CN103752620A - 一种轧机扭振预测方法 - Google Patents
一种轧机扭振预测方法 Download PDFInfo
- Publication number
- CN103752620A CN103752620A CN201310753422.1A CN201310753422A CN103752620A CN 103752620 A CN103752620 A CN 103752620A CN 201310753422 A CN201310753422 A CN 201310753422A CN 103752620 A CN103752620 A CN 103752620A
- Authority
- CN
- China
- Prior art keywords
- torsional oscillation
- torsional
- torsional vibration
- predicted value
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种轧机扭振预测方法,包括搭建扭振实验平台,并通过实时采用最佳核函数和参数的方法,寻找出最佳的轧机扭振预测模型。扭振实验平台主要由驱动端的交流变频电动机、减速器,负载端的工作轧辊,扭振传感器、弹性连接轴、测速传感器和上位机组成,测速传感器用来测量交流变频电机通过减速器后传输给弹性连接轴的速度,该速度用来代表轧机的轧制速度,扭振传感器则用来测量弹性连接轴中的扭矩大小,两个传感器通过上位机中的串口将检测到的信号传输给上位机。本发明扭振预测过程简单,预测精度高,增加了扭振客观评价标准,步骤清晰,省时,省力。
Description
技术领域
本发明涉及一种基于支持向量机预测的轧机扭振预测方法。
背景技术
现代工业对板带钢铁产品的质量要求日益提高,对轧机主传动系统提出了高精度、高动态性的技术要求,而在实际生产中,常常会出现由于负载扰动的影响、辊隙润滑状况、轧机的高速运转等引发的扭振,阻碍了生产出高质量和高精度的板带钢铁产品,并且对轧机机械设备带来了严重损坏。这种扭振往往是瞬时的、随机的,不具有周期性的特点,因此,利用建立参数方程的方法,对轧机扭振进行预测是不容易实现的。现有轧机扭振预测中存在的需要过多依靠技术人员的现场经验、难以建立准确的预测参数方程、现有的预测模型复杂、不能实时调整预测模型以便提高预测精度的问题。
支持向量机是一种基于统计学习理论的机器学习方法,在解决小样本、非线性及高维模式识别中表现出许多特有的优势,支持向量机中的核函数和参数优化程度影响着构建模型的预测精度和泛化能力,本发明通过实时采用最佳核函数和参数的方法,寻找出最佳的轧机扭振预测模型。
发明内容
为解决上述技术问题,本发明是采用如下技术方案实现的。
一种轧机扭振预测方法,主要通过支持向量机,采用多项式核函数、高斯核函数,输入产品表面质量的参数、辊隙润滑情况的参数及其他不确定因素的参数,实时比较采用不同核函数时输出的轧机扭振预测精度,利用实现预测精度最高的核函数对该轧机扭振进行预测。通过支持向量机不断寻找和利用对扭振预测精度最高的核函数,实时对轧机的扭振进行预测,通过扭振预测值,可以实现对轧机扭振情况的提前预知,便于技术人员提前采取相应的补偿控制方法,抑制轧机主传动扭振的发生。
一种轧机扭振预测方法,其特征在于包括以下步骤:
1)搭建扭振实验平台,扭振实验平台主要由驱动端的交流变频电动机、减速器,负载端的工作轧辊,扭振传感器、弹性连接轴、测速传感器和上位机组成,测速传感器用来测量交流变频电机通过减速器后传输给弹性连接轴的速度,该速度用来代表轧机的轧制速度,当驱动端电机转速与负载端的转速存在转速差时,会在弹性连接轴中产生扭矩,严重时发生扭转现象,扭振传感器则用来测量弹性连接轴中的扭矩大小,两个传感器通过上位机中的串口将检测到的信号传输给上位机,上位机中安装支持向量机;
2)模拟主传动系统在非线性参数下的扭振情况:在扭振试验平台上,v表示轧机的轧制速度;p表示轧制精度;sq表示钢铁产品表面质量;rl表示辊隙润滑情况;uf表示其他不确定因素;对于v、p、sq、rl取不同的组合值,用c表示,c(n)表示第n个组合值;uf(n)表示第n个随机数;用扭振传感器检测扭振信号,得到在外界干扰情况下的扭振响应,用参数vr表示,vr(n)表示第n个扭振响应值;
3)取v、p、sq、rl的30组不同组合,用c(1)~c(30)表示,同时取相对应的uf(1)~uf(30)共30个随机数,把c(n)、uf(n)归一化;用扭振传感器检测得到1~25组每一组组合对应的扭振响应vr;将前20组的c(1)~c(20)、uf(1)~uf(20)和vr(1)~vr(20)作为训练集;
4)支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,采用多项式核函数对训练集进行训练,得到预测模型1,用model1表示,支持向量机采用高斯核函数对训练集进行训练,得到预测模型2,用model2表示;
5)将21~25组归一化后的c(21)~c(25)、uf(21)~uf(25)作为预测集,利用model1进行预测,得到扭振预测值,用参数pr1表示,pr1(n)表示第n个扭振预测值,比较21~25组中各个pr1(n)和vr(n),若|pr1(n)-vr(n)|>5%vr(n),则认为扭振预测值不准确,记录不准确数值,用参数npv1表示;
6)将21~25组归一化后的c(21)~c(25)、uf(21)~uf(25)作为预测集,利用model2进行预测,得到扭振预测值,用参数pr2表示,pr2(n)表示第n个扭振预测值,比较21~25组中各个pr2(n)和vr(n),若|pr2(n)-vr(n)|>5%vr(n),则认为扭振预测值不准确,记录不准确数值,用参数npv2表示;
7)比较npv1和npv2的大小,若npv1<npv2,表明采用多项式核函数时具有较高的扭振预测值精度,则输入c(26)~c(30)、uf(26)~uf(30),支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,支持向量机采用多项式核函数对未来某一时刻的扭振进行预测,得到预测值pr(m),同时利用扭振传感器随机检测扭振的真实值vr(m);若npv1>npv2,表明采用高斯核函数时具有较高的扭振预测值精度,则输入c(26)~c(30)、uf(26)~uf(30),支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,采用高斯核函数对未来的扭振进行预测,得到预测值pr(m),同时利用扭振传感器随机检测扭振的真实值vr(m);
8)每得到一次预测值pr(m),则计算|pr(m)-vr(m)|,当出现|pr(m)-vr(m)|>5%vr(m)的次数累加达到二次,则利用5)步~7)步的方法,重新选择核函数,利用支持向量机对未来扭振进行预测;若|pr(n)-vr(n)|>5%vr(n)的次数未达到二次,则继续采用现有核函数,利用支持向量机对未来扭振进行预测。
所述0≤sq≤9,最小单位为1,sq=0表示板带钢铁产品表面质量最差,sq=9表示板带钢铁产品表面质量最佳。
所述0≤rl≤9,最小单位为1,rl=0表示辊隙润滑情况最差,rl=9表示辊隙润滑情况最佳。
所述uf为[0,10]之间的随机数,uf的最小单位为0.01。
与现有技术相比本发明的有益效果是:
1.本发明所述的一种轧机扭振预测方法与已有的依靠技术人员经验判断的方法相比,具有使用简单、增加了客观评价标准的特点。
2.本发明所述的一种轧机扭振预测方法与已有的利用建立参数方程的预测方法相比,具有建立模型简单,使用方便,并且具有自主学习的能力,可以实时提高预测精度的特点。
3.本发明所述的一种轧机扭振预测方法与已有的利用支持向量机实现轧机扭振预测方法相比,具有可以更新核函数,以便实现更高扭振预测精度的特点。
4.本发明所述的一种轧机扭振预测方法,其扭振预测过程简单,预测精度高,增加了扭振客观评价标准,避免了不同技术人员具有不同主观判断标准的缺陷,并且过程简单、方便,速度快,步骤清晰,省时,省力。
附图说明
图1为本发明所述的扭振试验平台示意图。
图2为本发明所述的一种轧机扭振预测方法流程示意图。
具体实施方式
下面结合附图对本发明作详细的描述:
1.参阅图1,用交流变频电动机、减速器,负载端的工作轧辊以及扭振传感器、弹性连接轴、测速传感器和上位机搭建扭振实验平台,通过上位机中的串口,测速传感器将轧机的轧制速度传输给上位机,扭振传感器将检测到的弹性连接轴中的扭振响应传输给上位机,设置轧制速度v在20m/s至100m/s间改变,轧制精度p在10%至0.1%间改变,板带钢铁产品表面质量sq在0至9之间改变,辊隙润滑等级rl在0至9之间改变,对于v、p、sq、rl取不同的组合值,用c表示,c(n)表示第n个组合值。
2、取v、p、sq、rl的25组不同组合,用c(1)~c(25)表示,同时取相对应的uf(1)~uf(25)共25个随机数,把c(n)、uf(n)归一化,如表1所示;用扭振传感器检测得到1~25组每一组组合对应的扭振响应vr,将前20组的c(1)~c(20)、uf(1)~uf(20)和vr(1)~vr(20)作为训练集;
表1v、p、sq、rl,uf,vr的25组值
v | p | sq | rl | uf | vr | |
c(1) | 1 | 0.23 | 0.11 | 0 | 0.82 | 0.91 |
c(2) | 0.53 | 0.43 | 0.94 | 0.82 | 0.35 | 0.78 |
c(3) | 0.23 | 0.64 | 0.81 | 0.23 | 0.01 | 0.28 |
c(4) | 0.10 | 0 | 0.87 | 0.64 | 0.25 | 0.28 |
c(5) | 0.23 | 0.64 | 0.24 | 0.75 | 0.01 | 0.45 |
c(6) | 0.99 | 0.99 | 0 | 0.12 | 0.42 | 1 |
c(7) | 0.53 | 0.11 | 0.99 | 0.43 | 1 | 0.44 |
c(8) | 0.45 | 0.99 | 0.45 | 0.02 | 0.72 | 0.89 |
c(9) | 0.48 | 0.83 | 0.16 | 0.72 | 0.47 | 0.92 |
c(10) | 0.94 | 0.52 | 0.32 | 0.75 | 0.23 | 0.43 |
c(11) | 0 | 0.34 | 0.02 | 0.92 | 0.88 | 0.43 |
c(12) | 0.32 | 0.64 | 0.92 | 0.52 | 0.23 | 0.44 |
c(13) | 0.29 | 0.43 | 0.53 | 0.42 | 0.24 | 0.32 |
c(14) | 0.34 | 0.02 | 0.45 | 0.99 | 0.45 | 0.32 |
c(15) | 0.53 | 0.38 | 0.58 | 0.82 | 0 | 0.03 |
c(16) | 0.23 | 0.45 | 0.321 | 0.65 | 0.53 | 0.13 |
c(17) | 0.32 | 0.43 | 0.42 | 0.64 | 0.92 | 0 |
c(18) | 0.43 | 0.43 | 0.95 | 0.42 | 0.03 | 0.67 |
c(19) | 0.92 | 0.45 | 1 | 0.43 | 0.82 | 0.98 |
c(20) | 0.42 | 1 | 0.42 | 0.54 | 0.90 | 0.53 |
c(21) | 0.98 | 0.42 | 0.53 | 0.52 | 0.03 | 0.35 |
c(22) | 0.44 | 0.42 | 0.84 | 0.16 | 0.83 | 0.35 |
c(23) | 0.94 | 0.89 | 0.62 | 1 | 0.34 | 0.35 |
c(24) | 0.52 | 0.92 | 0.28 | 0.62 | 0.67 | 0.40 |
c(25) | 0.42 | 0.42 | 0.65 | 0.23 | 0.92 | 0.37 |
3、利用grid-search方法得到惩罚参数c=0.03,gamma=0.82,支持向量机采用多项式核函数对训练集进行训练,得到预测模型model1;支持向量机采用高斯核函数对训练集进行训练,得到预测模型
model2。
4、利用model1对21~25组数据进行预测,得到扭振预测值pr1,
pr1(21)=0.32,pr1(22)=0.34,pr1(23)=0.33,pr1(24)=0.35,pr1(25)=0.34;利用扭振传感器得到的扭振响应分别为:vr(21)=0.35,vr(22)=0.35,vr(23)=0.35,vr(24)=0.40,vr(25)=0.37;比较该5组中各个pr1(n)和vr(n):|pr1(21)-vr(21)|=0.03,5%vr(21)=0.0175,故|pr1(21)-vr(21)|>5%vr(21);|pr1(22)-vr(22)|=0.01,5%vr(22)=0.0175,故|pr1(22)-vr(22)|<5%vr(22);|pr1(23)-vr(23)|=0.02,5%vr(23)=0.0175,故|pr1(23)-vr(2)|>5%vr(23);|pr1(24)-vr(24)|=0.05,5%vr(24)=0.02,故|pr1(24)-vr(24)|>5%vr(24);|pr1(25)-vr(25)|=0.03,5%vr(25)=0.0185,故|pr1(25)-vr(25)|>5%vr(25)。该扭振预测值不准确值npv1=4。
5、利用model2对21~25组数据进行预测,得到扭振预测值pr2,
pr2(21)=0.35,pr2(22)=0.34,pr2(23)=0.34,pr2(24)=0.35,pr2(25)=0.36;利用扭振传感器得到的扭振响应仍分别为:vr(21)=0.35,vr(22)=0.35,vr(23)=0.35,vr(24)=0.40,vr(25)=0.37;比较该5组中各个pr2(n)和vr(n):|pr2(21)-vr(21)|=0,5%vr(21)=0.0175,故|pr2(21)-vr(21)|<5%vr(21);
|pr2(22)-vr(22)|=0.01,5%vr(22)=0.0175,故|pr2(22)-vr(22)|<5%vr(22);|pr2(23)-vr(23)|=0.01,5%vr(23)=0.0175,故|pr2(23)-vr(23)|<5%vr(23);|pr2(24)-vr(24)|=0.05,5%vr(24)=0.02,故|pr2(24)-vr(24)|>5%vr(24);|pr2(25)-vr(25)|=0.01,5%vr(25)=0.0185,故|pr2(25)-vr(25)|<5%vr(25)。该扭振预测值不准确值npv2=1。
6、显然,npv1>npv2,故我们采用高斯核函数对扭振进行预测。
7、继续让v在20m/s至100m/s间改变,轧制精度p在10%至0.1%间改变,板带钢铁产品表面质量sq在0至9之间改变,辊隙润滑等级rl在0至9之间改变,得到v、p、sq、rl的5组不同组合,分别和5个不确定干扰因素uf共同作为支持向量机输入,如表2所示,
利用grid-search方法得到惩罚参数c=0.19,gamma=2.51,采用高斯核函数得到的扭振预测值pr分别为:pr2(26)=0.36、pr2(27)=0.37、pr2(28)=0.40、pr2(29)=0.36、pr2(30)=0.41,在v、p、sq、rl的5组不同组合期间,随机地选取第2次、第5次组合时,利用扭振传感器检测到扭振真实值vr分别为:vr(27)=0.37、vr(30)=0.39。计算|pr2(27)-vr(27)|=0,5%vr(27)=0.0185,故|pr2(27)-vr(27)|<5%vr(27);|pr2(30)-vr(30)|=0.02,5%vr(30)=0.0195,故|pr2(30)-vr(30)|>5%vr(30),扭振预测值不准确值npv2=1,小于2次,故继续使用高斯核函数作为支持向量机核函数,用来预测未来的轧机扭振。
表2v、p、sq、rl,uf,vr的5组值
v | p | sq | rl | uf | vr | |
c(26) | 0.42 | 0.61 | 0.96 | 0.53 | 0.23 | 0.21 |
c(27) | 0.63 | 0.22 | 0.75 | 0.21 | 0.46 | 0.37 |
c(28) | 0.54 | 0.67 | 0.87 | 0.23 | 0.91 | 0.40 |
c(29) | 0.43 | 0.87 | 0.01 | 0.43 | 0.53 | 0.42 |
c(30) | 0.72 | 0.32 | 0.88 | 0.20 | 0.67 | 0.39 |
Claims (4)
1.一种轧机扭振预测方法,其特征在于包括以下步骤:
1)搭建扭振实验平台,扭振实验平台主要由驱动端的交流变频电动机、减速器,负载端的工作轧辊,扭振传感器、弹性连接轴、测速传感器和上位机组成,测速传感器用来测量交流变频电机通过减速器后传输给弹性连接轴的速度,该速度用来代表轧机的轧制速度,当驱动端电机转速与负载端的转速存在转速差时,会在弹性连接轴中产生扭矩,严重时发生扭转现象,扭振传感器则用来测量弹性连接轴中的扭矩大小,两个传感器通过上位机中的串口将检测到的信号传输给上位机,上位机中安装支持向量机;
2)模拟主传动系统在非线性参数下的扭振情况:在扭振试验平台上,v表示轧机的轧制速度;p表示轧制精度;sq表示钢铁产品表面质量;rl表示辊隙润滑情况;uf表示其他不确定因素;对于v、p、sq、rl取不同的组合值,用c表示,c(n)表示第n个组合值;uf(n)表示第n个随机数;用扭振传感器检测扭振信号,得到在外界干扰情况下的扭振响应,用参数vr表示,vr(n)表示第n个扭振响应值;
3)取v、p、sq、rl的30组不同组合,用c(1)~c(30)表示,同时取相对应的uf(1)~uf(30)共30个随机数,把c(n)、uf(n)归一化;用扭振传感器检测得到1~25组每一组组合对应的扭振响应vr;将前20组的c(1)~c(20)、uf(1)~uf(20)和vr(1)~vr(20)作为训练集;
4)支持向量机采用多项式核函数对训练集进行训练,得到预测模型1,用model1表示,支持向量机采用高斯核函数对训练集进行训练,得到预测模型2,用model2表示;
5)将21~25组归一化后的c(21)~c(25)、uf(21)~uf(25)作为预测集,利用model1进行预测,得到扭振预测值,用参数pr1表示,pr1(n)表示第n个扭振预测值,比较21~25组中各个pr1(n)和vr(n),若|pr1(n)-vr(n)|>5%vr(n),则认为扭振预测值不准确,记录不准确数值,用参数npv1表示;
6)将21~25组归一化后的c(21)~c(25)、uf(21)~uf(25)作为预测集,利用model2进行预测,得到扭振预测值,用参数pr2表示,pr2(n)表示第n个扭振预测值,比较21~25组中各个pr2(n)和vr(n),若|pr2(n)-vr(n)|>5%vr(n),则认为扭振预测值不准确,记录不准确数值,用参数npv2表示;
7)比较npv1和npv2的大小,若npv1>npv2,表明采用多项式核函数时具有较高的扭振预测值精度,则输入c(26)~c(30)、uf(26)~uf(30),支持向量机采用多项式核函数对未来某一时刻的扭振进行预测,得到预测值pr(m),同时利用扭振传感器随机检测扭振的真实值vr(m);若npv1<npv2,表明采用高斯核函数时具有较高的扭振预测值精度,则输入c(26)~c(30)、uf(26)~uf(30),支持向量机采用高斯核函数对未来的扭振进行预测,得到预测值pr(m),同时利用扭振传感器随机检测扭振的真实值vr(m);
8)每得到一次预测值pr(m),则计算|pr(m)-vr(m)|,当出现|pr(m)-vr(m)|>5%vr(m)的次数累加达到二次,则利用5)步~7)步的方法,重新选择核函数,利用支持向量机对未来扭振进行预测;若|pr(n)-vr(n)|>5%vr(n)的次数未达到二次,则继续采用现有核函数,利用支持向量机对未来扭振进行预测。
2.根据权利要求1所述的一种轧机扭振预测方法,其特征在于:所述0≤sq≤9,最小单位为1,sq=0表示板带钢铁产品表面质量最差,sq=9表示板带钢铁产品表面质量最佳。
3.根据权利要求1所述的一种轧机扭振预测方法,其特征在于:所述0≤rl≤9,最小单位为1,rl=0表示辊隙润滑情况最差,rl=9表示辊隙润滑情况最佳。
4.根据权利要求1所述的一种轧机扭振预测方法,其特征在于:所述uf为[0,10]之间的随机数,uf的最小单位为0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753422.1A CN103752620B (zh) | 2013-12-31 | 2013-12-31 | 一种轧机扭振预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753422.1A CN103752620B (zh) | 2013-12-31 | 2013-12-31 | 一种轧机扭振预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103752620A true CN103752620A (zh) | 2014-04-30 |
CN103752620B CN103752620B (zh) | 2018-10-30 |
Family
ID=50520025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310753422.1A Expired - Fee Related CN103752620B (zh) | 2013-12-31 | 2013-12-31 | 一种轧机扭振预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103752620B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105259755A (zh) * | 2015-10-19 | 2016-01-20 | 燕山大学 | 一种抑制轧机扭振的智能控制方法 |
CN106568688A (zh) * | 2015-10-08 | 2017-04-19 | 安东帕有限责任公司 | 用于促动电动马达的方法 |
CN112207136A (zh) * | 2020-09-08 | 2021-01-12 | 燕山大学 | 一种基于轧机扭振测试分析的板带恒张力活套控制方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1100974A (zh) * | 1993-09-29 | 1995-04-05 | 鞍山钢铁公司 | 能减弱轧机扭振和冲击的交流传动调速系统特性优化装置 |
JPH08206718A (ja) * | 1995-02-02 | 1996-08-13 | Toshiba Corp | 圧延機用電動機速度制御装置 |
KR20040020487A (ko) * | 2002-08-30 | 2004-03-09 | 주식회사 포스코 | 열간 압연기의 롤 채터발생 예지장치 및 방법 |
CN1803326A (zh) * | 2006-01-25 | 2006-07-19 | 冶金自动化研究设计院 | 一种抑制轧机传动系统动态速降和扭振的控制系统 |
JP2011115825A (ja) * | 2009-12-04 | 2011-06-16 | Nippon Steel Corp | 圧延機の軸ねじれ振動抑制制御方法 |
CN102651628A (zh) * | 2012-05-02 | 2012-08-29 | 中国电力科学研究院 | 一种抑制电机闭环调速系统转子扭振的方法及其电路 |
CN102755994A (zh) * | 2011-04-26 | 2012-10-31 | 通化钢铁股份有限公司 | 一种轧机扭振抑制装置 |
CN102974618A (zh) * | 2012-11-14 | 2013-03-20 | 高瑞进 | 基于轧制界面润滑的抑制高速轧机扭振的装置及方法 |
CN103121037A (zh) * | 2013-03-07 | 2013-05-29 | 北京科技大学 | 一种轧机振动抑振装置 |
CN203108936U (zh) * | 2013-03-07 | 2013-08-07 | 北京科技大学 | 一种轧机振动抑振装置 |
-
2013
- 2013-12-31 CN CN201310753422.1A patent/CN103752620B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1100974A (zh) * | 1993-09-29 | 1995-04-05 | 鞍山钢铁公司 | 能减弱轧机扭振和冲击的交流传动调速系统特性优化装置 |
JPH08206718A (ja) * | 1995-02-02 | 1996-08-13 | Toshiba Corp | 圧延機用電動機速度制御装置 |
KR20040020487A (ko) * | 2002-08-30 | 2004-03-09 | 주식회사 포스코 | 열간 압연기의 롤 채터발생 예지장치 및 방법 |
CN1803326A (zh) * | 2006-01-25 | 2006-07-19 | 冶金自动化研究设计院 | 一种抑制轧机传动系统动态速降和扭振的控制系统 |
JP2011115825A (ja) * | 2009-12-04 | 2011-06-16 | Nippon Steel Corp | 圧延機の軸ねじれ振動抑制制御方法 |
CN102755994A (zh) * | 2011-04-26 | 2012-10-31 | 通化钢铁股份有限公司 | 一种轧机扭振抑制装置 |
CN102651628A (zh) * | 2012-05-02 | 2012-08-29 | 中国电力科学研究院 | 一种抑制电机闭环调速系统转子扭振的方法及其电路 |
CN102974618A (zh) * | 2012-11-14 | 2013-03-20 | 高瑞进 | 基于轧制界面润滑的抑制高速轧机扭振的装置及方法 |
CN103121037A (zh) * | 2013-03-07 | 2013-05-29 | 北京科技大学 | 一种轧机振动抑振装置 |
CN203108936U (zh) * | 2013-03-07 | 2013-08-07 | 北京科技大学 | 一种轧机振动抑振装置 |
Non-Patent Citations (2)
Title |
---|
关丽坤等: "轧机主传动系统扭振的数值分析", 《重型机械》 * |
赵弘等: "利用内模抑制轧机扭振研究", 《锻压技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106568688A (zh) * | 2015-10-08 | 2017-04-19 | 安东帕有限责任公司 | 用于促动电动马达的方法 |
CN106568688B (zh) * | 2015-10-08 | 2020-11-10 | 安东帕有限责任公司 | 用于促动电动马达的方法 |
CN105259755A (zh) * | 2015-10-19 | 2016-01-20 | 燕山大学 | 一种抑制轧机扭振的智能控制方法 |
CN105259755B (zh) * | 2015-10-19 | 2018-02-09 | 燕山大学 | 一种抑制轧机扭振的智能控制方法 |
CN112207136A (zh) * | 2020-09-08 | 2021-01-12 | 燕山大学 | 一种基于轧机扭振测试分析的板带恒张力活套控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103752620B (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | HVSRMS localization formula and localization law: Localization diagnosis of a ball bearing outer ring fault | |
KR102398307B1 (ko) | 이상 판정 지원 장치 | |
CN111659738B (zh) | 一种轧机辊系交叉度的测量方法及装置 | |
CN104374569A (zh) | Rv减速器传动特性测试系统 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN103752620A (zh) | 一种轧机扭振预测方法 | |
CN102788696A (zh) | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 | |
CN106540968A (zh) | 冷轧板形测量值的补偿方法及装置 | |
CN103149869A (zh) | 供监测工业设施中使用的系统和方法 | |
CN101927269A (zh) | 一种三辊轧机辊缝控制器调节方法 | |
CN106960066B (zh) | 一种热连轧机组成品机架工作辊表面粗糙度预报方法 | |
CN102886384A (zh) | 基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法 | |
CN104985003A (zh) | 一种基于数据驱动的轧制过程打滑诊断及预测的方法 | |
CN204338582U (zh) | 一种带有厚度测量和报警装置的钽带精轧装置 | |
CN104346505B (zh) | 冷连轧轧机摩擦系数预测方法 | |
Huang et al. | Life prediction of CNC linear rolling guide based on DFNN performance degradation model | |
CN103521830A (zh) | 一种模式飞剪的控制方法 | |
CN204342290U (zh) | 一种起重机多轴同步控制系统 | |
CN106862282A (zh) | 一种高速轧机电气传动控制系统 | |
CN102814341A (zh) | 一种新型的板带厚度、板型解耦控制方法 | |
CN102288115B (zh) | 滚子几何尺寸精密在线检测方法 | |
CN105583236A (zh) | 冷轧带钢塑性系数的在线获取方法 | |
CN110608885B (zh) | 一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法 | |
CN104525580A (zh) | 一种控制冷轧平整延伸率的系统和方法 | |
CN104475461A (zh) | 一种在线带钢延伸率的复合测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181030 Termination date: 20191231 |