非稳态轧制过程的有限元分析、板厚建模与智能控制

论文摘要

板带轧制咬入过程是一个非稳态过程,轧制工艺参数的不稳定导致轧件头部厚度高于中间厚度,一般情况下该差值要大于100μm,尖锋值可达200—300μm,故而在考核质量时一般都除去头部若干米,只对本体部分进行考核。为了提高成材率,有必要研究非稳态轧制过程中轧件的变形特点,分析工艺参数对非稳态轧制过程的影响规律,建立非稳态轧制过程的数学模型,并研究一种新型的控制系统来缩短板带头部厚度不考核的长度。本文的主要研究工作如下:(1)在研究热力耦合刚塑性有限元基本理论的基础上,利用MSC.MARC非线性有限元软件,建立铝板带非稳态轧制过程的三维有限元模型。该模型不仅考虑了轧辊的弹性变形,而且还考虑支撑辊对轧件变形的影响,此外还考虑了轧件与乳液对流换热的边界条件;(2)利用三维大变形热力耦合刚塑性有限元法对非稳态轧制过程进行模拟,并将仿真结果与实际生产数据进行比较,结果表明本文所采用的方法对非稳态轧制过程进行仿真是可行并且可靠的。在此基础上研究了非稳态阶段的轧制力分布特点和轧件的变形特点,分析了轧件表面温度对轧件“头部厚跃”现象的影响规律;(3)在前述研究基础上,分析了轧制温度、前后张力等工艺参数对非稳态轧制过程中厚度的影响规律,提出了缩短板带头部厚度不考核长度的措施;(4)利用有限元分析所得结果,选择合理的工艺参数作为神经网络的输入输出参数,建立了非稳态轧制阶段轧件出口厚度的BP神经网络预测模型。模型计算的相对误差控制在1.200%以内,平均相对误差为0.507%,说明利用BP神经网络建立的模型对非稳态轧制阶段的出口厚度进行预测具有很高的精度。(5)研究了神经网络PID控制器对非稳态轧制过程板厚控制的控制性能,仿真结果表明该控制系统收敛快,稳定性强,超调量小,具有良好的控制性能,将非稳态轧制过程的时间从原来的6s缩短为3s,具有较高的工程应用价值。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 课题研究的背景
• 1.1.1 影响板带轧制过程成材率的因素
• 1.1.2 热轧板带头部的厚度精度
• 1.2 板材非稳态轧制过程的研究现状
• 1.2.1 板材轧制咬入条件分析
• 1.2.2 改善咬入的措施
• 1.2.3 用不同数值方法模拟板材轧制咬入阶段的非稳定变形
• 1.2.4 采用不同的控制方法改善带头的板形质量
• 1.3 非稳态轧制过程数字模拟的局限性及神经网络的优势
• 1.3.1 非稳态轧制过程数字模拟的局限性
• 1.3.2 神经网络的优势
• 1.4 课题的来源及研究意义
• 1.4.1 课题来源
• 1.4.2 本文研究意义
• 1.5 本文研究内容
• 第二章 热力耦合刚塑性有限元的基本理论
• 2.1 轧制理论中的数值模拟方法
• 2.1.1 有限差分法
• 2.1.2 滑移线理论及其数值解法
• 2.1.3 能量法及其数值解法
• 2.1.4 有限元法
• 2.1.5 其他数值方法
• 2.2 刚塑性有限元的基本理论
• 2.2.1 刚塑性有限元的变分原理
• 2.2.2 刚塑性有限元的求解途径
• 2.3 轧制过程温度场的有限元分析
• 2.3.1 含内热源的热传导基本方程
• 2.3.2 初始条件和边界条件
• 2.4 热—力耦合场的迭代求解过程
• 2.4.1 热—力耦合场的基本方程
• 2.4.2 热力耦合的求解过程
• 2.5 本章小结
• 第三章 非稳态轧制过程的热力耦合刚塑性有限元分析
• 3.1 引言
• 3.2 热轧过程的基本结构
• 3.3 有限元模型的建立
• 3.3.1 轧辊参数
• 3.3.2 基本假设
• 3.3.3 几何建模
• 3.3.4 接触体的定义
• 3.4 边界条件及初始条件的确定
• 3.4.1 边界条件的确定
• 3.4.2 初始条件的确定及轧制工艺参数
• 3.4.3 网格重划分
• 3.5 仿真结果分析
• 3.5.1 非稳态轧制过程的轧制力分布
• 3.5.2 非稳定轧制阶段接触变形区的应力分布和板宽变化
• 3.5.3 工作辊的温度场分布
• 3.5.4 轧制区的接触摩擦力分布
• 3.5.5 “头部厚跃”现象及其解释
• 3.6 工艺参数对非稳态轧制过程的影响
• 3.6.1 轧制温度的影响
• 3.6.2 张力的影响
• 3.7 本章小结
• 第四章 非稳态轧制过程的神经网络建模
• 4.1 BP网络的基本理论
• 4.1.1 BP网络概述
• 4.1.2 BP网络的学习功能
• 4.1.3 BP算法的计算流程
• 4.2 热轧非稳态轧制过程的板厚数学模型
• 4.3 非稳态轧制过程的神经网络建模研究
• 4.3.1 神经网络的结构
• 4.3.2 样本数据的选取和处理
• 4.3.3 神经元传递函数及训练参数的选择
• 4.3.4 训练算法的选择
• 4.3.5 隐层单元数的确定
• 4.3.6 初始值的选取
• 4.3.7 学习速率
• 4.4 模型检验
• 4.5 本章小结
• 第五章 非稳态轧制过程的神经网络PID控制及仿真实验
• 5.1 引言
• 5.2 神经网络PID控制器及其控制原理
• 5.2.2 控制器结构
• 5.2.3 控制网络NNC
• 5.2.4 辨识网络NNI
• 5.2.5 算法实现
• 5.3 仿真实验
• 5.4 本章小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间的主要研究成果