基于CPA-OSELM的热轧带钢厚度在线预测

为解决自动厚度控制(automatic gauge control, AGC)系统反馈滞后、耦合强、厚度偏差大等问题,提出了一种基于食肉植物算法(carnivorous plant algorithm, CPA)的在线顺序极限学习机(online sequential extreme learning machine, OSELM)预测算法。首先,基于从现场采集的相关数据,建立了OSELM在线厚度预测模型。然后为了提高模型的准确性及稳定性,采用CPA方法优化OSELM的权重和偏置。在此基础上,运用自学习方法进一步提高模型的预测精度。最后,通过实验验证基于CPA-OSELM预测模型的有效性。实验结果表明:基于CPA-OSELM的方法能够对不同规格带钢的出口厚度进行高精度在线预测,预测结果可用于提升AGC模型的控制精度,为提升带钢产品质量奠定基础。

一种改进的KFF-AGC方案

KFF-AGC已在国内轧机投入应用,但效果不甚明显。为有效消除水印厚差、头尾厚跃和趋势性厚差,提出一种改进的KFF-AGC方案。该方案将所有厚差分为两类,采取不同的控制策略,并兼顾考虑降低偏心、系统延迟、高频随机波动的影响。经现场实验,该控制方案能大幅提高厚度控制精度。