鉴于炉热状态判断对电石冶炼的重要性,在对电石炉冶炼过程特点分析的基础上,提出炉热指数的基本概念.建立了基于两段式热平衡分析的炉热指数计算模型,在此基础上建立了基于BP神经网络的电石液温度预测模型.采用这两种模型可以更有效地对电石炉热状态进行判断.模型仿真研究表明,电石液温度与高温区热盈余线性相关,用炉热指数判断电石炉热状态是可行的.电石液温度预测模型的命中率达到86.7%

针对板坯入库优化决策问题,采用隶属度函数表示待入库板坯长度、宽度、厚度与各库位已存板坯对应属性的匹配程度,建立了板坯入库模型.针对问题特征,借鉴遗传算法的交叉和变异操作,设计了一种混合离散粒子群算法(DPSO-CM)进行求解.基于企业实际生产数据的仿真实验验证了模型和算法的可行性和有效性

定义了评价轧机板形控制性能的六项指标,包括承载辊缝凸度调节域、辊缝横向刚度、板形调控功效曲线、边缘降、辊间接触压力平均幅值和辊间接触压力分布不均匀度.建立了HC,CVC,PC和DSR系列轧机的有限元仿真模型,并从板形控制性能的六项指标方面分析了当前国际上流行的各种机型的特点

为解决强背景信号下冲击特征的提取问题,提出了一种自适应多尺度形态学分析方法.对于实际的待分析信号,分别定义长度尺度和高度尺度来确定多尺度形态学分析的结构元素,并基于信号的局部峰值实现自适应多尺度形态学分析.数值仿真实验分析表明,自适应多尺度形态学分析方法较单尺度形态学分析方法更利于提取信号的形态特征,避免了单尺度形态学分析在结构元素选择时的盲目性和对相关先验知识的依赖性.本文所提出的方法应用于轴承故障诊断,结果表明这种方法可以清晰地提取出各种特征信号

针对板形板厚耦合系统中参数在一定范围内变化的情况下,将自适应控制与系统具体的数学模型相结合,提出自动调整解耦网络和控制器参数的设计方法。仿真表明,该方法消除了参数变化的影响,使解耦控制效果良好

以缩小连铸二冷区板坯表面实际温度和目标温度的差异为目标,建立了板坯连铸二次冷却智能控制模型.该模型采用支持向量机(SVM)实现板坯表面目标温度的动态设定,采用对角递归神经网络(DRNN)实现板坯表面温度的预测,采用T-S模糊递归神经网络实现二次冷却水动态调整与分配.通过对某钢厂板坯连铸过程进行仿真计算和现场试验,结果表明:该模型将二次冷却水水量控制问题与板坯在冷却过程中的温度状态相结合,实现了连铸二次冷却动态优化控制,有利于提高板坯的质量

对热连轧过程中的活套系统进行了分析,对几种活套控制方式进行了比较.对AGC(自动厚度控制)系统和活套控制系统进行综合设计,提出了一种新的控制方式.仿真结果证明了方法的有效性,可进一步提高热连轧过程的成品质量

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果

给出了1种隐式自校正动态矩阵控制器。利用两个辨识器证明了其全局收敛性。并给出了仿真实例

针对各类控制算法在鲁棒性分析上存在的\不可比\性,提出了一种通用的控制算法鲁棒性量化指标,并借此对两种模型算法控制(MAC)算法-基本MAC和增量型MAC的鲁棒性进行了量化分析,得到了与仿真研究和实际控制相一致的结果