1、“.....除此之外，还可以推导出以下两个控制模型终轧温度补偿控制模型式中终轧温度补偿控制冷却喷水段数系数。转移控制模型式中转移控制冷却喷水段数。这里的转移控制，是考虑在卷取温度控制中引入反馈控制方式后，为尽可能减小控制滞后，而将反馈调节集中在层流冷却系统的下游处进行。假设上游冷却水段数过多，就会使带钢的温度过低，则进行反馈控制时，必须关闭喷水段，才能使带钢温度提高，然而下游又没有可关闭的喷水段，这样反馈控制就起不了作用。因此在卷取温度目标值中预加，使下游处增加水冷段数，等效于将上游冷却段数的小部分转移到下游处，为反馈控制留出余地，实际经验表明，取为宜。反馈控制模型反馈控制模型主要用来修正卷取目标温度与实际温度的偏差，以便达到较高的卷取温度控制精度。最初的反馈控制，由于控制信号时间滞后较长，因此为避免振荡......”。

2、“.....分为两部分调节，是当带钢的头部到达层流冷却系统出口高温计温度检测点时，如果检测的温度与通过模型计算的温度值产生误差时，则通过反馈控制对所产生的误差值进行修正二是当带钢头部到达卷取温度检测点时，若所测卷取温度与设定的卷取温度产生误差时，则通过反馈控制对所产生的误差进行集管开启修正控制。修正采用下列公式计算式中修正冷却水段数带钢头部实测温度通常为采样数据平均值，。需要指出的是，式中给出的反馈控制算法，由于不能进行带钢的全长反馈控制，因此其控制效果是很有限的。为了解决带钢全长反馈控制问题，在卷取温度控制的实践中，采用下列反馈控制算法式中实测卷取温度目标值，。令则式中反馈控制比例项增益因子反馈控制积分项增益因子。于是，可改写为实践证明......”。

3、“.....取得了较好的效果，并已经成功地应用在我国若干套大型带钢热连轧机上。根据上述的前馈控制模型终轧温度补偿控制模型转移控制模型和反馈控制模型，总的冷却喷水段数为自学习模型模型自学习是近几十年来迅速发展起来并广泛应用于计算机控制的项技术。仅仅根据上述的几种控制模型，卷取温度的控制精度是有限的。因此，为了提高计算精度，增强控制模型的适应性，模型的设计需要考虑自学习功能，通过学习可以获得用于修正温度预报模型的自学习系数，即模型具有根据自身经历不断修正以提高精度的学习能力。其基本原理是根据带钢卷取温度的实测值和预报值之间的偏差，采用适当的修正算法，对预报模型中的重要参数进行修正，以提高模型对以后带钢的预报精度。自学习主要包括长期自学习和短期自学习。短期自学习短期自学习又叫带钢段之间的自学习。当带钢段出层冷区的高温计时......”。

4、“.....要进行带钢段之间的自学习，以提高控制精度。短期自学习采用指数平滑法式中当前带钢段自学习后的自学习值当前带钢段的自学习值，由实测值反推得到上带钢段自学习后的自学习值增益系数在自学习过程中需要取值合适，取值时需要考虑实测值的可信度和该规格的带钢已经自学习的次数。长期自学习带钢之间的自学习主要是考虑到当前带钢的控制对下块带钢的影响，所以需要进行长期自学习。当带钢全部都出了层冷区的高温计时，采用指数平滑法进行带钢之间的自学习，为保证稳定性，可以取合适的增益系数。主要是利用控制点之间的自学习所得到的系数，在中选取平均计算的结果作为自学习系数，读取上块的结果......”。

5、“.....过程自动化控制级级将该带钢的相关数据，包括日期时间钢卷号目标数据设定数据以及测量数据添加到本地工程记录数据库中。为了方便查看本地历史工程记录，可以根据需要对工程记录进行各种组合查询和排序。本章小结图层流冷却控制系统流程图开始接受带钢及轧线数据操作指令处理预设定计算及卷取温度预报带钢跟踪层冷入口实测数据处理前馈控制层冷出口实测数据处理反馈控制模型自学习数据库归档结束本章主要研究层流冷却温降模型的空冷区温降模型水冷区温降模型，卷取温度预报模型的传统卷取温度预报模型基于遗传神经网络的卷取温度预报模型，预设定模型前馈控制模型反馈控制模型自学习模型以及数据库模型......”。

6、“.....冷却后的卷取温度完全可以满足生产工艺的要求。由前述内容，可得到层流冷却控制的系统流程图，如图所示。层流冷却的控制策略由于轧制的带钢的钢种和轧后的厚度不同，所以采用的轧后控冷策略是不同的，主要包括冷却策略带钢分段控制层冷区分段控制冷却速度控制侧喷和吹扫控制和上下集管水比配置。冷却策略在控制过程中，冷却策略主要确定以下几方面的内容上下开阀的起始位置只在前向冷却和两段式冷却的第段中起作用，般上下起始位置是在同个位置，特殊情况下上集管的起始位置应该比下集管更加靠近精轧。操作工可以在上面根据实际情况输入上集管阀门和下集管阀门的开启位置，同时在程序中层流冷却系统还提供手动控制半自动控制和全自动控制三种控制方式。这些都是目前我国带钢热连轧生产线上常用到的层流冷却的控制策略，可以看出......”。

7、“.....同时，对这些策略的进步研究，有利于开发和研究特殊钢种的冷却策略。实验部分通过可视化编程语言，在机上编写程序，利用国内带钢热连轧生产线生产过程中实际历史数据，对控制模型里的遗传神经网络卷取温度预报模型进行离线学习和测试，训练数据和测试数据分别为组和组。利用训练样本分别对神经网络和遗传神经网络在相同精度要求的情况下进行误差反向传播训练，遗传神经网路在训练次时达到了精度要求，而神经网络则需要次，收敛速度提高了。图显示了两种方法收敛速度的差异图两种神经网络收敛速度比较经过遗传算法的优化设计之后，神经网络进步进行误差反向传播计算次，作为预测网络对测试数据进行测试，单样本的测试的时间不超过。图预测的卷取温度的偏差从图可以看出预测的卷取温度与目标卷取温度的偏差比较集中，偏差绝对值在以内的预测值达到了，偏差绝对值在以内的预测值达到......”。

8、“.....所以，得到以下结论将遗传算法和神经网络相结合，极大地加快了算法的搜索进程，保证了网络隐层节点数隐层作用函数的最佳选取和网络权值阈值的最佳优化将遗传神经网络应用于带钢热连轧卷取温度的预报能够满足卷取温度预报的精度要求，同时具有较快的收敛速度，能够满足实时控制的要求。当带钢在层冷入口获得实测数据后，利用已经训练好的遗传神经网络，对卷取温度进行预报，并结合带钢微跟踪进行实时前馈补偿控制的方法是可行的，有在线应用的前景。友好的人机界面系统是套工业应用的自动化系统的重要组成部分，对于操作工的现场操作和系统维护都有着重要作用。利用西门子的组态控制软件设计并实现了功能完善界面友好的系统，包括卷取温度控制，又叫层流冷却控制主监控画面图曲线监控画面图故障阀设置画面图检测信号监控画面图其他阀测试画面图和手动自动设定画面......”。

9、“.....结合北京科技大学高效轧制国家工程研究中心承接的国内大型钢铁集团的带钢热连轧生产线二级系统改造项目，从控制模型和策略两方面针对如何提高层流冷却过程中的卷取温度控制精度进行了深入的研究，得出以下结论通过对热轧带钢层流冷却过程的分析，知道冷却过程中的温降模型的计算精度直接影响到最终的冷却效果。所以，建立精确的带钢冷却模型对提高卷取温度控制精度具有重要的影响。层流冷却的控制模型有很多种，其中卷取温度预报模型是基础模型，文中所提到的带钢热连轧生产线以前采用的是传统的卷取温度预报模型，轧制的钢材质量差......”。