连续退火机组SF段带钢跑偏混合动态监测模型.pdfVIP

连续退火机组SF段带钢跑偏混合动态监测模型,唐智雁,等

连续退火机组SF段带钢跑偏混合动态监测模型

HybridDynamicMonitoringModelofStripSteelRunningDeviation

forSFSectioninContinuousAnnealingLine

唐智雁史懿王显鹏123

(宝山钢铁股份有限公司,上海200431;1

23

上海宝钢工业技术服务有限公司,上海201900;东北大学工业工程与物流优化研究所,辽宁沈阳110819)

摘要:针对宝钢1220mm连续退火机组均热炉(SF)段带钢经常发生跑偏或打滑的问题,提出了一个基于最小二乘支持向量机

(LSSVM)的带钢跑偏分类模型。使用改进粒子群算法对其模型参数进行寻优,再将LSSVM分类模型与主元分析(PCA)方法相结合;

并基于动态时间窗思想,提出了一个SF段带钢跑偏的混合动态监测模型,开发了SF段带钢跑偏监测系统。基于实际生产数据的仿

真结果表明,所提出的LSSVM模型具有较高的分类精度;相较于单一方法,混合监测模型能够更加准确地对带钢跑偏进行分析和

预警。

关键词:连续退火机组混合动态监测神经元网络最小二乘支持向量机主元分析改进粒子群算法径向基函数

中图分类号:TH7;TP277文献标志码:ADOI:10.16086/j.cnki.issn1000-0380.201611004

Abstract:Insoakingfurnace(SF)sectionofBaosteel1220mmcontinuousannealingline,runningdeviationorslippingofthestripsteeloccurs

veryoften,tosolvethisproblem,basedonLSSVM,theclassificationmodelofrunningdeviationisproposed.Theparametersofthemodelare

optimizedbyusingimprovedparticleswarmoptimizationalgorithm,andtheLSSVMclassificationmodeliscombinedwiththeprincipal

componentanalysis(PCA)method;basedontheideaofdynamictimewindow,ahybriddynamicmonitoringmodelofstripsteelrunning

deviationinSFsectionisproposed,andthemonitoringsystemoftherunningdeviationisdeveloped.Theresultsofsimulationbasedonpractical

productivedatashowthattheLSSVMmodelproposedhashigherclassificationaccuracy,comparingwiththeunitarymethod,thehybrid

monitoringmodelismoreaccurateforwarningandanalyzingtherunningdeviationofstripsteel.

Keywords:ContinuousannealinglineHybriddynamicmonitoringNeuralnetworkLSSVMPrincipalcomponentanalysis(PCA)

ImprovedparticleswarmoptimizationRadialbasisfunction