中厚板轧制过程的控制模型及仿真研究

论文摘要

现代中厚板轧制过程的控制非常复杂,传统的控制模型因假设条件偏离实际太多,已不能满足现代化高精度轧制过程的控制要求,而基于BP神经网络的预测模型因本身算法的缺陷,限制了预测精度的进一步提高。因此,本文采用更有效的径向基函数神经网络方法建立中厚板轧制过程的控制模型,同时采用热力耦合有限元方法对中厚板轧制力学行为进行仿真研究,进一步完善轧制过程的数值模拟方法。分析中厚板轧制过程力能参数的主要影响因素,利用对4200中厚板轧机现场实测的数据,选用径向基函数（RBF）神经网络完成轧制力能参数的建模,包括应力状态系数、金属变形抗力以及轧制压力等模型。研究网络模型中的参数对提高模型的预测精度及收敛速度的影响。通过三个模型的对比,得出随着网络输入层参数的个数的增加,网络模型的预测误差随之降低。并与BP神经网络的预测结果比较,结果表明RBF神经网络稳定性更好,具有更高的精度和效率。选用某厂轧制规程,结合中厚板轧制过程的特点,针对材料为合金钢的轧件变形时所具有的材料非线性、接触非线性等问题,有效处理了轧制过程加载和边界问题。并考虑温度场与应力应变场的相互影响,采用LS-DYNA3D有限元程序建立中厚板轧制过程的三维热力耦合有限元模型,对轧制过程进行模拟,分析了轧件的塑性变形规律、应力应变场及温度场的变化规律,对轧制力的分布特点进行研究,并将生产现场实测的轧制力数据与模拟数据进行了对比,表明LS-DYNA3D有限元程序用于轧制过程的热力耦合模拟的可行性。本文最后研究4200中厚板轧机的非线性垂直振动特性,采用数值方法研究轧机非线性参激振动系统的分岔图和庞加莱截面图,分析振动系统随激励参数变化的拟周期运动和混沌运动现象。得出随着轧件刚度的增大,轧机系统的振动状态越复杂,系统越容易失稳。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 国内外研究概况
• 1.2.1 人工神经网络在轧制领域中的应用研究
• 1.2.2 数值模拟技术在中厚板轧制领域中的发展与现状
• 1.3 课题的研究意义
• 1.4 本课题的主要研究内容
• 2 中厚板轧制理论概述
• 2.1 中厚板轧制的主要工艺流程
• 2.1.1 4200轧机车间的平面布置
• 2.1.2 中厚板的生产工艺
• 2.2 轧制变形区的基本参数
• 2.3 轧制过程的应力状态
• 2.3.1 轧制时变形区的应力状态
• 2.3.2 轧制时外区的应力状态
• 2.4 影响轧制压力的主要因素
• 2.4.1 外摩擦的影响
• 2.4.2 张力的影响
• 2.4.3 外区的影响
• 2.5 4200轧机轧制压力的主要影响因素
• 2.6 本章小结
• 3 中厚板轧制过程的神经网络建模
• 3.1 径向基函数（RBF）神经网络
• 3.1.1 人工神经网络概述
• 3.1.2 RBF网络的结构
• 3.1.3 RBF网络的设计
• 3.1.4 MATLAB神经网络工具箱
• 3.2 金属变形抗力模型
• 3.2.1 概述
• 3.2.2 样本数据
• 3.2.3 神经网络模型的建立
• 3.2.4 网络模型的测试及结果分析
• 3.2.5 结语
• 3.3 轧制变形区应力状态系数模型
• 3.3.1 概述
• 3.3.2 应力状态影响系数神经网络模型的构建
• 3.3.3 模型的测试及结果分析
• 3.3.4 结语
• 3.4 轧制压力模型
• 3.4.1 概述
• 3.4.2 轧制力神经网络模型的构建
• 3.4.3 网络模型的测试及结果分析
• 3.4.4 结语
• 3.5 本章小结
• 4 中厚板轧制过程有限元模型的建立
• 4.1 显式动力学有限元理论
• 4.2 LS-DYNA3D中的热力耦合方法
• 4.3 轧制模型热分析的边界条件
• 4.4 轧件的咬入条件
• 4.5 轧制过程有限元模型的建立
• 4.6 本章小结
• 5 中厚板轧制过程的模拟结果分析
• 5.1 轧件温度场的变化
• 5.2 轧制变形区的变形分布
• 5.2.1 轧件应力应变分布规律
• 5.2.2 轧制变形区速度场分布
• 5.3 轧制压力的研究
• 5.3.1 轧制压下率的影响
• 5.3.2 轧件温度的影响
• 5.3.3 轧制力的计算结果与实测值的对比
• 5.4 本章小结
• 6 中厚板轧机振动的非线性分析
• 6.1 引言
• 6.2 非线性振动模型的建立
• 6.3 非线性振动的数值仿真
• 6.4 轧机振动系统仿真结果分析
• 6.5 本章小结
• 7 结论与展望
• 7.1 结论
• 7.2 展望
• 致谢
• 参考文献
• 攻读学位期间取得的研究成果