退火炉作为连续退火生产线中重要的一环,主要负责带钢的连续退火热处理过程,为了保证该过程连续且稳定的进行,进而保证带钢的生产质量,需要带钢在退火炉内平稳的运行。退火炉带钢张力控制是保证带钢稳定运行的研究方向之一,现有的研究成果在一定程度上保证了带钢的生产效率。但是退火炉带钢张力控制过程涉及因素较多,难以建立准确的数学模型来描述该过程,目前退火炉内带钢跑偏现象时有发生。因此,有必要进一步构建退火炉带钢张力控制模型,并开发相应的二级跟踪界面,最终将其应用到工业现场,用以提高退火炉带钢张力设定精度和降低退火炉带钢张力波动。本文以某钢铁有限公司连续退火生产线中的退火炉作为研究对象,结合实际生产工艺要求,详细分析了退火炉带钢张力控制系统,并使用数据分析、BP神经网络、循环神经网络、Q-Learning算法等技术构建了模型对退火炉带钢张力进行控制。针对退火炉带钢张力设定精度低的问题,本文设计了一个基于BP神经网络的退火炉带钢张力设定方案,通过BP神经网络技术与传统静态表技术相结合,并应用现场生产数据进行训练,得到了一个泛化性能良好的退火炉带钢张力设定模型。经过现场生产验证,证明了该模型可以有效减少带钢跑偏情况的发生。针对退火炉带钢张力在生产过程中波动大的问题,本文设计了一个基于QLearning算法的退火炉带钢张力调整方案,通过Q-Learning算法构建了退火炉张力调整值Q表,并应用现场生产数据进行训练,得到了一个泛化性能良好的退火炉带钢张力调整模型。经过使用循环神经网络搭建的仿真环境验证,证明了该模型可以有效改善退火炉带钢张力在生产过程中波动的问题。