薄带坯铸轧新一代铝加工发展

　薄带坯铸轧是新一代铝加工发展的重要方向和铝加工技术的制高点，而板形控制是当今铸轧技术领域的一个前沿课题，是保证铸轧工艺顺利进行，控制产品质量的关键技术。它包括板形模式识别技术与板形控制技术。

本文以国家计委产业化前期关键技术及成套装备研制与开发项目“铝及铝合金铸轧新技术与设备研制开发”(计高技[1998]1985)为背景，以铸轧板形控制技术与装置为研究对象，分析总结了铸轧板形形成机理与控制特性，提出了铸轧板形控制的思路，并设计了控制方案，研究了BP网络和遗传算法人工智能技术用于板形模式识别的参数设计原则，应用神经网络初始权重多维空间优化方法，建立了GA-BP网络板形模式识别模型；根据铸轧板形控制的思路，引入人工智能预测控制的思想，建立了GA-BP网络板形在线预测模型和预测控制模型；开发了铸轧板形控制系统的主要子系统(板形检测系统、金属流场控制系统、数据采集系统和软件系统)，对板形控制系统进行了技术集成；在此基础上，将铸轧板形控制系统及模型应用到了快速减薄铸轧工业试验，并进行了工业试验验证。这对于我国薄带坯铸轧技术的发展具有重要的理论意义和工程实用价值。

论文的主要研究内容和成果如下：

1.通过分析总结铸轧过程板形形成机理与控制特性，指出由于来料不存在板形问题，铸嘴内金属温度场和速度场是影响板形的关键因素，提出了以铸嘴内金属流场调节为主、外冷为辅来调节热辊型，压下缸为辅控制板形的铸轧板形控制思路，并设计了铸轧板形控制系统总体方案。

2.研究了BP网络用于板形模式识别时快速BP算法的适用性，以及主要参数的变化对板形模式识别效果的影响，得出了BP网络板形模式识别参数设计的基本原则。指出BP网络模式识别的重要问题是提高网络对未学习样本的识别能力。

3.研究了把高级语言对象封装的思想引入到遗传算法的优化过程，建立神经网络初始权重多维空间优化模型的方法，应用该方法建立了GA-BP网络板形模式识别模型。研究了遗传算法主要参数对遗传优化性能的影响，设计了以训Ⅰ练样本误差和测试样本误差相结合的遗传算法适应度函数策略；确定了以较大的网络期望误差和低的适应值进化程度为网络的训练策略；实现了GA-BP网络的板形模式识别，有效的提高了BP网络对未学习样本的识别能力。

4.按照铸轧板形控制的思路，建立了铸轧板形控制过程模型，引入人工智能预测控制的思想，应用板形控制的时滞性和铸轧过程参数的实时检测值，建立了铸轧过程GA-BP网络板形在线预测模型和预测控制模型，并进行了离线仿真分析，结果证明模型正确有效。

5.设计了基于双束激光差动测量方法的扫描式激光板形检测方案，实现了低成本、高精度的板形板厚同时测量；设计、开发了以PLC为核心的金属流场控制系统；设计了基于管理级、控制主站以及采集从站三级数据采集分布式系统；采用模块化的结构设计思想，开发了铸轧板形控制软件系统；在此基础上对板形控制系统进行了技术集成。

6.利用快速减薄铸轧工业试验过程采集的数据，对建立的GA-BP网络板形识别模型与在线预测模型进行了验证，试验结果表明模型正确有效，为铸轧板形控制的进一步研究奠定了理论与试验基础。