带钢卷取温度精度预报的方法研究

论文摘要

带钢的卷取温度控制精度直接影响其组织性能和力学性能,是保证板带质量和板形良好的关键因素。带钢层流冷却控制是以预设定部分为主的,带钢卷取温度的控制精度在很大程度上取决于温度预设定部分的精度。本文以国内某热轧厂的带钢层流冷却系统为背景,对如何提高层流冷却过程的卷取温度的预报精度进行了较深入系统的研究。分析了带钢的冷却机理,对带钢传热过程的基本方式进行了研究,并详细分析了该厂层流冷却过程的数学模型。该模型主要是由水冷模型和空冷模型组成。模型的计算精度直接影响最终的冷却效果。因此,建立合理的带钢卷取温度控制模型对提高卷取温度控制精度具有重要的意义。带钢卷取温度过程控制具有显著的非线性、时变性、强耦合和不确定性,传统的模型技术很难进一步提高模型的精度。为提高卷取温度的预报精度,本文提出了一种基于数据挖掘技术的改进遗传神经网络方法,该方法充分发挥了数据挖掘的关联分析能力、神经网络的泛化映射能力和遗传算法的全局搜索能力,将数据挖掘技术运用到神经网络的建模中去,将传统模型与BP神经网络相结合,运用改进的遗传算法优化神经网络。该方法的全局寻优能力不仅可以避免BP算法的缺陷,而且使得多层前馈网络的非线性逼近能力得到了充分的发挥,改善了神经网络的性能。仿真结果表明运用综合模型预测带钢卷取温度能够达到高精度预报的要求,为在线的应用打下了基础。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 热轧带钢冷却技术的发展
• 1.2.1 热轧带钢冷却工艺技术的发展
• 1.2.2 热轧带钢冷却控制技术的发展
• 1.3 热轧带钢层流冷却控制技术的难点
• 1.4 本文的主要内容及安排
• 第二章 层流冷却系统及数学模型
• 2.1 层流冷却系统工艺流程
• 2.1.1 层流冷却系统设备布置
• 2.1.2 卷取温度预设定
• 2.2 数学模型的理论基础
• 2.2.1 热传导
• 2.2.2 辐射换热
• 2.2.3 对流换热
• 2.3 层流冷却过程控制的数学模型
• 2.3.1 基本的温度模型
• 2.3.2 实际应用的模型
• 2.4 传统模型存在的问题
• 2.5 本章小结
• 第三章 基于遗传神经网络的温度预测模型
• 3.1 人工神经网络简介
• 3.1.1 人工神经网络的基本思想及其发展
• 3.1.2 人工神经网络的工作原理
• 3.1.3 人工神经网络的基本特点
• 3.1.4 神经网络的结构及工作方式
• 3.2 BP神经网络
• 3.2.1 BP神经网络简介
• 3.2.2 BP算法基本原理
• 3.2.3 BP算法存在的问题及改进方法
• 3.3 遗传算法
• 3.3.1 遗传算法简介
• 3.3.2 遗传算法的理论基础
• 3.3.3 遗传算法的特点
• 3.3.4 遗传算法的构成要素
• 3.3.5 标准遗传算法存在的问题及其改进
• 3.4 基于改进遗传算法的神经网络优化
• 3.4.1 神经网络参数优化
• 3.4.2 GA-BP神经网络的基本思想
• 3.4.3 改进遗传算法的描述
• 3.5 遗传神经网络温度预测模型
• 3.6 小结
• 第四章 遗传神经网络温度预测模型的应用
• 4.1 数据挖掘技术
• 4.1.1 数据挖掘概述
• 4.1.2 数据挖掘的功能
• 4.1.3 数据挖掘的过程
• 4.1.4 数据挖掘的应用领域
• 4.2 关联规则数据挖掘
• 4.2.1 关联规则的基本概念
• 4.2.2 关联规则的分类
• 4.2.3 关联规则的挖掘步骤
• 4.2.4 关联规则挖掘算法
• 4.3 综合温度预测模型的参数设置
• 4.3.1 神经网络参数设置
• 4.3.2 遗传算法参数设置
• 4.4 温度预测模型的仿真分析
• 4.4.1 GA-BP算法的实现步骤
• 4.4.2 仿真结果
• 4.4.3 仿真结果分析
• 4.5 本章小结
• 第五章 总结与展望
• 参考文献
• 致谢
• 攻读硕士学位期间的主要成果