无人天车控制需要解决运行速度与防摇摆之间的矛盾,从而在保障安全运行下提升天车运行效率。本文提出了一种基于多运行状态下人工经验进行控制器参数切换的冶金无人天车防摇全程速度控制方法。该方法首先规划防摇摆前提下的大小车联动天车全程速度控制,然后根据不同运行状态下的人工天车操作经验切换控制器PID参数以优化天车防摇摆控制,总体形成对无人天车的前馈-反馈混合控制。仿真实验表明,相比人工操作常用的大小车联动控制,该控制方法整体运行时间大幅度缩短24.9%;现场实验显示,最大摇摆角度控制0.45°~0.85°以内,定位精度控制在10mm以内,相关指标在国内同类场景下处于领先地位。目前该方法在国内某钢厂已实现工程应用与成果验证。

炼钢-连铸区段天车调度是典型的多机多任务约束问题,对各工序间物流的衔接、顺行及整个炼钢厂生产节奏的调控有重要意义。为提高天车运行效率,保证生产的稳定性,通过对炼钢-连铸区段工艺流程和天车作业调度中的约束条件进行分析,建立了一种时空约束下启发式算法的天车调度模型。设计分区规则、任务分配规则、避碰规则和状态更新规则来表征天车运行过程,模型以启发式方法求解,该方法能较好避免传统理论方法在大规模问题求解中的高计算复杂度。以某炼钢厂钢水跨的生产数据进行检验,结果表明,该模型能给出合理的调度方案,能有效避免天车运行过程中时空冲突。与实际生产调度方法相比,启发式算法模型下天车的各项性能均有所提高,天车的运行效率得到了提升,模型对实际生产有一定的指导意义。

连退是生产高附加值冷轧产品的关键工序,在不同的连退产线上合理地分配产品并确定最佳加工顺序不仅关系到生产效率和产品质量,对保障产品准时交付也至关重要。针对并行连退产线排程问题,将工艺规程和生产组织要求定量描述为约束条件,建立以产品准时交付为目标的混合整数规划模型。为实现工业规模算例的快速高效求解,提出了改进的禁忌搜索算法,通过引入多种邻域结构并动态切换邻域以平衡搜索过程中的深度和广度。在小规模算例测试中,所提出的算法获得解与最优解的平均偏差为5.46%;在大规模算例测试中,所提出的算法获得的解比人工经验启发式解平均改进了24.95%。基于4周实际数据的测试结果显示,与人工排程相比,合同准时交付率提升了11.2%,过渡材使用次数减少了9.8次。

为了实现更加精准地计算合金加入量,采用了基于遗传算法(genetic algorithm,GA)优化BP神经网络的综合算法。在BP神经网络训练过程中,将精炼开始钢水成分作为BP神经网络模型的输入参数,再利用GA算法的适应度函数对BP神经网络的权重和阈值进行优化和调整,预测LF的精炼终点钢液成分,通过对比BP神经网络算法和GA-BP神经网络算法的预测结果,发现GA-BP算法的平均绝对误差(mean absolute error, MAE)和均方误差((mean square error,MSE)更小,预测结果更准确且与实际钢液成分基本相符,表明此模型可用于生产。基于该GA-BP神经网络模型,根据LF精炼开始钢水成分和控制成分要求,确定合金加入量。通过在某钢厂140t钢包LF精炼系统部署预测模型并跟踪188炉数据,合金的实际加入量与模型预测加入量的差值在±30kg之内的炉次中,高锰合金的预测准确率为91.3%,高铬合金的预测准确率为90.4%,硅铁合金的预测准确率为90.2%,增碳剂的预测准确率为91%,可以指导实际精炼过程合金加入量的确定。

以某工厂1580mm热连轧生产线为实验依托,针对传统的厚度模型不能准确反映实际厚度的问题,提出了一种改进的随机配置网络( stochastic configuration network,SCN)的带钢厚度预测模型。首先,从轧制机理的角度出发,分析了热连轧带钢产品存在厚度波动的原因。然后,在原始的SCN基础上,提出了基于猎食优化算法的随机配置网络( stochastic configuration network based on hunting prey optimization algorithm,HPO-SCN) , 以及基于猎食优化算法和正交三角分解的随机配置网络( stochastic configuration network based on hunting prey optimization algorithm and orthogonal triangular decomposition,HPO-QR-SCN) 。 最后,利用现场测量装置,收集3种不同厚度规格带钢产品的参数,形成板带厚度数据库,筛选与出口厚度有关的参量作为模型的输入值,并采用Pauta法则对原始轧制数据进行预处理,建立了SCN、HPO-SCN以及HPO-QR-SCN预测模型,并对其预测结果进行比较。实验结果表明,所提出的HPO-QR-SCN厚度预测模型预测时间最短、精度最高,其模型决定系数达到0.9638。同时,基于预测效果最好的模型,测试了轧制力和辊缝对带钢出口厚度的影响,其结果符合实际物理规律;并测试了模型的渐近性,其均方根误差ERMS ( root mean square error,RMSE)为0.0598,近似性能良好。

钢板凸度作为评价中厚板板形质量的关键指标,是决定钢厂市场竞争力的重要因素之一。随着计算机技术的发展,智能化控制逐渐成为钢铁行业发展的核心着力点,但目前应用于预测中厚板凸度的人工智能方法在解释性等方面仍有待提高,难以有效指导生产工艺的优化,限制了其在实际生产中的效能。针对上述问题,提出了一种基于数据挖掘与多模型融合的中厚板凸度预测方法,首先对轧制过程数据进行降维投影,解决了轧制生产数据中存在的多源异构问题;其次采用“自助法(Bootstrap)冶改进“合成少数类过采样技术( syn- thetic minority oversampling technique,SMOTE) 冶对数据集进行扩充,削弱了数据不平衡性,处理了因数据不平衡导致的模型学习性能和精度较低等问题;进而提出以岭回归为主值,叠加神经网络模型预测偏差值的整合模型。与生产实测数据的对比结果表明,该模型预测均方误差(mean square error,MSE)为0.004mm2,预测绝对误差在100以内的比例超过95%。通过多模型融合,实现中厚板板凸度的高精度预测,通过推导凸度公式,得到各特征参数变化对中厚板凸度的定量影响程度,使得模型能够反映并有效指导实际生产,弥补了传统复杂神经网络解释性不足等问题,为中厚板凸度控制等领域的研究提供了新思路。

为提高高强板矫平工艺的参数预测精度,以提升生产效率和产品质量,引入粒子群优化算法( particle swarm optimization,PSO) ,对BP神经网络的权重和偏置进行优化,构建了PSO-BP模型。通过对550组实际生产数据的训练和测试,结果表明,PSO-BP模型在预测精度上显著优于传统方法。在优化过程中,结合 Leven- berg-Marquardt(LM)算法与PSO算法,通过迭代更新粒子的位置和速度,系统性地寻找最佳的网络权重和阈值。这一方法有效克服了BP神经网络易陷入局部最优解及收敛速度缓慢的问题。实验结果显示,PSO-BP模型在测试集上的均方根误差( root mean square error,RMSE)和误差率分别提高了0.075和5.5%,表明该模型具备优异的适应性和可靠性,对工业生产中的参数优化具有重要的实际意义。

随着工程机械制造行业的快速发展,钢板的热处理过程对板形要求越来越高。淬火过程是决定热处理板板形质量的关键环节,由于钢板在淬火过程中叠加了相变应力和热应力,淬火后的钢板容易产生板形缺陷,影响最终的成品板形质量,因此迫切需要一种能够识别钢板形状的方法,为钢板的淬火板形控制提供有意义的指导。为了解决形状识别问题,提出了一种基于注意力机制和轻量化的淬火过程形状识别神经网络。此外,对板形图像进行K-means处理,增强了缺陷表征的能力。将板形数据集用于模型性能测试,对比实验的结果表明,该轻量级网络模块比其他网络具有更高的识别精度均值和20~50ms的单次推理速度提升。

热轧自动厚度控制(automatic gauge control,AGC)系统中多采用压力AGC和监控AGC结合控制,在预设定偏差较大情况下,监控AGC由于调节快速性及自身滞后性特点,容易造成末机架辊缝调节幅度过大造成起浪现象。基于实际轧制工艺条件,弯辊控制、活套控制多因素下,提出一种基于多因素下的监控AGC控制方法。根据各机架相对压下率、弯辊力调节上下限、活套角度自适应区间、变监控比例调节范围以及监控AGC滞后偏差,构建精轧机组监控AGC控制方法。实际应用表明,该监控AGC控制策略取得了预期效果,带钢头部轧制快速性、稳定性增加,可以有效提高带钢整体厚度命中率。

为避免厚度控制系统中死区设置不当导致轧辊偏心主动补偿效果减弱问题,设计了轧辊偏心主动补偿下轧制力动态死区方法。针对传统板带厚差死区的板带厚度控制系统,通过深入的理论分析与数学推导,系统剖析主动轧辊偏心补偿情况下板带厚差死区对厚度精度的影响。设计了能够跟随轧辊偏心状态变化的轧制力动态死区,给出了其3种工况应用下的工作原理,并结合理论推导,验证了其与轧辊偏心主动补偿共用时可进一步降低轧辊偏心对板厚偏差的影响。基于生产数据辨识的偏心模型开展仿真实验,结果表明,在带有轧辊偏心主动补偿的厚度控制系统中,设计的轧制力动态死区比不采用死区和采用板带厚差动态死区这两种情况可获得更好的板厚精度。

针对物料无法在自重作用下从锥体料仓中流出,出现结拱、结皮、堵塞等情况,造成下料配比失衡,影响正常生产的实际问题,以保证工艺生产连续性为目的,研究基于优化模糊控制的有色金属冶炼配料仓监测防堵系统。从料仓结构优化角度,仓内增设旋转刮刀式防堵装置,同时考虑物料颗粒的运动特性辅以模拟仿真,进行优化验证;研究料流工况监测系统,提出采用激光扫描仪连续测量料流形成网格分析平面对象的方法,实时判断仓内物料堵塞程度,以便在堵塞初期进行防堵处理;引入优化模糊控制,制定料仓监测防堵策略,以提升系统实时性、快速性。

提出了一种基于轻质圆柱异形标靶的统一多台线激光相机坐标系与转轴坐标系的方法,旨在实现对异形工件的高精度尺寸测量。通过结合3台线激光相机采集数据和圆柱异形标靶的尺寸先验信息,建立了一系列以线激光相机姿态为变量的非线性方程组。通过应用RANSAC和非线性最小二乘算法来求解方程组,从而得到线激光相机的姿态,并进行了实际测量验证。研究结果表明,该方法的标定精度达到0.043mm,对于测量直径为760mm的火车轮的精度达到0.27mm,百分比精度达到了0.036%。这一标定方法为异形工件旋转测量领域提供了新的思路。