轧制过程板形预测控制的研究

发布时间：2017-09-15 23:21

  本文关键词：轧制过程板形预测控制的研究

  更多相关文章： 板凸度 板形预测控制 ANSYS/LS-DYNA BP神经网络 预测精度

【摘要】：轧制板带材广泛应用于国民经济各个领域，板带材的质量和需求在现代加工中的要求越来越高。为了更好的提高产品质量和提升产品价值，必须把追求良好的板形质量放到首要地位。因此，研究板形控制是一项很有意义的课题。 本文以四辊冷轧机为研究对象，以实现板凸度在线预报为目的，进一步研究了板凸度的影响因素，建立了准确预报板凸度参数的模型。主要工作内容如下： （1）利用ANSYS/LS-DYNA建立了四辊冷轧机的有限元轧制模型，仿真分析带钢轧制过程板形的变化，对有限元模型进行求解和分析，主要包括板带轧制整体模拟结果的分析、板带材模拟结果的分析、轧辊模拟结果的分析三方面。在有限元仿真的基础上，重点研究工作辊弯辊力、支撑辊弯辊力、工作辊直径、支撑辊直径、工作辊凸度、支撑辊凸度、工作辊窜辊量、支撑辊窜辊量以及板带宽度对板凸度的影响，并利用MATLAB分析了板凸度的变化规律。 （2）通过引入BP神经网络建立板形预测模型来提高板凸度参数的预报精度。基于人工神经网络的概念、学习算法、在板形控制中的应用情况，详细介绍了BP神经网络模型的构建过程，包括输入输出参数的选择，神经网络模型结构的确定。 （3）根据有限元分析与BP神经网络模型，建立有限元与BP神经网络结合的总体板形预测模型。利用有限元仿真分析得到的结果作为训练样本及测试样本对BP神经网络进行训练和检验，比较有限元与BP神经网络结合的板形预测模型和传统的板形预测模型的预报精度。结果证明：有限元与BP神经网络结合的板形预测模型的预报精度远远高于传统模型的预报精度。 （4）利用2800四辊冷轧机进行了工程验证，进一步研究工作辊弯辊力、支撑辊弯辊力、工作辊直径、支撑辊直径、工作辊凸度、支撑辊凸度、工作辊窜辊量、支撑辊窜辊量以及板带宽度对板凸度的影响，并把实际工程中得到的数据和有限元模型的计算值进行比较，通过对比分析，得出两者的变化规律是一致的，验证了有限元仿真模型的正确性。 综上所述，本文建立了基于有限元与BP神经网络相结合的板形预测模型，，分析了影响板凸度的关键因素，并预报了板凸度参数，期望对提高板形控制精度提供一定的理论基础。
【关键词】：板凸度 板形预测控制 ANSYS/LS-DYNA BP神经网络 预测精度
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG335
【目录】：

• 摘要5-6
• 英文摘要6-11
• 第1章 绪论11-22
• 1.1 课题来源11
• 1.2 课题研究的背景和意义11-13
• 1.3 板形的理论知识13-17
• 1.3.1 板形的定义13-14
• 1.3.2 板凸度的基本概念14
• 1.3.3 平直度的基本概念14-16
• 1.3.4 良好板形的几何条件16
• 1.3.5 影响板形的主要因素16-17
• 1.4 板形控制技术的发展概况17-19
• 1.5 课题研究的主要内容19-20
• 1.6 论文的整体结构20-21
• 1.7 本章小结21-22
• 第2章 板形控制有限元建模及分析22-48
• 2.1 非线性有限元软件概述22-26
• 2.1.1 非线性有限元软件简介22-23
• 2.1.2 ANSYS/LS-DYNA的基本概念23
• 2.1.3 ANSYS/LS-DYNA的功能特点23-25
• 2.1.4 ANSYS/LS-DYNA的应用领域25
• 2.1.5 ANSYS/LS-DYNA分析的基本流程25-26
• 2.2 板形控制有限元分析模型26-32
• 2.2.1 现场数据的采集与处理26-27
• 2.2.2 定义材料属性27-29
• 2.2.3 几何模型和网格划分29-30
• 2.2.4 定义接触30-31
• 2.2.5 定义边界条件及初始条件31-32
• 2.3 板带轧制有限元模型模拟结果分析32-36
• 2.3.1 有限元模型的求解32
• 2.3.2 板带轧制整体模拟结果分析32-34
• 2.3.3 板带材模拟结果分析34-35
• 2.3.4 轧辊模拟结果分析35-36
• 2.4 板凸度影响因素分析36-47
• 2.4.1 板带宽度对板凸度的影响36-38
• 2.4.2 工作辊直径对板凸度的影响38-39
• 2.4.3 支撑辊直径对板凸度的影响39-40
• 2.4.4 工作辊弯辊力对板凸度的影响40-41
• 2.4.5 支撑辊弯辊力对板凸度的影响41-42
• 2.4.6 工作辊凸度对板凸度的影响42-43
• 2.4.7 支撑辊凸度对板凸度的影响43-45
• 2.4.8 工作辊窜辊对板凸度的影响45-46
• 2.4.9 支撑辊窜辊对板凸度的影响46-47
• 2.5 本章小结47-48
• 第3章 基于 BP 神经网络的板形预测模型的建立48-60
• 3.1 神经网络技术的概述及应用48-51
• 3.1.1 神经网络技术的基本概念48-49
• 3.1.2 人工神经网络的模型49-50
• 3.1.3 神经网络的学习算法50
• 3.1.4 神经网络在板形预测控制中的应用研究50-51
• 3.2 基于 BP 神经网络的板形预测模型51-57
• 3.2.1 BP 神经网络的基本概念51-52
• 3.2.2 BP 神经网络的学习算法52-56
• 3.2.3 BP 神经网络的学习算法步骤56-57
• 3.3 基于 BP 神经网络的板形预测模型的设计57-59
• 3.3.1 输入输出变量的选择57
• 3.3.2 BP 神经网络模型的网络结构确认57-58
• 3.3.3 激活函数的选择58-59
• 3.3.4 BP 神经网络有关常数的确定59
• 3.4 本章小结59-60
• 第4章 有限元与 BP 网络结合的板形在线预报应用实例60-68
• 4.1 板形在线预报总体方案60
• 4.2 数据的处理60-62
• 4.3 BP 网络的训练与计算结果62-65
• 4.4 与传统计算方法的比较65-66
• 4.5 本章小结66-68
• 第5章 主要参数对板凸度影响的工程验证68-75
• 5.1 2800 四辊板带冷轧机简介68-69
• 5.2 工程验证所用材料参数69
• 5.3 工程验证方案与目的69
• 5.4 工程验证测试结果分析69-74
• 5.5 本章小结74-75
• 第6章 总结与展望75-77
• 6.1 总结75-76
• 6.2 展望76-77
• 致谢77-78
• 参考文献78-82
• 附录82

【参考文献】

中国期刊全文数据库 前10条

1 马超;张国强;赵德华;何天庆;商融;;弯辊对带钢板形影响的模拟研究[J];鞍钢技术;2009年05期

2 吴刚,孙一康;多变量模糊预测控制在板形板厚综合系统中的应用[J];北京科技大学学报;1999年04期

3 周晓敏,张清东,王长松,陈守群,何汝迎,许健勇;基于BP神经网络的CVC冷连轧机板形预测控制模型[J];北京科技大学学报;2000年04期

4 G.J.Choi,B.K.Kim,J.C.Kim;Synthesis and Magnetic Properties of Nanoparticles of Fe-Co Alloys and Their Oxides Prepared by Chemical Vapor Condensation[J];Journal of Materials Science & Technology;2004年04期

5 彭艳;孙建亮;刘宏民;;基于板形板厚控制的轧机系统动态建模及仿真研究进展[J];燕山大学学报;2010年01期

6 魏立群,张杏耀,柳谋渊,徐耀寰,彭俊,何建锋;1420 HC轧机板形控制的研究[J];钢铁;2003年09期

7 赵红雁;森吉米尔轧机板形预测的神经网络方法[J];钢铁研究;2001年02期

8 李坤;;板形控制的发展及其应用[J];硅谷;2011年06期

9 杜凤山;薛涛;王超;于凤琴;孙静娜;;基于FEM-ANN的冷轧板带板凸度预报[J];钢铁;2013年08期

10 陈克新;;2011年我国钢材市场分析及新一年展望[J];船舶物资与市场;2011年05期

本文编号：859516