基于BP-GA算法的板坯連鑄二冷水動態(tài)控制模型研究.pdf

1、高效連鑄過程的二次冷卻水控制水平與鑄坯質量密切相關。鑄坯質量如內部裂紋、表面裂紋、鼓肚和形狀缺陷、中心偏析等形成的原因與二次冷卻制度不合理、冷卻不均勻有一定關系。板坯連鑄的二冷區(qū)通常由多個噴水段組成，各段的目標溫度不同，控制水量也不同，而且連鑄生產過程具有復雜性和不確定性特征。凝固傳熱數(shù)學模型是連鑄過程控制與優(yōu)化的基礎，基于傳熱模型確定二冷制度是應用最廣泛的一種方法，可以對連鑄生產過程進行模擬計算。但是，當考慮生產影響因素較多和輸入條件

2、變化明顯時，該方法的實時性和應變性難以保證。因此，將人工智能優(yōu)化算法如遺傳算法(Genetic Algorithm，GA)、神經網絡、模糊控制器等引入進行連鑄二冷動態(tài)配水與優(yōu)化控制方法研究，對連鑄機二冷段水量的合理分配和動態(tài)控制有重要意義。 圍繞板坯連鑄二冷配水優(yōu)化與控制問題，在建立的凝固傳熱數(shù)學模型基礎上，開展配水優(yōu)化和動態(tài)控制方法研究。以一維和二維連鑄板坯凝固傳熱數(shù)學模型為基礎，考慮冶金準則的約束，研究遺傳算法進行連鑄二冷各

3、段水量優(yōu)化的方法，從而可確定拉速一水量的靜態(tài)配水經驗公式中的參數(shù)，為進一步優(yōu)化二冷水控制方案提供參考依據(jù)；以目標表面溫度為約束，應用模糊邏輯技術實現(xiàn)基于傳熱數(shù)學模型的定拉速下二冷段水量的優(yōu)化，以及變拉速下水量的動態(tài)分配；使用BP神經網絡辨識連鑄凝固傳熱數(shù)學模型，達到對鑄坯溫度的預測；將神經網絡與模糊邏輯結合，應用模糊神經網絡進行水量的動態(tài)分配與控制，改進模糊邏輯在控制水量分配時不能學習的問題；建立基于神經網絡和模糊邏輯技術的由神經網絡預

4、測連鑄二冷段溫度場分布，由模糊神經網絡據(jù)神經網絡預測的溫度實現(xiàn)水量動態(tài)分配與控制的全智能動態(tài)控制模型。 連鑄二冷動態(tài)配水模型軟件基于Windows開發(fā)平臺，選用Microsoft的VisualBasic 6.0編程實現(xiàn)，模型軟件以可用性、靈活性及可靠性為設計原則。軟件測試分為離線測試與在線測試，以攀鋼提釩煉鋼廠2＃板坯連鑄機二冷水控制為具體對象，二冷段出口板坯表面溫度為控制目標，離線測試使用從攀鋼現(xiàn)場獲取的歷史數(shù)據(jù)庫進行仿真計算

5、；在線測試在攀鋼提釩煉鋼廠生產現(xiàn)場，從實時數(shù)據(jù)庫提取實時數(shù)據(jù)計算，并同步進行現(xiàn)場板坯表面溫度測定，以完成方法檢驗和軟件測試。 連鑄二冷動態(tài)配水模型軟件的測試和應用表明：基于遺傳算法的二冷配水優(yōu)化模型，可減少表面溫度與目標溫度的差異，同時回熱與冷卻速率也更趨于合理，滿足了冶金準則對改善鑄坯冷卻過程和提高產品質量的要求；利用模糊神經網絡的計算能力，可快速響應二冷配水中拉速和目標溫度等變化對水量調整的實時性要求；基于BP神經網絡與高斯