带钢厚度优化控制与轧制过程健康状态诊断方法研究
发布时间：2022-01-26 13:47
带钢厚度是热连轧机产品质量最主要的评价指标之一。随着汽车、家电、食品包装、建筑等行业对轧制产品质量要求的提高,轧制过程对带钢厚度控制性能的要求也随之提高。由于轧制工艺具有高度复杂性,实现板厚高精度控制仍然存在很大困难。本文以进一步改善出口板厚控制精度为目的,从带钢厚度优化控制和轧制过程健康状态诊断两个方面展开研究。本文主要内容如下:1.针对热连轧机厚度设定模型系统中,带钢厚度不能直接测量,且现有带钢厚度预测模型精度不高的问题,提出基于D-S信息重构的带钢厚度软测量预测方法（DSIRPM）。首先,根据ibaAnalyzer分析软件和图相关分析方法确定敏感轧制参数;然后,分别运用敏感轧制参数进行最小二乘多项式曲线拟合获得初始带钢厚度预测值;最后,利用灰色关联分析计算敏感轧制参数对带钢厚度贡献率,并将其作为D-S证据理论的基本概率分配函数对初始带钢厚度预测值进行融合,以获得带钢厚度最终预测结果。通过与单一最小二乘多项式曲线拟合模型、GM（1,1）模型和加权平均融合方法对比,结果表明DSIRPM具有较好的预测精度和稳定性。2.针对热连轧机监控厚度自动控制（AGC）系统具有时滞、参数时变等特性导...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：119 页
【学位级别】：博士
【部分图文】：
图１．４人工神经网络带钢厚度软测量结构图??Ｆｉｇ．?１．４?Ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ＡＮＮ?ｓｔｒｉｐ?ｔｈｉｃｋｎｅｓｓ?ｓｏｆｔ?ｍｅａｓｕｒｅｍｅｎｔ??
图２．２某厂热连乳机９机架精轧机组带钢轧制过程示意图??Ｆｉｇ．?２．２?Ｓｔｒｉｐ?ｒｏｌｌｉｎｇ?ｐｒｏｃｅｓｓ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｆｉｎｉｓｈｉｎｇ?ｍｉｌｌ?ｇｒｏｕｐ??
带钢厚度优化控制与轧制过程健康状态诊断方法研宄???表２．３测试样本预测性能对比??Ｔａｂ．?２．３?Ｔｈｅ?ｐｒｅｄｉｃｔｉｏｎ?ｐｅｒｆｏｒｍａｎｃｅｓ?ｆｒｏｍ?ｔｈｅ?ｔｅｓｔｉｎｇ?ｓａｍｐｌｅ?ｐｏｉｎｔｓ??预测模型?ＲＭＳＥ?ＳＤ??轧制力预测?０．０１３２３０?０．１２７４ｅ－３??电流预测?０．００９９１５?０．７７７?ｌｅ－４??辊缝预测?０．００９１８１?０．９３４７ｅ－４??ＧＭ（１，１）预测?０．００９３５９?０．１１０４ｅ－３??加权平均预测?０．００９４５４?０．１６６６ｅ－３??本章方法?０．００９４３２?０．７４０８ｅ－４??
【参考文献】：
期刊论文
[1]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[2]基于Teager能量算子和深度置信网络的滚动轴承故障诊断[J]. 陶洁,刘义伦,付卓,杨大炼,汤芳. 中南大学学报(自然科学版). 2017(01)
[3]Multivariate time delay analysis based local KPCA fault prognosis approach for nonlinear processes[J]. Yuan Xu,Ying Liu,Qunxiong Zhu. Chinese Journal of Chemical Engineering. 2016(10)
[4]基于FPGA的改进型PSO优化PID在冷轧带钢对中控制系统中的应用[J]. 赵新秋,贾林. 塑性工程学报. 2015(06)
[5]基于健康指数的设备运行状态评价与预测[J]. 张彦如,耿梦晓. 合肥工业大学学报(自然科学版). 2015(10)
[6]河南省旬降水量的标度不变性分析[J]. 王纪军,胡彩虹,潘攀,竹磊磊,李凤秀. 干旱区地理. 2015(05)
[7]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[8]A strip thickness prediction method of hot rolling based on DS information reconstruction[J]. 孙丽杰,邵诚,张利. Journal of Central South University. 2015(06)
[9]板带热连轧自动化系统的现状与展望[J]. 张殿华,彭文,丁敬国,龚殿尧,李旭,孙杰. 轧钢. 2015(02)
[10]采用Smith预估低通滤波补偿的AGC控制系统[J]. 董敏,董广山. 钢铁研究学报. 2015(03)
博士论文
[1]中厚板轧制过程软测量技术的研究与应用[D]. 丁敬国.东北大学 2009
[2]提高冷连轧带钢厚度精度的策略研究与应用[D]. 李旭.东北大学 2009
硕士论文
[1]基于粒子群神经网络及D-S理论的亚健康识别算法研究[D]. 赵家强.辽宁大学 2013
[2]基于机器学习的故障状态评价算法研究[D]. 杨永波.辽宁大学 2013
[3]基于改进神经网络的热轧厚度控制方法研究[D]. 杜艺.济南大学 2013
[4]基于Smith自适应辨识的自动厚度控制系统的研究[D]. 张硕.东北大学 2010
[5]带钢厚度智能控制方法的研究[D]. 张溪琳.东北大学 2008
本文编号：3610596
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：119 页
【学位级别】：博士
【部分图文】：
图１．４人工神经网络带钢厚度软测量结构图??Ｆｉｇ．?１．４?Ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ＡＮＮ?ｓｔｒｉｐ?ｔｈｉｃｋｎｅｓｓ?ｓｏｆｔ?ｍｅａｓｕｒｅｍｅｎｔ??
图２．２某厂热连乳机９机架精轧机组带钢轧制过程示意图??Ｆｉｇ．?２．２?Ｓｔｒｉｐ?ｒｏｌｌｉｎｇ?ｐｒｏｃｅｓｓ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｆｉｎｉｓｈｉｎｇ?ｍｉｌｌ?ｇｒｏｕｐ??
带钢厚度优化控制与轧制过程健康状态诊断方法研宄???表２．３测试样本预测性能对比??Ｔａｂ．?２．３?Ｔｈｅ?ｐｒｅｄｉｃｔｉｏｎ?ｐｅｒｆｏｒｍａｎｃｅｓ?ｆｒｏｍ?ｔｈｅ?ｔｅｓｔｉｎｇ?ｓａｍｐｌｅ?ｐｏｉｎｔｓ??预测模型?ＲＭＳＥ?ＳＤ??轧制力预测?０．０１３２３０?０．１２７４ｅ－３??电流预测?０．００９９１５?０．７７７?ｌｅ－４??辊缝预测?０．００９１８１?０．９３４７ｅ－４??ＧＭ（１，１）预测?０．００９３５９?０．１１０４ｅ－３??加权平均预测?０．００９４５４?０．１６６６ｅ－３??本章方法?０．００９４３２?０．７４０８ｅ－４??
【参考文献】：
期刊论文
[1]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[2]基于Teager能量算子和深度置信网络的滚动轴承故障诊断[J]. 陶洁,刘义伦,付卓,杨大炼,汤芳. 中南大学学报(自然科学版). 2017(01)
[3]Multivariate time delay analysis based local KPCA fault prognosis approach for nonlinear processes[J]. Yuan Xu,Ying Liu,Qunxiong Zhu. Chinese Journal of Chemical Engineering. 2016(10)
[4]基于FPGA的改进型PSO优化PID在冷轧带钢对中控制系统中的应用[J]. 赵新秋,贾林. 塑性工程学报. 2015(06)
[5]基于健康指数的设备运行状态评价与预测[J]. 张彦如,耿梦晓. 合肥工业大学学报(自然科学版). 2015(10)
[6]河南省旬降水量的标度不变性分析[J]. 王纪军,胡彩虹,潘攀,竹磊磊,李凤秀. 干旱区地理. 2015(05)
[7]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[8]A strip thickness prediction method of hot rolling based on DS information reconstruction[J]. 孙丽杰,邵诚,张利. Journal of Central South University. 2015(06)
[9]板带热连轧自动化系统的现状与展望[J]. 张殿华,彭文,丁敬国,龚殿尧,李旭,孙杰. 轧钢. 2015(02)
[10]采用Smith预估低通滤波补偿的AGC控制系统[J]. 董敏,董广山. 钢铁研究学报. 2015(03)
博士论文
[1]中厚板轧制过程软测量技术的研究与应用[D]. 丁敬国.东北大学 2009
[2]提高冷连轧带钢厚度精度的策略研究与应用[D]. 李旭.东北大学 2009
硕士论文
[1]基于粒子群神经网络及D-S理论的亚健康识别算法研究[D]. 赵家强.辽宁大学 2013
[2]基于机器学习的故障状态评价算法研究[D]. 杨永波.辽宁大学 2013
[3]基于改进神经网络的热轧厚度控制方法研究[D]. 杜艺.济南大学 2013
[4]基于Smith自适应辨识的自动厚度控制系统的研究[D]. 张硕.东北大学 2010
[5]带钢厚度智能控制方法的研究[D]. 张溪琳.东北大学 2008
本文编号：3610596
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3610596.html
