同温度梯度的温控形变轧制以及多道次不同轧制阶段温控形变工艺分别进行了实验研究。验证了模型的可靠性,同时对工业产品试制提供了思路和指导。（5）研发了新型在线冷却控制模型。针对现场生产中对冷却控制系统提出的强可控性、高精度和快速响应等要求,提出并建立了可高效计算钢板横断面温度分布的1.5D温度场模型,为改善钢板宽向冷却均匀性提供了精确有效的控制方式,同时提出并建立了基于数据挖掘的自学习模型和智能增强（Intelligence Augmentation,IA）控制策略,具有适应性强、精度高及计算消耗低等特点,为冷却工艺的精细化控制提供了保障。（6）国内首次实现了温控形变工艺的工业化应用,参与建立轧后超快速冷却系统和即时冷却系统。进行了大厚度规格钢板温控形变工艺的工业试验,厚板内部质量得到改善,提高了产品综合性能。基于新模型所开发的冷却控制系统,有效提高冷却温度控制精度和稳定性,已成功应用于国内多条中厚板生产线。
谭貌[5]（2015）在《基于电力需求响应的板坯热轧负荷分析与调度》文中研究说明电力供需平衡是电力系统运行调度的核心问题,风电、光伏等清洁低碳可再生新能源的快速增长给电力系统传统的运行调度和控制模式带来了严峻的挑战。近年来国际上提出了基于需求响应促进电力平衡和消纳新能源的概念。需求响应模式下,电力用户对电网给出的价格信号或激励信号作出响应,改变其原有的电力消耗模式从而参与电力系统运行。电力用户侧负荷资源具有灵活部署和快速响应的特点,因此能够响应发电侧出力的变化,减小可再生能源接入造成的电网波动,维持电力供需平衡。高耗能工业电力负荷参与需求响应潜力巨大,相关研究与实践逐步得到重视,然而,目前工业电力需求响应相关研究主要集中在连续过程生产上。与连续过程生产相比,间歇过程的生产单元具有强耦合性,生产过程需保证工艺的完整性和物流的连续性,需求响应不能影响正常生产,传统的直接负荷控制、可中断负荷等需求响应负荷控制方法无法直接应用间歇生产过程中。本论文工作将钢铁电力大用户的间歇生产负荷资源纳入电力系统调度体系,通过生产负荷的主动缩减和峰谷转移来减小电网功率波动,促进电力供需平衡,对生产用户而言则可以减小用电成本。具体以板坯热轧这一典型间歇生产过程为研究对象,基于材料加工过程和生产工艺流程分析板坯热轧的负荷特征,建立需求响应负荷调度与热轧生产控制间的关联,在保证生产工艺约束前提下,研究兼顾用电经济性目标与生产工艺目标的热轧负荷调度方法,减小企业用电成本,拓展电力需求响应负荷类型,促进电网稳定和新能源消纳。论文具体研究内容包括:1.分析了板坯热轧加工过程机理及轧制参数数值计算模型,重点研究了板坯热轧过程的轧制形变及工艺参数模型、轧制力模型和温度模型。通过机理分析和数学推导确立轧制负荷与轧机、轧件相关参数间的数值计算关系,建立轧制过程的负荷数值计算模型,并实现Matlab/Simulink环境下的板坯热轧道次负荷仿真计算平台,基于该平台进行热轧过程负荷参数化分析,确定不同工艺参数与轧制负荷的相关关系及其对轧制负荷影响的敏感度。2.研究了以最小化轧制能耗为目标的中厚板轧制规程优化设计方法。基于道次间压下率控制的轧制负荷分配方法,结合轧制过程负荷模型,建立了中厚板最小能耗轧制规程优化设计模型。针对中厚板轧制生产特点及其对算法全局搜索能力和收敛速度的要求,提出一种改进粒子群优化（IPSO）求解算法用于模型求解,实验结果表明,IPSO应用于轧制规程优化,能耗明显降低,算法全局搜索能力强且收敛速度快,综合性能优于遗传算法、标准PSO及几种常用改进算法。方法不仅为轧制过程的电力负荷缩减提供技术指导,还可用于支撑轧制过程电力负荷预测。3.研究了热轧生产控制与需求响应负荷调度的关联及优化调度方法。在价格型需求响应环境下,考虑最小化生产用电成本,基于热轧批量计划问题的车辆路径规划模型,提出一种面向经济负荷调度的热轧调度两阶段优化方法,第一阶段通过热轧批量计划编制确定轧制单元及生产负荷,第二阶段在此基础上实施分时电价下的负荷转移重调度,优化轧制单元加工次序和生产空闲等待时间进行避峰生产。实验结果表明:所提出方法可降低生产用电成本,并通过响应电价参与电网调峰。4.提出了基于价格响应的板坯热轧负荷最优调度模型及求解算法。针对两阶段优化中热轧批量计划与需求响应负荷调度分离,难于实现最优调度结果的问题,建立热轧生产调度多目标集成优化模型,在实施最小化用电成本的经济负荷调度时同步考虑相邻板坯间惩罚值。提出一种基于NSGA-II的多目标生产调度优化算法进行模型求解,针对多目标优化Pareto最优解集,考虑目标偏好性,设计了用于不同生产场景下工程最优解选取的三种决策模式。选取多种对比方法从不同角度与本章所提出方法对比,结果表明所提出模型有效,算法性能良好。5.面向间歇生产过程中普遍存在的多产线并行生产环境,研究了基于价格需求响应的多机并行间歇负荷调度的泛化模型。在产线能力满足生产需求的前提下,以最小化生产用电成本为目标,建立由整数变量和连续时间变量表达的需求分批、产线分配、批量调度间约束关系,并针对模型中的非线性生产约束条件进行线性化转换,构建问题的MILP模型并进行实例求解。将求解结果与广泛采用的最早完工时间模型进行对比,结果表明模型具有较好的用电成本节省和负荷调峰效果。
孙照阳[6]（2015）在《基于多智能体的中厚板轧制工艺模型优化》文中指出近年来,随着工业过程控制系统的复杂化和控制要求的不断提高,传统的控制策略和单一的控制方法对复杂过程的控制越来越难以获得满意的品质,因此迫切地需要新理论的支撑。多智能体理论对于复杂系统的强大表现力及其开放性、智能化的特点,使它成为支持现代工业控制系统的最佳理论选择之一。中厚板轧制过程是典型的复杂工业生产过程,中厚板生产组织采用多品种、多批次,小批量方式,对轧制过程控制工艺模型设定精度有非常高的要求。本文将多智能体技术应用于中厚板轧制工艺模型的优化,可以在现有设定和优化方法的基础上,进一步提高设定精度。主要研究内容如下:（1）介绍了多智能体系统的基本理论,对智能体和多智能体系统的基本概念、体系结构、协作协调方法、通信机制等问题进行了详细的描述。（2）在传统中厚板轧制工艺模型的基础上,设计了基于多智能体的轧制工艺模型系统。多智能体工艺模型系统主要由管理协作层、业务层和辅助层组成,针对重点的业务层进行设计,又划分成轧制力智能体、力矩智能体、规程智能体、板形智能体、设定智能体以及自学习智能体等子智能体。（3）管理协作智能体总体上协调智能体之间的工作,通过模糊推理系统分析模型设定精度发生波动的原因,并针对特定智能体做出优化。将数据挖掘技术运用于规程智能体,提高轧制规程制定精度。将神经元网络优化方案运用于轧制力智能体,提高轧制力预测精度。（4）利用Visual studio 2008编程环境对多智能体轧制工艺模型系统进行编程实现,并验证其优化效果。针对中厚板轧制换规格过程的轧制力预报偏差较大问题,通过与传统模型计算结果比较,基于多智能体的中厚板轧制工艺模型系统可以明显改善设定精度。
吴铠[7]（2012）在《提高中厚板轧制力预报精度的方法》文中进行了进一步梳理本文结合柳钢中板厂实际轧制情况,分析了中厚板轧制力的设定以及在线动态修正算法,阐述了一种通过稳定轧制过程,优化轧制力计算公式,结合轧制过程自适应提高轧制力预报精度的方法,它可以大大提高中厚板轧机在线轧制力设定的灵活性和准确性,现场应用结果表明,效果良好。
崔海涛[8]（2011）在《基于ACE的中厚板轧机二级系统开发》文中研究指明近年来,国外先进中厚板生产线的成功引进促进了我国中厚板生产技术的发展。但是,由于引进技术未被完全消化和掌握,尤其是轧机二级控制系统中的“黑箱”没有破解,为后续的工艺改进和控制系统升级带来极大困难。此外,国内大部分中厚板生产线的轧钢自动化水平比较低,在板形、厚度等方面的控制精度有待于进一步提高。本文依托于东北大学轧制技术及连轧自动化国家重点实验室的开放课题“中厚板轧机二级系统平台开发”,借鉴国外先进中厚板轧机二级控制系统的设计思想和技术,以中厚板轧机过程控制系统的开发和应用为研究对象,在过程控制系统的系统架构和功能实现方面开展研究工作,开发出基于ACE中间件的多进程轧机二级控制系统。此轧机二级控制系统既可以满足国内中厚板轧机控制系统的升级改造需求,又能为破解引进系统中的“黑箱”提供技术支持。论文的主要创新性工作如下：（1）对国内外具有代表性的中厚板轧机二级控制系统进行分析,结合当前中厚板生产自动化的发展趋势,设计了一个多进程形式的中厚板轧机二级控制系统。该系统根据需要实现的不同功能划分成15个进程,各个进程保持相对独立。此种系统架构设计提高了系统的稳定性,防止因一个功能出现故障而导致整个二级系统崩溃,还可以通过添加/删除进程的方式对轧机控制系统进行相应的调整,增加了系统的灵活性。（2）对CORBA标准及ACE. TAO等通信中间件和数据库访问方法等关键技术进行深入研究,提出了基于ACE+OO4O的中厚板轧机二级通信系统。利用ACEMalloc创建共享内存池,通过共享内存的方式实现进程间通信。利用ACE Socket实现主机之间的通信,与传统的Socket通信相比,ACE Socket的数据传输效率更高,并且更加稳定。采用OO4O访问数据库,与常用的ODBC相比,OO4O的速度更快。（3）针对中厚板单/双机架的生产特点,设计了不同的轧制策略制定模式,提高了规程计算的通用性,使其适用于不同的中厚板生产线。分析了中厚板轧机在无液压弯辊条件下,采用传统规程计算方法容易出现板形问题的原因,提出了末道次轧制力锁定的规程计算方法。该方法将操作工的经验与规程计算模型有机地结合起来,使得操作工可以有效地干预规程计算,在实际应用中取得了良好的板形控制效果。（4）针对传统异板间的自学习模型不能修正轧件个体差异的缺陷,提出了同板的道次修正模型。该道次修正模型利用上道次的实测轧制数据,如实测轧制力、轧制速度、测温仪温度等,通过道次出口厚度再计算模块和轧制力短期修正模块,精确计算得出当前钢板的实际状态,然后通过剩余道次再计算模块对后续未轧道次的辊缝进行修正。实际应用表明,该道次修正模型能显着地提高轧制力预报精度和成品厚度精度。（5）在轧制节奏控制进程中,将中厚板轧制节奏控制分为非待温模式和待温模式,并针对每种模式提出了简单有效的轧制节奏控制方法。在待温模式中采用了批次轧制节奏控制方法,该方法将同规格的几块板坯看做是一个轧制批次,同批次的板坯先后出炉进行轧制并在精轧机后待温,等到所有板坯轧完后再一起移动到机前,然后再开始待温后的轧制。批次轧制节奏控制方法比传统的交叉轧制节奏控制方法更加简单实用。
卢建军[9]（2010）在《天钢中厚板二级控制轧制模型的研究与优化》文中认为钢铁工业是国民经济的支柱产业,中厚板是钢铁工业的主要产品,更是国民经济发展所必须的重要材料,主要用于建筑工程、机械制造、容器制造、造船、桥梁建造等。中厚板轧机是轧钢生产中的主力轧机之一,其生产力水平代表了一个国家轧钢工业的发展水平。目前我国中厚板轧机控制技术与国外相比尚有一定的差距,这就要求我们深入研究和充分利用现有的技术和设备,进行优化改造,最大限度的提升中厚板产品的常量和质量。本论文第1章首先介绍了中厚板轧机的发展趋势和轧机控制技术的发展现状,给出论文研究的背景情况。第2章主要对天津钢铁集团有限公司中厚板厂过程控制模型进行了深入的分析。第3章以天津钢铁集团有限公司中厚板厂目前的轧机控制系统为基础,对正在应用的中厚板过程控制系统模型进行了详尽的分析,包括粗轧和精轧过程中的轧件的热膨胀模型、高压水除磷模型、自然宽度延展模型、轧件的速度模型、温度模型和轧制力模型。第4章在第3章中的模型分析的基础上,对粗轧机和精轧机的各个模型进行了优化。优化控制模型后取得了很好的效果,提高了产品的产量和质量,取得了良好的经济效益。
贾春莉[10]（2010）在《中厚板轧制过程控制中厚度精度的研究》文中提出厚度是中厚板的基本尺寸,厚度精度是中厚板产品首要的质量指标。为了获得高厚度精度的板材,提高钢材的成材率,必须提高轧制过程控制的厚度设定精度。轧制力计算模型和辊缝设定模型是决定过程控制厚度精度最核心的模型,提高模型设定精度对于提高厚度精度是非常重要的。本文以国内某中厚板生产线自动化控制系统设计与调试项目为背景,对与厚度精度密切相关的轧制力计算和辊缝设定模型进行深入研究,优化了轧制力计算模型和辊缝设定模型,提出了轧件间自学习和道次间自适应的双层次轧制力在线修正机制以及辊缝自学习方法,将改进的模型应用于现场实际生产,提高了厚度精度。主要的研究进展如下：（1）优化轧制力模型。分析了变形抗力模型中的各种影响因素,优化变形抗力模型结构。认真研究了化学成分对变形抗力的影响,提出基准变形抗力的计算公式,并通过现场实测数据采用多元线性回归的方法确定公式中的系数,得出了简洁实用的变形抗力模型。提高了轧制力的预测精度。（2）改进辊缝设定模型。在原有的辊缝设定模型上增加轧件热膨胀变化量、轧件弹性回复。考虑轧件本身热胀冷缩的特性,计算轧制过程中随温度变化轧件的热膨胀变化量；考虑轧件由于弹性变形产生的回复。进一步提高了辊缝的设定精度。（3）采用轧件间自学习和道次间自适应分工互补的双层次在线修正机制,改进了单一的自学习策略。对于轧件间自学习,建立了基于钢种、厚度的层别划分原则,根据样本个数建立不同时期的自学习系数,采用低通滤波和拉格朗日插值的方法得到不同道次的自学习系数。对于道次间自适应,基于实际压下量计算自适应系数。提高了在线修正的实时性和稳定性。（4）通过零点的修正实现辊缝的自学习。根据现场实际轧制情况提出基于厚度偏差的辊缝自学习算法,提高辊缝设定模型的预报精度。为了防止辊缝超调,在厚度偏差的基础上考虑基于轧件厚度和零点漂移量的阻尼系数,根据轧制情况设定不同的阻尼系数,防止辊缝出现震荡,提高模型精度。将优化后的轧制力计算模型、自学习和自适应模型、辊缝设定模型应用于国内某中厚板双机架在线控制中,通过现场实测数据得出,轧制力轧件间自学习系数快速趋于稳定,轧制力精度得到明显提高,成品厚度精度得到显着提高。对国内其他中厚板厂具有一定的借鉴意义。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 轧件头部弯曲的研究现状 |
| 1.2.1 传统实验方法研究 |
| 1.2.2 有限元方法研究 |
| 1.3 有限元分析方法的应用 |
| 1.3.1 有限元分析方法简介 |
| 1.3.2 有限元分析方法在中厚板轧制中的应用 |
| 1.4 本文主要内容 |
| 第2章 头部弯曲机理及影响因素分析 |
| 2.1 轧件头部弯曲机理分析 |
| 2.1.1 变形区基本理论 |
| 2.1.2 不对称轧制变形区分析 |
| 2.2 轧件头部弯曲影响因素分析 |
| 2.2.1 轧件上下表面温度分布不均 |
| 2.2.2 上下接触表面摩擦条件不同 |
| 2.2.3 上下轧辊辊速不同 |
| 2.2.4 电机传动特性 |
| 2.2.5 轧制线高度 |
| 2.2.6 压下量压下率 |
| 2.3 预防及控制轧件头部弯曲的方法 |
| 2.4 本章小结 |
| 第3章 中厚板头部弯曲有限元建模及数值模拟 |
| 3.1 DEFORM有限元软件简介 |
| 3.2 DEFORM相关模块介绍 |
| 3.2.1 DEFORM-2D |
| 3.2.2 DEFORM-3D |
| 3.2.3 DEFORM-F2/F3 |
| 3.2.4 DEFORM-HT2/HT3(热处理) |
| 3.2.5 DEFORM-DOE(工艺参数优化) |
| 3.3 轧件头部弯曲有限元模拟 |
| 3.3.1 研究方案制定 |
| 3.3.2 有限元建模基本假设 |
| 3.3.3 几何模型的建立 |
| 3.3.4 网格划分 |
| 3.3.5 生成模型 |
| 3.3.6 创建分析步 |
| 3.3.7 重力设置 |
| 3.3.8 定义接触 |
| 3.3.9 定义摩擦及热交换 |
| 3.3.10 数据生成和计算 |
| 3.3.11 结果可视化 |
| 3.3.12 后处理 |
| 3.3.13 轧件弯曲的表示方法 |
| 3.4 轧件头部弯曲模拟结果及分析 |
| 3.4.1 单一因素影响 |
| 3.4.2 两因素耦合影响 |
| 3.4.3 轧制变形区等效应变分析 |
| 3.5 本章小结 |
| 第4章 基于模糊神经网络的轧件头部弯曲控制模型建立 |
| 4.1 自适应神经网络模糊推理法 |
| 4.1.1 模糊控制理论 |
| 4.1.2 人工神经网络 |
| 4.2 自适应神经网络模糊推理系统 |
| 4.2.1 ANFIS模糊推理系统 |
| 4.2.2 ANFIS学习算法 |
| 4.3 自适应神经网络模糊推理系统的MATLAB实现 |
| 4.3.1 Sugeno型模糊系统输入输出模型建立 |
| 4.3.2 编辑隶属度函数 |
| 4.3.3 ANFIS数据训练 |
| 4.3.4 生成模糊规则 |
| 4.3.5 网络结构验证 |
| 4.4 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 轧制过程中试研究平台的创新与发展 |
| 1.3 热轧实验机组研究及发展现状 |
| 1.3.1 国外热轧实验机组的研究及发展现状 |
| 1.3.2 国内热轧实验机组研究及发展现状 |
| 1.4 多功能热轧实验机组的主要特征 |
| 1.4.1 高刚度可逆轧机 |
| 1.4.2 先进的自动化控制系统 |
| 1.4.3 轧辊加热系统及研究现状 |
| 1.4.4 热轧异步轧制及研究现状 |
| 1.4.5 组合式控制冷却系统研究现状 |
| 1.5 本文主要研究内容 |
| 第2章 多功能热轧实验机组及其控制系统开发 |
| 2.1 多功能热轧实验机组工艺流程研究 |
| 2.2 多功能热轧实验机组主要工艺设备及检测仪表 |
| 2.2.1 多功能热轧实验机组主要工艺设备 |
| 2.2.2 多功能热轧实验机组检测仪表 |
| 2.3 多功能热轧实验机组控制系统组成 |
| 2.4 多功能热轧实验机组主要控制功能研究 |
| 2.4.1 多功能热轧实验机组厚度控制系统 |
| 2.4.2 多功能热轧实验机组实验过程跟踪系统 |
| 2.4.3 多功能热轧实验机组全自动实验系统 |
| 2.4.4 多功能热轧实验机组实验过程仿真系统 |
| 2.5 本章小结 |
| 第3章 轧辊加热系统开发及表面温度场研究 |
| 3.1 轧辊热油加热系统的开发 |
| 3.1.1 热油加热循环系统设计 |
| 3.1.2 轧辊内部热油循环系统设计原理及连接机构 |
| 3.1.3 轧辊热油加热过程中的热轧实验过程 |
| 3.2 热油加热过程中轧辊温度场模型研究 |
| 3.2.1 轧辊温度场导热微分方程的建立 |
| 3.2.2 轧辊温度场导热微分方程的定解条件 |
| 3.3 热油加热过程中轧辊温度场的模拟研究 |
| 3.3.1 模型的简化与假设 |
| 3.3.2 轧辊几何模型 |
| 3.3.3 轧辊材料参数 |
| 3.3.4 模拟结果及分析 |
| 3.4 热油加热过程中轧辊表面温度的实验研究 |
| 3.4.1 实验方案 |
| 3.4.2 实验结果及分析 |
| 3.4.3 模拟与实验结果对比分析 |
| 3.5 不同加热条件下轧辊表面温度场变化规律研究 |
| 3.5.1 热油温度对轧辊表面温度场的影响规律 |
| 3.5.2 环境温度对轧辊表面温度场的影响规律 |
| 3.5.3 轴承冷却对轧辊表面温度场的影响规律 |
| 3.5.4 轧辊直径对轧辊表面温度场的影响规律 |
| 3.5.5 轧辊开孔深度对轧辊表面温度场的影响规律 |
| 3.6 本章小结 |
| 第4章 热轧异步轧制变形规律及翘曲控制策略 |
| 4.1 热轧实验机组异步轧制系统的开发 |
| 4.1.1 热轧实验机组多种异步轧制方式的实现 |
| 4.1.2 下辊偏移系统的开发 |
| 4.2 热轧异步轧制有限元模型的建立 |
| 4.2.1 几何模型 |
| 4.2.2 物理模型 |
| 4.3 热轧异步轧制轧辊受力规律研究 |
| 4.4 热轧异步轧制轧件厚度方向变形规律研究 |
| 4.4.1 轧件厚度方向等效应变研究 |
| 4.4.2 轧件厚度方向剪切应变研究 |
| 4.5 热轧异步轧制轧件翘曲规律研究 |
| 4.5.1 轧件翘曲的表征方法 |
| 4.5.2 不同压下率下异速比对轧件翘曲的影响规律 |
| 4.5.3 不同下辊偏移量下异速比对轧件翘曲的影响规律 |
| 4.5.4 不同异速比下压下率对轧件翘曲的影响规律 |
| 4.5.5 不同压下率下下辊偏移量对轧件翘曲的影响规律 |
| 4.6 本章小结 |
| 第5章 组合式冷却系统控制功能研究 |
| 5.1 组合式控制冷却过程数学模型研究 |
| 5.1.1 组合式控制冷却过程中轧件温度场模型的建立 |
| 5.1.2 组合式冷却过程中换热系数模型的建立 |
| 5.2 超快冷系统压力与集管流量综合控制策略研究 |
| 5.2.1 超快速冷却系统压力与集管流量控制原理 |
| 5.2.2 超快冷系统压力与集管流量综合控制策略 |
| 5.3 超快冷系统压力控制算法研究 |
| 5.3.1 超快冷系统压力前馈控制算法研究 |
| 5.3.2 超快冷系统压力反馈控制算法研究 |
| 5.4 超快冷集管流量控制算法研究 |
| 5.4.1 超快冷集管流量前馈控制算法研究 |
| 5.4.2 超快冷集管流量反馈控制算法研究 |
| 5.5 本章小结 |
| 第6章 多功能热轧实验机组现场应用 |
| 6.1 多功能热轧实验机组计算机控制系统的应用效果 |
| 6.1.1 计算机控制系统配置和结构 |
| 6.1.2 厚度控制系统控制效果 |
| 6.1.3 实验过程跟踪系统控制效果 |
| 6.2 轧辊热油加热系统控制效果 |
| 6.3 热轧异步轧制系统控制效果 |
| 6.4 组合式控制冷却系统控制效果 |
| 6.4.1 组合式控制冷却系统冷却能力 |
| 6.4.2 超快冷系统压力和集管流量综合控制效果 |
| 6.4.3 超快冷系统压力控制效果 |
| 6.4.4 超快冷集管流量控制效果 |
| 6.4.5 轧后冷却温度控制效果 |
| 6.5 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间完成的工作 |
| 致谢 |
| 作者简介 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 背景和意义 |
| 1.2 工业大数据挖掘技术 |
| 1.3 高精度组织性能预测模型 |
| 1.3.1 基于物理冶金学原理的组织性能预测模型 |
| 1.3.2 基于人工智能理论的组织性能预测模型 |
| 1.3.3 组织性能预测系统的开发及应用 |
| 1.4 智能化热轧工艺优化设计理论 |
| 1.5 基于工业大数据的组织性能预测与优化技术存在的问题 |
| 1.6 本文研究的主要内容 |
| 第2章 工业大数据挖掘技术开发 |
| 2.1 数据采集及整理 |
| 2.1.1 数据采集 |
| 2.1.2 化学成分、工艺参数和力学性能数据关联 |
| 2.2 工业数据在建模中存在的问题 |
| 2.2.1 数据冗余问题 |
| 2.2.2 异常值问题 |
| 2.2.3 数据分布均衡性问题 |
| 2.2.4 建模过拟合问题 |
| 2.3 工业大数据挖掘方法 |
| 2.3.1 凝聚分层聚类 |
| 2.3.2 异常值的剔除 |
| 2.3.3 数据分布均衡化 |
| 2.3.4 贝叶斯正则化神经网络 |
| 2.4 化学成分-工艺参数-力学性能对应关系模型 |
| 2.4.1 数据处理 |
| 2.4.2 模型建立 |
| 2.4.3 分析与讨论 |
| 2.5 小结 |
| 第3章 基于人工智能理论的力学性能预测 |
| 3.1 数据驱动模型 |
| 3.1.1 逐步线性回归 |
| 3.1.2 随机森林回归 |
| 3.2 基于Q345B钢力学性能高精度预测模型 |
| 3.2.1 数据选择 |
| 3.2.2 力学性能预测模型 |
| 3.2.3 分析与讨论 |
| 3.3 小结 |
| 第4章 智能化热轧工艺优化设计研究 |
| 4.1 高效ε-ODICSA算法研究 |
| 4.1.1 多目标优化算法基本概念 |
| 4.1.2 ε-ODICSA算法相关概念 |
| 4.1.3 ε-ODICSA算法流程 |
| 4.1.4 ε-ODICSA算法性能评价 |
| 4.2 智能化热轧工艺优化设计 |
| 4.3 小结 |
| 第5章 基于大数据的智能化热轧工艺优化设计系统开发 |
| 5.1 系统介绍 |
| 5.2 智能化热轧工艺优化设计系统工业应用 |
| 5.2.1 力学性能高精度在线预测 |
| 5.2.2 HP295钢性能稳定性控制 |
| 5.3 小结 |
| 第6章 大数据驱动的物理冶金学模型研究 |
| 6.1 物理冶金学模型描述 |
| 6.1.1 温度场模型 |
| 6.1.2 轧制应变和应变速率模型 |
| 6.1.3 奥氏体晶粒长大模型 |
| 6.1.4 奥氏体再结晶模型 |
| 6.1.5 相变模型 |
| 6.1.6 析出模型 |
| 6.1.7 组织性能对应关系模型 |
| 6.2 大数据驱动的物理冶金学模型 |
| 6.2.1 遗传算法简介 |
| 6.2.2 遗传算法优化物理冶金学模型参数 |
| 6.2.3 基于大数据的并行计算 |
| 6.3 模型预测结果讨论 |
| 6.3.1 实验材料及工艺 |
| 6.3.2 温度场模型预测结果 |
| 6.3.3 再结晶模型预测结果 |
| 6.3.4 相变模型预测结果 |
| 6.3.5 力学性能模型预测结果 |
| 6.4 小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间取得的主要成果 |
| 一、攻读博士学位期间发表的学术论文 |
| 二、专利 |
| 三、参与项目 |
| 四、获得的荣誉 |
| 致谢 |
| 作者简介 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 轧后超快速冷却技术的发展 |
| 1.3 温控形变耦合控制技术的发展 |
| 1.4 冷却温度控制模型的发展 |
| 1.4.1 温度场模型概述 |
| 1.4.2 自学习模型概述 |
| 1.5 本文研究的主要内容 |
| 第2章 温控形变基础模型的研究 |
| 2.1 轧制变形有限元基本理论 |
| 2.2 温度场有限元基本理论 |
| 2.3 热力耦合有限元模型的分析 |
| 2.3.1 轧制变形参数 |
| 2.3.2 冷却换热参数 |
| 2.3.3 冷却渗透度的定义 |
| 2.4 温控形变下金属不均匀变形机理模型的建立 |
| 2.5 本章小结 |
| 第3章 温控形变过程中冷却参数对金属变形的影响 |
| 3.1 冷却强度对金属变形的影响 |
| 3.1.1 轧件厚向温度场分析 |
| 3.1.2 轧件内部金属横向流动分析 |
| 3.1.3 轧件内部金属塑性变形分析 |
| 3.2 水冷时间对金属变形的影响 |
| 3.2.1 轧件厚向温度场分析 |
| 3.2.2 轧件内部金属横向流动分析 |
| 3.2.3 轧件内部金属塑性变形分析 |
| 3.3 空冷时间对金属变形的影响 |
| 3.3.1 轧件厚向温度场分析 |
| 3.3.2 轧件内部金属横向流动分析 |
| 3.3.3 轧件内部金属塑性变形分析 |
| 3.4 相同温差不同温度梯度条件对金属变形的影响 |
| 3.4.1 轧件厚向温度场分析 |
| 3.4.2 轧件内部金属横向流动分析 |
| 3.4.3 轧件内部金属塑性变形分析 |
| 3.5 本章小结 |
| 第4章 温控形变过程中轧制参数对金属变形的影响 |
| 4.1 轧制温度对金属变形的影响 |
| 4.1.1 轧件厚向温度场分析 |
| 4.1.2 轧件内部金属横向流动分析 |
| 4.1.3 轧件内部金属塑性变形分析 |
| 4.2 轧制厚度对金属变形的影响 |
| 4.2.1 轧件厚向温度场分析 |
| 4.2.2 轧件内部金属横向流动分析 |
| 4.2.3 轧件内部金属塑性变形分析 |
| 4.3 压下率和温度梯度对金属变形作用的等效关系 |
| 4.3.1 轧件厚向温度场分析 |
| 4.3.2 轧件内部金属横向流动分析 |
| 4.3.3 轧件内部金属塑性变形分析 |
| 4.4 本章小结 |
| 第5章 温控形变耦合工艺的实验研究 |
| 5.1 实验装置开发 |
| 5.2 冷却温控能力的测定 |
| 5.2.1 实验材料与方法 |
| 5.2.2 实验结果和分析 |
| 5.3 单道次常规工艺与温控形变工艺对比 |
| 5.3.1 实验材料与方法 |
| 5.3.2 实验结果和分析 |
| 5.4 同温差不同温度梯度轧制工艺的对比 |
| 5.4.1 实验材料与方法 |
| 5.4.2 实验结果分析 |
| 5.5 多道次不同轧制阶段温控形变工艺的对比 |
| 5.5.1 实验材料与方法 |
| 5.5.2 实验结果和分析 |
| 5.6 本章小结 |
| 第6章 快速高精度控冷模型的研发 |
| 6.1 1.5D温度场模型的建立 |
| 6.1.1 区域变网格划分 |
| 6.1.2 复合边界条件 |
| 6.1.3 模型性能测评 |
| 6.2 VSG自学习模型的建立 |
| 6.2.1 多维空间坐标系建立 |
| 6.2.2 变步长坐标维度划分 |
| 6.2.3 网格聚类化方法 |
| 6.2.4 目标系数的预测 |
| 6.2.5 模型性能测评 |
| 6.3 IA智能控制策略的研究 |
| 6.3.1 IA技术的运用 |
| 6.3.2 IA冷却控制策略研究 |
| 6.4 本章小结 |
| 第7章 中厚板在线控冷系统及温控形变工艺的工业应用 |
| 7.1 基于超快冷的在线冷却装备介绍 |
| 7.1.1 轧后冷却控制装备 |
| 7.1.2 轧制过程中冷却控制装备 |
| 7.2 冷却控制系统优化 |
| 7.2.1 自动化控制系统架构 |
| 7.2.2 温度控制精度 |
| 7.3 智能化冷却控制策略 |
| 7.3.1 IA智能控制策略在轧后超快速冷却中的应用 |
| 7.3.2 温控形变耦合工艺控制策略的建立 |
| 7.4 轧制节奏的高效控制 |
| 7.5 应用轧后超快冷生产的系列产品 |
| 7.5.1 低成本建筑钢的应用 |
| 7.5.2 管线钢的应用 |
| 7.6 温控形变耦合工艺的工业化试验 |
| 7.7 本章小结 |
| 第8章 结论 |
| 参考文献 |
| 致谢 |
| 攻读博士期间完成的工作 |
| 作者简介 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 热轧负荷分配调度及其研究现状 |
| 1.2.1 热轧生产控制的发展现状 |
| 1.2.2 板坯热轧负荷分配与优化 |
| 1.2.3 热轧生产调度与优化 |
| 1.3 电力需求响应及其对负荷调度的影响 |
| 1.3.1 电力需求响应研究 |
| 1.3.2 电力需求响应对负荷调度的影响 |
| 1.4 论文的选题依据和研究内容 |
| 1.4.1 本文的选题依据 |
| 1.4.2 本文的研究内容 |
| 第2章 板坯热轧过程机理及负荷参数化分析 |
| 2.1 引言 |
| 2.2 板坯热轧过程机理 |
| 2.2.1 轧制形变及工艺参数 |
| 2.2.2 轧制力模型 |
| 2.2.3 轧制过程的温度模型 |
| 2.3 热轧过程负荷数值模型 |
| 2.3.1 负荷数值模型推导 |
| 2.3.2 基于Matlab/Simulink的道次负荷模型构建 |
| 2.4 热轧过程负荷的参数化分析 |
| 2.5 本章小结 |
| 第3章 板坯热轧负荷分配与轧制能耗优化 |
| 3.1 引言 |
| 3.2 基于压下率控制的负荷分配模型与能耗预测 |
| 3.3 基于改进PSO的最小能耗轧制规程优化设计 |
| 3.3.1 问题建模 |
| 3.3.2 PSO基本原理 |
| 3.3.3 粒子群算法设计及其改进 |
| 3.3.4 实验及结果分析 |
| 3.4 基于板坯与合同优化匹配的轧制能耗优化 |
| 3.5 本章小结 |
| 第4章 热轧生产控制与需求响应负荷调度 |
| 4.1 引言 |
| 4.2 热轧生产控制与负荷调度分析 |
| 4.2.1 热轧批量计划编制与作业调度 |
| 4.2.2 价格型需求响应与间歇过程生产负荷调度的关联 |
| 4.3 热轧批量计划与负荷调度两阶段优化模型 |
| 4.4 两阶段优化求解算法 |
| 4.4.1 第1阶段：热轧批量计划编制 |
| 4.4.2 第2阶段：分时电价下负荷转移重调度 |
| 4.5 实验结果及分析 |
| 4.5.1 实验结果及分析 |
| 4.5.2 算法性能分析 |
| 4.6 本章小结 |
| 第5章 基于价格响应的热轧负荷最优调度 |
| 5.1 引言 |
| 5.2 分时电价下热轧负荷最优调度模型 |
| 5.3 基于多目标遗传算法的模型求解 |
| 5.3.1 NSGA-II多目标遗传算法原理 |
| 5.3.2 算法设计 |
| 5.3.3 TOPSIS多属性决策方法 |
| 5.4 实验与结果分析 |
| 5.4.1 实验结果与算法性能 |
| 5.4.2 调度结果分析 |
| 5.5 本章小结 |
| 第6章 基于价格响应的多机并行间歇负荷调度 |
| 6.1 引言 |
| 6.2 多机并行间歇批量调度问题 |
| 6.3 分时电价下多机并行间歇负荷调度模型 |
| 6.3.1 符号定义 |
| 6.3.2 目标函数定义 |
| 6.3.3 生产约束定义 |
| 6.3.4 约束的线性化处理 |
| 6.4 实例研究 |
| 6.4.1 实例数据和参数设定 |
| 6.4.2 实验结果与分析 |
| 6.5 问题的进一步探讨 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间完成的主要工作 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 中厚板生产综述 |
| 1.2 中厚板生产的自动化控制系统 |
| 1.2.1 基础自动化级 |
| 1.2.2 过程控制级 |
| 1.2.3 生产控制级 |
| 1.3 智能优化控制的发展与综述 |
| 1.4 论文背景与意义及主要工作内容 |
| 1.4.1 论文背景意义 |
| 1.4.2 主要工作内容 |
| 第2章 多智能体系统的基础理论 |
| 2.1 智能体的定义和特征 |
| 2.2 智能体的结构 |
| 2.3 多智能体系统 |
| 2.3.1 多智能体系统的结构 |
| 2.3.2 多智能体系统的协作 |
| 2.3.3 多智能体系统的通信 |
| 2.3.4 多智能体系统的学习 |
| 2.4 本章小结 |
| 第3章 基于多智能体轧制模型结构设计 |
| 3.1 多智能体系统结构总体设计思路 |
| 3.1.1 多智能体的划分机制 |
| 3.1.2 多智能体的协作机制 |
| 3.2 管理协作层智能体 |
| 3.3 业务层智能体 |
| 3.3.1 轧制力智能体 |
| 3.3.2 模型自学习智能体 |
| 3.3.3 规程智能体 |
| 3.5 本章小结 |
| 第4章 多智能体轧制工艺模型优化 |
| 4.1 智能体之间的协调协作 |
| 4.1.1 协作功能模块 |
| 4.1.2 模糊推理系统 |
| 4.1.3 换规格 |
| 4.2 规程智能体 |
| 4.2.1 轧制规程数据库 |
| 4.2.2 数据库知识发现技术 |
| 4.3 人工神经网络 |
| 4.3.1 神经网络的分类 |
| 4.3.2 神经网络的学习方法 |
| 4.3.3 神经网络的学习规则 |
| 4.3.4 BP神经网络隐层神经元数目的确定方法 |
| 4.4 轧制力智能体 |
| 4.4.1 轧制力神经网络的建立 |
| 4.4.2 神经网络的输入输出量确定 |
| 4.4.3 隐层神经元数目确定 |
| 4.4.4 学习速率和动量因子的确定 |
| 4.4.5 神经网络权值的确定 |
| 4.5 本章小结 |
| 第5章 多智能体协作与轧制力预测的软件实现 |
| 5.1 软件开发工具 |
| 5.2 数据存取与信息交换 |
| 5.2.1 数据的存取 |
| 5.2.2 信息交换模块 |
| 5.3 设计思路 |
| 5.4 系统界面介绍 |
| 5.5 轧制力智能体实现 |
| 5.5.1 轧制力智能体 |
| 5.5.2 运行结果分析 |
| 5.6 管理协作智能体实现 |
| 5.6.1 软件的结构设计 |
| 5.6.2 运行结果分析 |
| 5.7 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 现代化中厚板厂的各级自动化系统介绍 |
| 1.2.1 生产管理级 |
| 1.2.2 生产控制级 |
| 1.2.3 过程控制级 |
| 1.2.4 设备控制级 |
| 1.3 中厚板轧机二级控制系统的主要功能 |
| 1.3.1 系统通信功能 |
| 1.3.2 数据处理功能 |
| 1.3.3 轧件跟踪功能 |
| 1.3.4 轧制规程计算功能 |
| 1.3.5 道次修正功能 |
| 1.3.6 模型自学习功能 |
| 1.3.7 轧制节奏控制功能 |
| 1.4 西门子中厚板轧机二级控制系统介绍 |
| 1.4.1 生产线介绍 |
| 1.4.2 轧机二级在过程控制系统中的作用 |
| 1.4.3 轧机二级服务器的软/硬件配置 |
| 1.4.4 轧机二级控制系统平台 |
| 1.4.5 轧机二级系统结构 |
| 1.4.6 西门子轧机二级系统特点 |
| 1.5 国内中厚板轧机二级控制系统介绍 |
| 1.6 本文的主要研究内容 |
| 第2章 中厚板轧机二级系统架构设计及开发平台选型 |
| 2.1 中厚板轧机二级系统需求分析 |
| 2.1.1 系统的稳定性及工艺功能需求分析 |
| 2.1.2 系统功能的可伸缩性需求分析 |
| 2.1.4 系统的可发展性需求分析 |
| 2.2 中厚板轧机二级系统架构设计 |
| 2.2.1 系统架构设计思想 |
| 2.2.2 系统架构实现 |
| 2.3 中厚板轧机二级系统开发平台选型 |
| 2.3.1 中间件ACE的技术调查 |
| 2.3.2 数据库Oracle 10g的技术调查 |
| 2.3.3 数据开发软件PL/SQL Developer的技术调查 |
| 2.4 中厚板轧机二级系统开发环境配置 |
| 2.4.1 中间件ACE的环境配置方法 |
| 2.4.2 数据库访问方法OO4O环境配置方法 |
| 2.5 本章小结 |
| 第3章 中厚板轧机二级系统通信功能的设计与实现 |
| 3.1 中厚板轧机二级系统与外部服务器的通信 |
| 3.1.1 与外部服务器通信的报文格式规范 |
| 3.1.2 与各外部服务器之间通信的报文设计 |
| 3.1.3 基于ACE的网络通信的实现 |
| 3.2 中厚板轧机二级系统进程间的通信 |
| 3.2.1 ACE共享内存管理方法 |
| 3.2.2 中厚板轧机二级系统进程间的数据流分析 |
| 3.2.3 中厚板轧机二级系统进程间通信的实现 |
| 3.3 中厚板轧机二级系统与数据库的通信 |
| 3.3.1 常见的几种数据库访问方法 |
| 3.3.2 OO4O访问Oracle 10g数据库的程序实现 |
| 3.4 本章小结 |
| 第4章 中厚板轧机二级系统轧制规程计算功能的设计与实现 |
| 4.1 precalc进程设计 |
| 4.1.1 触发机制设计 |
| 4.1.2 程序框架设计 |
| 4.2 轧制规程计算采用的主要数学模型 |
| 4.2.1 轧制力模型 |
| 4.2.2 钢板温度模型 |
| 4.2.3 轧机弹跳模型 |
| 4.2.4 宽展模型 |
| 4.2.5 板凸度模型 |
| 4.3 轧制规程计算流程 |
| 4.3.1 轧制策略制定 |
| 4.3.2 阶段划分 |
| 4.3.3 阶段规程计算 |
| 4.4 末道次轧制力锁定法在轧制规程计算中的应用 |
| 4.4.1 基本原理 |
| 4.4.2 在线计算流程 |
| 4.4.3 实际应用效果 |
| 4.5 本章小结 |
| 第5章 中厚板轧机二级系统模型自学习与道次修正功能的设计与实现 |
| 5.1 测量值处理进程的设计与实现 |
| 5.1.1 测量值收集 |
| 5.1.2 测量值处理 |
| 5.2 模型自学习进程的设计与实现 |
| 5.2.1 零点修正 |
| 5.2.2 钢板温度修正 |
| 5.2.3 轧制力长期自学习 |
| 5.3 道次修正进程的设计与实现 |
| 5.3.1 触发机制设计 |
| 5.3.2 道次修正的基本原理 |
| 5.3.3 道次修正模型的实际应用效果 |
| 5.4 本章小结 |
| 第6章 中厚板轧机二级系统其它功能的设计与实现 |
| 6.1 跟踪进程的设计与实现 |
| 6.1.1 进程设计 |
| 6.1.2 功能实现 |
| 6.2 轧制节奏控制进程的设计与实现 |
| 6.2.1 非待温模式下的轧制节奏控制 |
| 6.2.2 待温模式下的轧制节奏控制 |
| 6.3 设定值发送进程的设计与实现 |
| 6.4 轧机二级系统监控软件开发 |
| 6.4.1 系统进程监控功能的实现 |
| 6.4.2 数据库操作功能的实现 |
| 6.5 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间完成的工作 |
| 致谢 |
| 作者简介 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 中厚板轧机的发展趋势 |
| 1.3 中厚板轧机控制技术的发展 |
| 1.3.1 中厚板生产计算机控制技术的发展 |
| 1.3.2 轧机过程设定模型 |
| 1.3.3 厚度控制模型 |
| 1.3.4 产品性能控制 |
| 1.4 轧制模型的最近研究进展 |
| 1.4.1 四辊轧机控制模型研究现状 |
| 1.4.2 中厚板轧制过程控制模型的发展 |
| 1.5 本文的主要研究内容 |
| 第2章 天钢中厚板过程控制系统模型分析 |
| 2.1 工艺流程说明 |
| 2.2 轧线主要设备及检测仪表 |
| 2.2.1 粗轧机 |
| 2.2.2 精轧机 |
| 2.2.3 矫直机系统 |
| 2.2.4 控制冷却系统基本参数 |
| 2.3 轧制策略 |
| 2.3.1 过程设定系统组成 |
| 2.3.2 国内外中厚板压下规程的应用 |
| 2.3.3 双机架多阶段压下规程分配方法 |
| 2.4 本章小结 |
| 第3章 天钢中厚板轧制模型的研究 |
| 3.1 粗轧阶段 |
| 3.1.1 展宽阶段 |
| 3.1.2 粗轧展宽后的延伸轧制阶段 |
| 3.2 精轧阶段 |
| 3.2.1 轧制策略 |
| 3.2.2 参数计算方法 |
| 3.3 轧件的热膨胀模型 |
| 3.4 高压水除鳞 |
| 3.5 自然宽度延展-WS |
| 3.6 轧件的速度 |
| 3.6.1 运行速度 |
| 3.6.2 咬入速度 |
| 3.6.3 轧制速度 |
| 3.6.4 出速度 |
| 3.7 温度和轧制力模型 |
| 3.7.1 温度模型 |
| 3.7.2 轧制力模型 |
| 3.8 本章小结 |
| 第4章 天钢中厚板过程控制系统模型优化 |
| 4.1 屈服强度 |
| 4.1.1 综述 |
| 4.1.2 精轧阶段 |
| 4.1.3 粗轧阶段 |
| 4.2 轧制力矩 |
| 4.3 轧辊速度-V_(ROLL) |
| 4.4 轧制功率 |
| 4.5 辊缝位置 |
| 4.5.1 辊缝基准值-S(精轧) |
| 4.5.2 轧制基准值-S(粗轧) |
| 4.5.3 咬入基准值—冲击补偿S_(th)(精轧) |
| 4.6 轧辊热凸度-S_θ(精轧) |
| 4.7 轧辊的磨损-Sw(精轧) |
| 4.8 轧辊的温度 |
| 4.9 模型的优化 |
| 4.9.1 粗轧机 |
| 4.9.2 精轧机 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景、目的和意义 |
| 1.2 中厚板生产的发展趋势 |
| 1.2.1 中厚板轧机发展 |
| 1.2.2 中厚板轧制过程控制技术的发展 |
| 1.3 本文的研究内容 |
| 第2章 过程控制中厚度精度的影响因素 |
| 2.1 轧制力模型 |
| 2.1.1 轧辊压扁半径模型 |
| 2.1.2 变形抗力模型 |
| 2.1.3 应力状态影响系数模型 |
| 2.2 辊缝设定模型 |
| 2.2.1 弹跳的影响 |
| 2.2.2 轧辊磨损 |
| 2.2.3 轧辊的不均匀热膨胀 |
| 2.2.4 轧辊挠曲 |
| 2.2.5 油膜厚度 |
| 2.2.6 相对零点的确定 |
| 2.3 本章小结 |
| 第3章 轧制力与辊缝设定模型的改进 |
| 3.1 轧制力模型 |
| 3.1.1 变形抗力模型 |
| 3.1.2 应力状态影响系数 |
| 3.2 辊缝设定模型 |
| 3.2.1 轧件的热膨胀影响 |
| 3.2.2 轧件的弹性回复 |
| 3.3 本章小结 |
| 第4章 模型的自学习 |
| 4.1 数据处理方法 |
| 4.1.1 指数平滑法 |
| 4.1.2 低通滤波 |
| 4.2 轧制力模型的在线修正机制 |
| 4.2.1 传统轧制力自学习 |
| 4.2.2 改进的轧制力自学习自适应 |
| 4.3 辊缝模型的自学习 |
| 4.4 本章小结 |
| 第5章 轧制过程控制系统的开发及应用 |
| 5.1 轧制过程控制系统组成 |
| 5.1.1 轧制过程系统的总体结构 |
| 5.1.2 轧制过程系统的硬件组成 |
| 5.1.3 轧制过程系统的软件组成 |
| 5.2 过程控制系统的功能 |
| 5.2.1 数据采集与处理功能 |
| 5.2.2 预计算功能 |
| 5.2.3 轧前预计算修正功能 |
| 5.2.4 道次修正计算功能 |
| 5.2.5 后计算功能 |
| 5.2.6 过程跟踪功能 |
| 5.3 轧制过程控制系统的数据流图 |
| 5.4 现场应用 |
| 5.5 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 硕士期间完成的论文 |
| 致谢 |
