CN113245373A - 一种热轧带钢活套张力自适应控制系统及其控制方法 - Google Patents

一种热轧带钢活套张力自适应控制系统及其控制方法 Download PDF

Info

Publication number
CN113245373A
CN113245373A CN202110556678.8A CN202110556678A CN113245373A CN 113245373 A CN113245373 A CN 113245373A CN 202110556678 A CN202110556678 A CN 202110556678A CN 113245373 A CN113245373 A CN 113245373A
Authority
CN
China
Prior art keywords
hot
strip steel
rolled strip
sliding mode
neural network
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
Application number
CN202110556678.8A
Other languages
English (en)
Other versions
CN113245373B (zh
Inventor
沈浩
丁红菲
汪煜东
梅宇
苏磊
汪婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202110556678.8A priority Critical patent/CN113245373B/zh
Publication of CN113245373A publication Critical patent/CN113245373A/zh
Application granted granted Critical
Publication of CN113245373B publication Critical patent/CN113245373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/48—Tension control; Compression control
    • B21B37/50—Tension control; Compression control by looper control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明公开了一种热轧带钢活套张力自适应控制系统及其控制方法，属于自动控制技术领域。本发明的系统包括滑模控制器和RBF神经网络单元，滑模控制器与RBF神经网络单元连接，本发明方法为根据滑模控制器设定方程
Figure DDA0003077417720000012
滑模控制器根据热轧带钢活套系统的实际参数X和设定参数Xm计算得到控制信号并输入至热轧带钢活套系统；RBF神经网络单元根据X和
Figure DDA0003077417720000011
计算得到不确定项的上界估计值并输入至热轧带钢活套系统；热轧带钢活套系统根据控制信号和不确定项的上界估计值控制活套角度和带钢张力。本发明克服了现有技术中活套张力控制精度较低的问题，本发明通过RBF神经网络对干扰不确定性上界进行自适应学习，降低了滑模控制器的抖振发生概率，提高了系统控制精度。

Description

一种热轧带钢活套张力自适应控制系统及其控制方法
技术领域
本发明属于自动控制技术领域，更具体地说，涉及一种热轧带钢活套张力自适应控制系统及其控制方法。
背景技术
热轧带钢是应用极为广泛的一类工业原料，可应用于国民经济的许多方面，如军事装备、航空航天、机械制造等部门都大量使用热轧带钢。因此，热轧带钢在国民经济中占有重要的地位。带钢热连轧机的水平，在一定程度上反映了一个国家钢铁工业的技术水平，实现连轧的一个基本条件是同一时间内各个轧制道次的秒流量相等，连轧过程中稳定的张力控制是板带尺寸控制精度提高的基础，是保证产品质量的一项重要措施。
在热轧带钢的实际生产过程中，由于各类扰动的存在，前一轧机带钢出口速度和后一轧机带钢入口速度往往并不相等，这样的速差必然导致前后轧机间带钢长度与张力的波动。为保证在恒定张力情况下进行轧制，目前绝大多数热连轧生产线在前后两轧机间都安装了活套装置。活套的主要作用一方面是检测轧制过程中的金属流量波动并将其消除；另一方面是保证带钢处在稳定轧制状态。针对热轧带钢的活套控制，现有技术也提出了一些解决方案，例如发明创造名称为：一种涉及热轧带钢头部的活套控制方法(申请日：2018年11月2日；申请号：CN201811299078.2)，该方案公开了一种热轧带钢头部的活套控制方法，该方法包括如下步骤：S1、在PLC控制接收到下游机架发送的咬钢信号时，活套采用固定转矩起套；S2、起套完成后，判断是否进入头部活套的PI高度闭环控制，若判断为是，则基于头部活套的PI高度闭环控制对活套高度进行调节；S3、在通过PI高度闭环控制对活套的高度进行调节后，判断是否需要对带钢头部流量进行补偿，若判断为是，则增大上游机架的速度修正量，在控制方法中加入一种热金属流量补偿控制功能，通过快速调节活套套量来及时补偿头部流量的损失，可有效改善热轧板带头部在精轧机穿带过程中的发生的拉窄和轧破问题。
但是，现有技术中对于活套张力控制精度较低，大大降低了产品生产率以及质量，因此，如何实现活套张力的精确控制，以保证热连轧精轧过程稳定高效的连续高速运行，提高生产率和产品的质量，是现有技术亟需解决的问题。
发明内容
1.要解决的问题
针对现有技术中活套张力控制精度较低的问题，本发明提供了一种热轧带钢活套张力自适应控制系统及其控制方法，通过使用RBF神经网络对干扰不确定性上界进行自适应学习，降低了采用固定上界容易产生抖振的发生概率，提高了系统的稳定性和可靠性，进一步提高了活套角度和带钢张力的控制精度。
2.技术方案
为了解决上述问题，本发明所采用的技术方案如下：
本发明的一种热轧带钢活套张力自适应控制系统，包括滑模控制器和RBF神经网络单元，滑模控制器与RBF神经网络单元连接，其中，滑模控制器用于控制热轧带钢活套的张力，RBF神经网络单元用于计算热轧带钢活套的系统不确定项的上界估计值。
更进一步地，还包括自适应单元和网络权值单元，自适应单元与滑模控制器连接，网络权值单元与RBF神经网络单元连接，其中，自适应单元用于调整滑模控制器的自适应参数变化率，网络权值单元用于调整RBF神经网络的权值。
更进一步地，还包括参考模型单元，该参考模型单元与滑模控制器连接。
本发明的一种热轧带钢活套张力自适应控制方法，包括：根据滑模控制器设定方程
Figure BDA0003077417700000029
并将热轧带钢活套系统的实际参数X和设定参数Xm输入至滑模控制器，滑模控制器根据X和Xm计算得到控制信号，然后滑模控制器将控制信号输入至热轧带钢活套系统；之后将X和
Figure BDA0003077417700000022
输入至RBF神经网络单元，RBF神经网络单元根据X和
Figure BDA0003077417700000023
计算得到热轧带钢活套系统的不确定项的上界估计值，然后RBF神经网络单元将不确定项的上界估计值输入至热轧带钢活套系统；而后热轧带钢活套系统根据控制信号和不确定项的上界估计值控制活套角度和带钢张力。
更进一步地，根据以下公式计算得到控制信号：
S＝CX
Figure BDA0003077417700000024
其中，S为滑模函数，b为滑模控制器系数矩阵，C为系数，k(t)为自适应参数，
Figure BDA0003077417700000025
为滑模的单位控制信号，
Figure BDA0003077417700000026
是热轧带钢活套系统的不确定项的上界。
更进一步地，利用RBF神经网络单元的RBF神经网络计算热轧带钢活套系统的不确定项的上界估计值。
更进一步地，根据以下公式调整滑模控制器的自适应参数变化率：
Figure BDA0003077417700000027
其中，M为正定矩阵。
更进一步地，根据以下公式计算热轧带钢活套系统的不确定项的上界估计值
Figure BDA0003077417700000028
Figure BDA0003077417700000031
Figure BDA0003077417700000032
其中，RBF神经网络的神经元个数为n个，i∈[1，2，3...n]，mi是第i个神经元的中心位置，σi为第i个神经元的宽度，
Figure BDA0003077417700000033
为RBF神经网络的权值，φ(x)为高斯函数。
更进一步地，还包括：利用自适应单元调整滑模控制器的自适应参数变化率，并利用网络权值单元调整RBF神经网络的权值。
更进一步地，根据以下公式调整RBF神经网络的权值：
Figure BDA0003077417700000034
其中，η表示神经网络权值调整系数。
3.有益效果
相比于现有技术，本发明的有益效果为：
(1)本发明的一种热轧带钢活套张力自适应控制系统，通过设置RBF神经网络单元可有效降低滑模控制器的抖振发生概率，进一步通过滑模控制器对活套角度和带钢张力进行控制，并通过自适应单元提高活套角度和带钢张力的控制精度，进一步提高了系统的稳定性以及可靠性。
(2)本发明的一种热轧带钢活套张力自适应控制方法，通过RBF神经网络实现不确定项的上界自适应学习，实现了对滑模控制器更有效的控制效果，降低了滑模控制器的抖振发生概率。进一步通过滑模控制器输出的控制信号实现了活套角度和带钢张力的精确控制。
附图说明
图1为本发明的结构示意图；
图2为实施例1的热轧活套角度示意图。
图3为实施例1的带钢张力示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例；而且，各个实施例之间不是相对独立的，根据需要可以相互组合，从而达到更优的效果。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
结合图1所示，本发明的一种热轧带钢活套张力自适应控制系统，包括滑模控制器和RBF神经网络单元，滑模控制器与RBF神经网络单元连接，且滑模控制器与热轧带钢活套连接，具体地，滑模控制器将控制信号输入至热轧带钢活套系统，热轧带钢活套系统根据控制信号控制活套角度和带钢张力。需要说明的是，热轧带钢活套系统为现有技术，具体地，热轧带钢活套单元包括活套和控制单元，控制单元的设计为现有技术，只需要使得控制单元实现以下功能：控制单元根据控制信号控制热轧带钢活套系统中活套的角度以及带钢的张力。
本发明的RBF神经网络单元用于计算热轧带钢活套系统的不确定项的上界估计值，其中，RBF神经网络单元设有RBF神经网络，即通过使用RBF神经网络对干扰不确定性上界进行自适应学习，从而可以降低采用固定上界容易产生抖振的发生概率，有效的降低了滑模控制器的抖振的发生概率，进而提高了系统的稳定性和可靠性，进一步提高了活套角度和带钢张力的控制精度。
进一步地，本发明的一种热轧带钢活套张力自适应控制系统还包括自适应单元、网络权值单元和参考模型单元，自适应单元与滑模控制器连接，网络权值单元和参考模型单元分别与RBF神经网络单元连接，需要说明的是，自适应单元用于调整滑模控制器的自适应参数变化率，具体地，自适应单元通过自适应算法调整滑模控制器的自适应参数变化率；此外，网络权值单元通过在线调整网络权值算法调整RBF神经网络的权值，参考模型单元设有参考模型，该参考模型作为热轧带钢活套系统所期望的运行模式。
本发明的一种热轧带钢活套张力自适应控制系统，通过设置RBF神经网络单元可有效降低滑模控制器的抖振发生概率，进一步通过滑模控制器对活套角度和带钢张力进行控制，并通过自适应单元提高活套角度和带钢张力的控制精度，进一步提高了系统的稳定性以及可靠性。
本发明通过采用上述的一种热轧带钢活套张力自适应控制系统，以此实现热轧带钢活套系统中活套角度和带钢张力的自适应控制，具体地，本发明的一种热轧带钢活套张力自适应控制方法，具体步骤如下：
(1)计算控制信号
根据滑模控制器设定方程
Figure BDA0003077417700000041
并将热轧带钢活套系统的实际参数X和设定参数Xm输入至滑模控制器，具体地，滑模控制器的输入项为实际参数与设定参数的误差：e＝X-Xm以及实际参数X；其中，热轧带钢活套系统的实际参数X如下：
Figure BDA0003077417700000051
其中，Δ0是活套角度偏差，Δω’是活套角速度偏差，ΔTu为活套的动力矩偏差，Δσ为带钢张力偏差，
Figure BDA0003077417700000052
为轧机第i个轧辊线速度偏差。
需要说明的是，根据滑模控制器设定方程
Figure BDA0003077417700000053
的具体过程为：本发明先定义控制系统的参考模型为：
Figure BDA0003077417700000054
km为系数，Xm为设定参数，假设存在一个常数矩阵k*满足匹配条件即A+k*＝km，设定方程
Figure BDA0003077417700000055
A为输入变量系数矩阵，u为滑模控制器，b为滑模控制器系数矩阵，fd为外界干扰值。
滑模控制器根据X和Xm计算得到控制信号，具体地，根据以下公式计算得到控制信号：
S＝CX
Figure BDA0003077417700000056
其中，S为滑模函数，b为滑模控制器系数矩阵，C为系数，k(t)为自适应参数，
Figure BDA0003077417700000057
为滑模的单位控制信号，
Figure BDA0003077417700000058
是热轧带钢活套系统的不确定项的上界。
进一步地，本发明通过自适应单元调整滑模控制器的自适应参数变化率，具体地，根据以下公式调整滑模控制器的自适应参数变化率：
Figure BDA0003077417700000059
其中，M为正定矩阵，
Figure BDA00030774177000000510
为自适应参数k(t)和实际参数的误差变化率。
之后滑模控制器将控制信号输入至热轧带钢活套系统，并将
Figure BDA00030774177000000511
输入至RBF神经网络单元。
(2)基于RBF神经网络的上界自适应学习
将热轧带钢活套系统的实际参数X输入至RBF神经网络单元，需要说明的是，RBF神经网络的输入为
Figure BDA00030774177000000512
RBF神经网络单元根据实际参数X和
Figure BDA00030774177000000513
计算得到热轧带钢活套系统的不确定项的上界估计值，具体地，根据以下公式计算热轧带钢活套系统的不确定项的上界估计值
Figure BDA00030774177000000517
Figure BDA00030774177000000515
Figure BDA00030774177000000516
其中，RBF神经网络的神经元个数为n个，i∈[1，2，3...n]，mi是第i个神经元的中心位置，σi为第i个神经元的宽度，
Figure BDA0003077417700000061
为RBF神经网络的权值，φ(x)为高斯函数。
需要说明的是，本发明利用网络权值单元调整RBF神经网络的权值，具体地，根据以下公式调整RBF神经网络的权值：
Figure BDA0003077417700000062
其中，η为神经网络权值调整系数，S为滑模函数，C为系数，本实施例中η＞0。
之后RBF神经网络单元将不确定项的上界估计值输入至热轧带钢活套系统。值得说明的是，热轧带钢活套系统可根据RBF神经网络可以确定不确定项的上界值，此外，RBF神经网络单元的RBF神经网络是三层前向网络结构，由输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而实现了对不确定项的上界值的自适应学习。
热轧带钢活套系统根据控制信号和不确定项的上界估计值控制活套角度和带钢张力，具体地，本发明的热轧带钢活套系统根据不确定项的上界估计值降低模控制器的抖振的发生概率，进一步热轧带钢活套系统根据控制信号控制活套角度和带钢张力。结合图2和图3可知，图2中θ为实际活套角度，θm为设定活套角度；图3中为σ实际带钢张力，σm为设定带钢张力；通过本发明的方法可以稳定控制活套角度和带钢张力。
(3)判断稳定性
定义控制系统的Lyapunov函数为：
Figure BDA0003077417700000063
其中
Figure BDA0003077417700000064
为神经网络权值，η为神经网络权值调整系数，η＞0，
Figure BDA0003077417700000065
为参数误差，M＝MT＞0，M是正定矩阵，tr[M]表示方阵的迹。
对其求导得：
Figure BDA0003077417700000066
根据lyapunov函数导数特点把原式分为以下两个部分分析：
(i)令
Figure BDA0003077417700000067
根据矩阵迹的理论可知：
Figure BDA0003077417700000068
Figure BDA0003077417700000069
可求得自适应参数在线调整算法为：
Figure BDA0003077417700000071
Figure BDA0003077417700000072
为了使上式小于或者等于零，设定：
Figure BDA0003077417700000073
可得自适应算法在线调整神经网络权值：
Figure BDA0003077417700000074
把
Figure BDA0003077417700000075
代入原式可得：
Figure BDA0003077417700000076
Figure BDA0003077417700000077
负半定，根据李雅普诺夫稳定性第二定理，说明本发明的控制系统是稳定的，滑模运动轨迹将在很短的时间内到达滑模面并保持在其上运动。同时滑模函数S和自适应参数
Figure BDA0003077417700000078
趋近于零，V,s,
Figure BDA0003077417700000079
都有边界，可得
Figure BDA00030774177000000715
也是有界的。对上式两边求积分得
Figure BDA00030774177000000710
其中，V(0)是有界的，V(t)不增长有界的，从而可以判断
Figure BDA00030774177000000711
也是有界的。因为
Figure BDA00030774177000000712
和
Figure BDA00030774177000000713
都是有界的，进一步根据Barbalat定理可知，s(t)渐近的趋近于零，
Figure BDA00030774177000000714
从滑模函数可以看出，X(t)也是渐近的趋近于零。
本发明的一种热轧带钢活套张力自适应控制方法，通过RBF神经网络实现不确定项的上界自适应学习，实现了对滑模控制器更有效的控制效果，降低了滑模控制器的抖振发生概率。进一步通过滑模控制器输出的控制信号实现了活套角度和带钢张力的精确控制。
在上文中结合具体的示例性实施例详细描述了本发明。但是，应当理解，可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的，而不是限制性的，如果存在任何这样的修改和变型，那么它们都将落入在此描述的本发明的范围内。此外，背景技术旨在为了说明本技术的研发现状和意义，并不旨在限制本发明或本申请和本发明的应用领域。

Claims (10)

1.一种热轧带钢活套张力自适应控制系统，其特征在于，包括滑模控制器和RBF神经网络单元，滑模控制器与RBF神经网络单元连接，其中，滑模控制器用于控制热轧带钢活套的张力，RBF神经网络单元用于计算热轧带钢活套系统的不确定项的上界估计值。
2.根据权利要求1所述的一种热轧带钢活套张力自适应控制系统，其特征在于，还包括自适应单元和网络权值单元，自适应单元与滑模控制器连接，网络权值单元与RBF神经网络单元连接，其中，自适应单元用于调整滑模控制器的自适应参数变化率，网络权值单元用于调整RBF神经网络的权值。
3.根据权利要求1所述的一种热轧带钢活套张力自适应控制系统，其特征在于，还包括参考模型单元，该参考模型单元与滑模控制器连接。
4.一种热轧带钢活套张力自适应控制方法，其特征在于，包括：
根据滑模控制器设定方程
Figure FDA0003077417690000015
并将热轧带钢活套系统的实际参数X和设定参数Xm输入至滑模控制器，滑模控制器根据X和Xm计算得到控制信号，然后滑模控制器将控制信号输入至热轧带钢活套系统；
将X和
Figure FDA0003077417690000016
输入至RBF神经网络单元，RBF神经网络单元根据X和
Figure FDA0003077417690000017
计算得到热轧带钢活套系统的不确定项的上界估计值，然后RBF神经网络单元将不确定项的上界估计值输入至热轧带钢活套系统；
热轧带钢活套系统根据控制信号和不确定项的上界估计值控制活套角度和带钢张力。
5.根据权利要求4所述的一种热轧带钢活套张力自适应控制方法，其特征在于，根据以下公式计算得到控制信号：
S＝CX
Figure FDA0003077417690000011
其中，S为滑模函数，b为滑模控制器系数矩阵，C为系数，k(t)为自适应参数，
Figure FDA0003077417690000012
为滑模的单位控制信号，
Figure FDA0003077417690000013
是热轧带钢活套系统的不确定项的上界。
6.根据权利要求4所述的一种热轧带钢活套张力自适应控制方法，其特征在于，利用RBF神经网络单元的RBF神经网络计算热轧带钢活套系统的不确定项的上界估计值。
7.根据权利要求5所述的一种热轧带钢活套张力自适应控制方法，其特征在于，根据以下公式调整滑模控制器的自适应参数变化率：
Figure FDA0003077417690000014
其中，M为正定矩阵。
8.根据权利要求5所述的一种热轧带钢活套张力自适应控制方法，其特征在于，根据以下公式计算热轧带钢活套系统的不确定项的上界估计值
Figure FDA0003077417690000021
Figure FDA0003077417690000022
Figure FDA0003077417690000023
其中，RBF神经网络的神经元个数为n个，i∈[1,2,3…n]，mi是第i个神经元的中心位置，σi为第i个神经元的宽度，
Figure FDA0003077417690000024
为RBF神经网络的权值，φ(x)为高斯函数。
9.根据权利要求7所述的一种热轧带钢活套张力自适应控制方法，其特征在于，还包括：利用自适应单元调整滑模控制器的自适应参数变化率，并利用网络权值单元调整RBF神经网络的权值。
10.根据权利要求8所述的一种热轧带钢活套张力自适应控制方法，其特征在于，根据以下公式调整RBF神经网络的权值：
Figure FDA0003077417690000025
其中，η表示神经网络权值调整系数。
CN202110556678.8A 2021-05-21 2021-05-21 一种热轧带钢活套张力自适应控制方法 Active CN113245373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110556678.8A CN113245373B (zh) 2021-05-21 2021-05-21 一种热轧带钢活套张力自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110556678.8A CN113245373B (zh) 2021-05-21 2021-05-21 一种热轧带钢活套张力自适应控制方法

Publications (2)

Publication Number Publication Date
CN113245373A true CN113245373A (zh) 2021-08-13
CN113245373B CN113245373B (zh) 2023-04-04

Family

ID=77183559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110556678.8A Active CN113245373B (zh) 2021-05-21 2021-05-21 一种热轧带钢活套张力自适应控制方法

Country Status (1)

Country Link
CN (1) CN113245373B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115846421A (zh) * 2023-02-23 2023-03-28 江苏甬金金属科技有限公司 一种金属轧机的张力智能控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05208207A (ja) * 1992-01-31 1993-08-20 Nippon Steel Corp 熱延プロセス制御方法
JPH0729006A (ja) * 1993-07-07 1995-01-31 Kobe Steel Ltd ニューラルネットワークの保持データ分析方法
CN102298315A (zh) * 2011-06-21 2011-12-28 河海大学常州校区 基于rbf神经网络滑模控制的mems陀螺仪的自适应控制系统
CN103909095A (zh) * 2012-12-31 2014-07-09 攀钢集团攀枝花钢铁研究院有限公司 热轧机活套控制方法和用于热轧机的轧制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05208207A (ja) * 1992-01-31 1993-08-20 Nippon Steel Corp 熱延プロセス制御方法
JPH0729006A (ja) * 1993-07-07 1995-01-31 Kobe Steel Ltd ニューラルネットワークの保持データ分析方法
CN102298315A (zh) * 2011-06-21 2011-12-28 河海大学常州校区 基于rbf神经网络滑模控制的mems陀螺仪的自适应控制系统
CN103909095A (zh) * 2012-12-31 2014-07-09 攀钢集团攀枝花钢铁研究院有限公司 热轧机活套控制方法和用于热轧机的轧制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闵喜瑞: "基于径向基函数（RBF）神经网络滑模变结构厚度控制", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115846421A (zh) * 2023-02-23 2023-03-28 江苏甬金金属科技有限公司 一种金属轧机的张力智能控制方法及系统
CN115846421B (zh) * 2023-02-23 2023-06-02 江苏甬金金属科技有限公司 一种金属轧机的张力智能控制方法及系统

Also Published As

Publication number Publication date
CN113245373B (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
Geddes et al. Improvements in product quality in tandem cold rolling using robust multivariable control
CN103934278B (zh) 一种热轧精轧带钢厚度控制方法
CN103406370B (zh) 基于模糊双曲模型冷轧机工作辊乳化液分段冷却控制方法
CN109647901B (zh) 一种基于模糊控制的冷轧机前馈厚度控制方法及装置
CN113245373B (zh) 一种热轧带钢活套张力自适应控制方法
CN104874613B (zh) 通过轧机速度补偿实现热连轧机架间秒流量平衡的方法
CN107999545B (zh) 基于系统辨识与参数自适应的冷轧机秒流量厚度控制方法及系统
CN107442577A (zh) 一种精轧带钢负荷分配设定方法
CN105344720B (zh) 一种精轧带钢终轧温度的在线控制方法
CN101927269A (zh) 一种三辊轧机辊缝控制器调节方法
CN105499279B (zh) 一种冷轧带材板形前馈控制方法
JPH07191711A (ja) 調節されるシステム内のプロセスに指令を与えるための方法および装置
Guelton et al. Coating weight control on ArcelorMittal’s galvanizing line at Florange Works
CN115218603B (zh) 冷却流量控制方法及装置
CN114643287B (zh) 一种基于板形闭环调节量的弯辊力输出控制方法
CN109877164B (zh) 一种基于模糊控制的冷轧机秒流量厚度控制方法及装置
JP2804320B2 (ja) めっき付着量制御方法
JP2012121063A (ja) タンデム圧延機の制御方法及び制御装置
TWI786580B (zh) 精軋機出口溫度估算方法
CN114101337B (zh) 一种单机架可逆轧机的厚度控制方法、装置
CN116586443A (zh) 一种控制不锈钢冷轧轧机轧制力平衡的方法
CN108971237A (zh) 用于金属轧制应用的轴承浮动补偿
MacAlister et al. Predictive control of temperature and width for hot strip mills
JPS6111124B2 (zh)
CN117983668B (zh) 一种基于性能评估的热轧过程厚度活套张力优化控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant