韩斌
,
彭良贵
,
王国栋
,
刘相华
,
焦景民
,
佘广夫
,
张中平
钢铁
利用现场的数据,采用BP神经元网络预报热连轧层流水冷区集管组内的基本热流密度,将预报的结果用于上、下集管组的热流密度的数学模型计算,进而优化层冷集管组的水冷温降计算数学模型的精度.将结果与采用多元回归方法所得到的结果作比较,表明采用BP神经元网络计算基本热流密度的精度要高于多元回归方法的计算精度,卷取温度的计算值与实测值的标准差比解析回归方法减少了近20 %,说明该方法具有良好的在线应用前景.
关键词:
层流冷却
,
卷取温度
,
基本热流密度
,
数学模型
,
多元回归
,
BP神经网络
彭良贵
,
佘广夫
,
李国强
,
刘相华
,
王国栋
钢铁
从基础自动化、系统服务、过程自动化3个方面介绍了攀钢热轧带钢厂层流冷却计算机控制系统的设计,着重介绍了过程自动化中的样本微跟踪和一种改进的层冷热流密度参数回归求解方法以及系统模型调优.实际运行结果表明,国内自主开发的热轧带钢层流冷却计算机控制系统完全达到并超过了设计要求,具有较高的卷取温度控制精度.
关键词:
热轧带钢
,
层流冷却
,
计算机控制系统
,
系统应用
陈树宗
,
张殿华
,
刘印忠
,
李旭
,
彭良贵
中国冶金
简要介绍了唐钢1 800 mm 5机架冷连轧机组的工艺参数、仪表配置及过程控制模型设定系统.从轧制过程在线数学模型、基于成本函数的多目标优化负荷分配和模型自适应3个方面对该冷连轧过程控制模型设定系统进行了深入分析研究.现场应用表明,该L2过程控制系统运行稳定,模型设定系统制定的轧制规程合理、模型设定计算具有非常高的精度,满足在线控制的要求.
关键词:
冷连轧
,
数学模型
,
过程控制
,
模型自适应
,
负荷分配
刘相华
,
佘广夫
,
焦景民
,
张中平
,
彭良贵
,
王国栋
钢铁
介绍了一种国外新近开发成功的板带钢超快速冷却装置(UFC),该装置用带有压力的水从密布的小孔中喷向轧件表面,用于热轧带钢其冷却速度可达300 C/s以上,其实现超快速冷却的机理主要是能够大面积的击破冷却水与轧件间的汽膜.介绍了UFC在生产线上布置的几种方式和典型应用例.对应用UFC开发超级钢、IF钢铁素体区热轧,双相钢、TRIR钢等高附加值产品作了介绍.
关键词:
超快速冷却
,
控轧控冷
,
板带钢
,
钢种开发
谢海波
,
彭良贵
,
韩斌
,
张中平
,
刘相华
材料与冶金学报
doi:10.3969/j.issn.1671-6620.2004.04.015
分析了热轧带钢层流冷却过程中的传热,结合现场实际工艺状况,对层流冷却控制下的空冷和水冷模型中的参数进行了回归处理.实践证明这种参数回归方法能满足现场需要,实现参数化调优,取得了良好的控制效果.
关键词:
热轧
,
带钢
,
层流冷却
,
模型
,
参数化调优
彭良贵
,
刘恩洋
,
张殿华
,
杨贵玲
,
郭宏伟
,
王丰祥
钢铁
采用案例推理技术研究了热轧带钢层流冷却数学模型中的长期自学习系数的确定方法。基于现场大量生产数据,从如何有效利用经验知识入手,对层流冷却工况和所采用的自学习系数进行案例构造,采用绝对过滤和相对过滤方法进行案例检索,根据当前工况和历史案例工况的相似度决定是否进行自学习系数的重用或修正。现场实际应用表明:对已轧过的钢种规格带钢,该方法能有效地避免再次轧制时带钢头部过冷现象,能显著提高带钢头部卷取温度的设定精度,能有效地提高换规格轧制时带钢头部卷取温度的控制精度。
关键词:
案例推理
,
自学习
,
层流冷却
,
热轧带钢
彭良贵
,
龚殿尧
,
张殿华
,
徐芳
,
张敏
,
秦红波
中国冶金
doi:10.13228/j.boyuan.issn1006-9356.20160117
以面向对象的视角审视热轧带钢轧后冷却过程涉及的轧件、辊道、集管、冷却介质与仪表5要素,对轧件在辊道的传热过程、冷却水量和温度的控制过程进行分析、分解并抽象成类.利用面向对象的方法对卷取温度控制(coiling trmperature control,简称CTC)模型的体系结构进行设计,结合模型的触发逻辑进行对象设计,利用C++语言开发面向对象的卷取温度模型.基于有限差分计算方法的模型设定时间满足在线快速计算的要求,模型具有良好的可移植性和可扩展性.现场应用表明,冷却控制系统运行稳定,模型设定准确,卷取温度控制效果良好.
关键词:
卷取温度
,
面向对象技术
,
程序设计
,
模型开发
彭良贵
,
刘相华
,
王国栋
钢铁研究学报
阐述了热轧带钢层流冷却常用的7个控制策略,即前馈控制、反馈控制、自适应控制、带钢头尾冷却控制、带钢边部冷却控制和对带钢厚度的适应性冷却控制以及对升速轧制的适应性冷却控制的内容及其发展,同时还简单地介绍了这些控制策略在国内某些热轧板厂的实际应用情况.
关键词:
热轧带钢
,
层流冷却
,
控制策略