基于支持向量机的连铸板坯表面温度预测

提出了一种最小二乘支持向量机的连铸板坯表面温度预测新模型.以中间罐温度、拉速、二冷水量等主要工艺因素为输入,连铸坯表面温度为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以现场采集的连铸生产工艺数据为样本对模型进行学习训练,用训练好的模型预测在一定工艺条件下板坯的表面温度.实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿FeO含量难以直接预测的问题，提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率，结合烧结工艺，选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构，Adam算法优化四层BP神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时，命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比，该模型的误差更小，同时预测精度也得到显著提升。     

不锈钢铸坯宽度优化控制模型研究及应用

 铸坯宽度的精确控制是连铸生产过程中保证铸坯质量的重要手段之一,过宽或过窄都会给轧钢工序带来不利影响。目前,铸坯宽度主要通过人工经验在线调整二冷区参数来进行控制,存在铸坯宽度合格率低、波动大的问题。因此,实现不锈钢铸坯宽度的自动优化控制就极为重要。针对不锈钢铸坯宽度控制过程中影响因素多且具有非线性、多变量耦合等特性,提出一种基于随机森林-差分进化(RF-DE)算法的铸坯宽度优化控制模型。首先,根据专家经验从大量连铸生产工艺参数中选取不锈钢铸坯宽度的关键影响因素,进而采用随机森林算法(random forest,RF)建立不锈钢铸坯宽度预测模型。接着,以连铸二冷工艺参数为决策变量,以宽度模型预测值与铸坯目标宽度的绝对误差为目标函数,构建带工艺约束条件的不锈钢铸坯宽度优化控制模型,进而采用差分进化算法对上述模型进行优化求解,获得可用于连铸生产控制的二冷工艺参数设定值。最后,通过某钢厂实际生产数据对模型进行验证。结果表明,相较于梯度提升树、支持向量回归、多层感知机等模型,随机森林模型泛化能力强且精确度高,更适用于铸坯宽度的预测,其平均绝对误差MAE为0.047 2 mm;且采用宽度优化控制模型后的不锈钢铸坯宽度合格率显著提高,新模型具有较高的宽度控制精度。     

面向多输出系统的启发式支持向量机回归

针对面向多输出系统支持向量机回归算法训练时间较长的问题,提出一种面向多输出系统的启发式支持向量机回归算法.与多输出的支持向量机回归建模相比,该方法建立的模型结构较为简单,模型训练速度更快.将此方法和直接支持向量机回归算法分别应用到甲基丙烯酸甲酯的间歇聚合反应过程中,仿真结果表明了该方法的有效性.     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.      

基于鲸鱼算法优化BP神经网络的结晶器液面波动的预测

在连铸过程中，结晶器液面波动是限制连铸速度和铸坯质量的关键参数之一，因此，液面波动行为的准确预测一直是冶金学者的研究重点。基于此，本文利用Python对结晶器液面波动的振幅值进行预测。首先，选取中间包的质量、塞棒的位置、拉力和结晶器振动作为模型的输入，对数据快速傅里叶变换和归一化处理。然后，构建4×3×1的反向传播(back propagation, BP)神经网络模型，并利用鲸鱼算法(whale optimization algorithm, WOA)对初始权值和阈值优化。通过训练预测，相比BP神经网络，WOA-BP神经网络能较好地对结晶器液面波动进行预测，且预测值与结晶器液面波动振幅吻合较好，拟合决定系数(R²)为0.841 4;当振幅偏差为±0.02时，命中率可达到91%。     

基于机器学习算法的“全三脱”工艺转炉终点预测

建立精准的转炉终点预测模型对生产效率和钢液洁净度的提升尤为重要。以首钢京唐钢铁联合有限责任公司“全三脱”工艺转炉为研究对象,对历史生产数据进行皮尔逊相关性分析,得到与转炉终点温度、碳含量最相关的15个自变量。利用BP神经网络、极限学习机(ELM)和支持向量机(SVM)3种机器学习算法分别建立了转炉终点预测模型。随后选取160组新样本数据来检验3种模型的预测精度,结果表明：SVM模型下转炉终点温度、碳含量预测模型精度更高,终点温度预测误差在±15℃内的命中率为90.6%,终点碳质量分数预测误差在±0.01%内的命中率为93.8%。另外,基于支持向量机算法建立的转炉终点预测模型,全三脱工艺比常规工艺的终点温度误差±15℃内、碳质量分数±0.01%内命中率分别提高了9.1百分点和14.4百分点。     

连铸动态二冷控制模型的开发与应用

采用跟踪单元法建立了连铸在线凝固传热模型,首次提出了"虚拟坯龄"的概念,并实现了铸坯实时温度场的计算。基于在线凝固传热模型,采用抗饱和自适应整定PID控制算法开发了连铸动态二冷控制模型。生产应用结果表明,本控制模型具有较强的抗扰动能力,能够很好地实现铸机二冷配水的动态控制,使铸坯二冷水量在非稳态浇铸条件下平缓变化,正常拉速范围内铸坯表面温度波动小于±5℃,计算温度与实测温度及目标温度的差值控制在10℃以内,铸坯质量得到了明显的改善。     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.0012,仿真时间为0.423105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.0238,仿真时间为0.079522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.0015和0.0014,仿真时间分别为1.320842s和2.245967s;后两种对比实验关于Si含量预测的均方根误差分别为0.0316和0.0325,仿真时间分别为0.459671s和2.061576s。实验结果表明,实验方法更加全面地考虑了所有因素对铁水中S含量和Si含量变化的影响,具有训练时间短、预测精度高等优点。     

岩溶地下河日流量预测的小样本非线性时问序列模型

针对岩溶含水系统高度的非线性特征,在小样本时间序列条件下,引入了能较好解决小样本、非线性问题的支持向量回归方法,利用偏最小二乘回归对影响地下河流量的诸多因素进行综合分析,并提取主成分作为支持向量机的输入变量,采用遗传算法优化模型参数,建立了地下河日流量预测的偏最小二乘-遗传-支持向量回归模型;将该模型用于后寨典型岩溶地下河流域日流量模拟和预测,并与BP人工神经网络、多元线性回归模型预测结果进行对比.偏最小二乘-遗传-支持向量回归模型模拟期的均方误差(MSE)、平均绝对百分比误差(MAPE)分别为0.25%、6.89%,预测期为0.65%、6.03%;BP神经网络模拟期的MSE、MAPE分别为0.24%、7.30%,预测期为0.84%、7.39%;多元线性回归模型模拟期的MSE、MAPE分别为0.28%、9.30%,预测期为1.10%、10.54%.结果表明,偏最小二乘-遗传-支持向量回归模型预测精度明显优于BP人工神经网络和多元线性回归模型.     

板坯ø230 mm支撑辊周期性热负荷模拟分析

板坯支撑辊是板坯连铸机的重要组成部分,支撑辊轴承位的温度及辊面温度直接决定了支撑辊能否正常运行。为了探明转动过程中辊子各部位的温度分布规律,对板坯ø230 mm支撑辊周期性转动过程中的辊子传热过程进行了模拟研究。结果表明,板坯ø230 mm支撑辊在连铸过程中受板坯辐射、冷却水及空气散热影响,在连铸约1 500 s时温度达到稳态,且在有冷却水影响时辊子投影向空气侧半圆中部温度为250 ℃左右,在无冷却水影响时温度为270 ℃左右;在有冷却水影响时辊子投影向板坯侧半圆最高温度为272.3 ℃,在无冷却水影响时温度为290.0 ℃左右。通过与实测数据对比,证明本文计算模型能很好地预测连铸支撑辊的温度分布,可为其设计提供理论支持。     

板坯ø230 mm支撑辊周期性热负荷模拟分析

板坯支撑辊是板坯连铸机的重要组成部分,支撑辊轴承位的温度及辊面温度直接决定了支撑辊能否正常运行。为了探明转动过程中辊子各部位的温度分布规律,对板坯ø230 mm支撑辊周期性转动过程中的辊子传热过程进行了模拟研究。结果表明,板坯ø230 mm支撑辊在连铸过程中受板坯辐射、冷却水及空气散热影响,在连铸约1 500 s时温度达到稳态,且在有冷却水影响时辊子投影向空气侧半圆中部温度为250 ℃左右,在无冷却水影响时温度为270 ℃左右;在有冷却水影响时辊子投影向板坯侧半圆最高温度为272.3 ℃,在无冷却水影响时温度为290.0 ℃左右。通过与实测数据对比,证明本文计算模型能很好地预测连铸支撑辊的温度分布,可为其设计提供理论支持。     

Q460钢3 250 mm x 150 mm宽板坯凝固传热数值模拟研究和应用

以Q460钢(/%:0.17C,0.35Si,1.5Mn,0.020P,0.020S,0.020Nb,0.075V)3 250 mm×150 mm宽板坯为研究对象,采用ANSYS软件建立凝固传热模型,研究拉坯速度、比水量、过热度等工艺参数对铸坯凝固过程的影响。模拟结果表明:拉坯速度每增大0.10 m/min,矫直段铸坯表面温度升高36.5℃,出坯温度升高50℃,坯壳厚度减薄2.4 mm,液心长度增加1.2 m;每增加1℃的过热度,矫直点铸坯上表面中心温度增加1.73℃,延长液芯长度0.11 m;因此,拉坯速度是影响铸坯质量的关键。生产应用表明,3 250 mm×150 mm板坯拉速1.20～1.25 m/min,过热度15～20℃时板坯表面矫直温度大于950℃,降低了铸坯中心疏松和偏析,表面质量显著提高。     

BP神经网络在连铸板坯质量在线诊断中的应用

为了更好地应用BP神经网络对连铸板坯质量进行在线诊断,基于连铸生产特点,利用采集的过程数据建立了符合生产实际的均一化函数.通过分析BP神经网络中各参数对网络性能及诊断准确率的影响,对BP神经网络的结构及学习算法进行修正,使该网络有选择和有区分地学习铸坯质量知识.结合某钢厂连铸现场数据,以黏结为例,建立了6种网络模型,对各模型算法进行了比较测试.结果表明:采用自定义函数均一化样本或采用提出的差异性算法训练神经网络,均可明显提高诊断准确率;采用选择性算法可确保诊断准确率不变的同时,提高学习速度;修正的算法更能很好地符合连铸生产实际.     

基于RF-LSTM的热连轧板坯粗轧出口温度预报

摘要： 热连轧板坯温度的连续、实时预报是提高带钢产品性能的关键,针对热连轧过程数据维度过高不利于快速、准确预测板坯温度的问题,提出一种基于随机森林 长短期记忆神经网络（RF LSTM）的板坯粗轧出口温度预测模型。首先,采用改进随机森林算法对特征变量进行选择,通过分析板坯粗轧出口温度的预测结果变化衡量特征的贡献度,进而构造反映过程数据特征与板坯温度的特征选择评价函数;其次,针对热连轧过程数据具有时间序列特性的特点,采用LSTM预测板坯粗轧出口温度;通过钢厂实际的热连轧过程数据特征选择实验验证和对比分析,结果表明：特征选择前后钢坯的温度预测平均绝对误差、均方根误差分别下降了0.21、0.25℃,预测相对误差在±30%以内的精度达到了99.07%。     

BP Neural Network of Continuous Casting Technological Parameters and Secondary Dendrite Arm Spacing of Spring Steel

 The continuous casting technological parameters have a great influence on the secondary dendrite arm spacing of the slab, which determines the segregation behavior of materials. Therefore, the identification of technological parameters of continuous casting process directly impacts the property of slab. The relationships between continuous casting technological parameters and cooling rate of slab for spring steel were built using BP neural network model, based on which, the relevant secondary dendrite arm spacing was calculated. The simulation calculation was also carried out using the industrial data. The simulation results show that compared with that of the traditional method, the absolute error of calculation result obtained with BP neural network model reduced from 0.015 to 0.0005, and the relative error reduced from 6.76% to 0.22%. BP neural network model had a more precise accuracy in the optimization of continuous casting technological parameters.     

New Solution to Surface Temperature of Casting Slab Measurement Based on Preceded Reflector and Multi-Wavelength

 The surface temperature of casting slab is an important parameter in the metallurgy field. Because the surface emissivity is uncertain and also unknown, it is difficult to measure the slab surface temperature accurately. A method based on preceded reflector and multi-wavelength was put forward to deal with the difficulty in surface temperature measurement of casting slab. On the premise of preceded reflector and non-preceded reflector, the method establishes the radiation energy equations and works out the emissivity and temperature in the equations. Also, the multilayer modeling of casting slab surface and multiple reflection-absorption process modeling were built by Monte Carlo method. The temperature measuring method had been applied in the continuous casting field. In order to verify the measured result, the thermal imaging method was adopted when the slab surface emissivity was set by repeated tests. Finally, the measured and verified temperature curves keep a same tendency and the error of the values is lower than 5℃. The comparison result shows that the method can measure temperature accurately.     

热回复过程高强耐候钢Q450NQR1的高温力学性能

在热回复条件下,采用Gleeble-1500D热/力模拟实验机,研究测试了高强耐候钢Q450NQR1(/%:0.05～0.10C、0.30～0.50Si、0.80～1.00Mn、≤0.020P、≤0.008S、0.20～0.40Cu、0.15～0.35Ni、0.40～0.60Cr)200mm×1 350 mm铸坯试样在700～1 000℃,热拉伸应变率5×10^-3 s^-1时的强度、塑性模量和断面收缩率。结果表明,随温度下降铸坯塑性模量(硬化系数)和强度增加,800℃时铸坯的强度随温度的变化速率出现明显转变;925～700℃时铸坯断面收缩率≤60%;为保证铸坯质量,在矫直过程铸坯表面温度应≥950℃。     

X80管线钢238 mm x 1 650 mm连铸坯温度场及凝固末端位置的数学模拟

用二维切片跟踪铸坯凝固传热的方法建立了X80管线钢（/%:0.04C,1.85Mn,0.25Si,0.006P,0.003S,0.30Ni,0.21Mo,0.06Nb,0.02V）238 mm×1650 mm板坯连铸过程中垂直拉坯方向传热的数学模型,通过ANSYS对X80管线钢连铸过程中温度场及坯壳厚度的渐变进行计算,得出拉速1.2mm/min时,出结晶器坯壳厚为18.14 mm,铸坯液芯长22.58 m。凝固壳厚度计算值射钉测试结果的相对误差≤2.5%,凝固末端位置的相对误差为0.68%。分析了过热度（25~55℃）,拉速（1.2~1.3m/min）和二冷水量（79.2~96.8 m³/h）对切片各点温度和凝固末端位置的影响。结果表明,增大拉速、减小二冷配水量,连铸坯表面温降变慢,凝固末端位置距离结晶器液面越远,凝固时间变长;该X80管线钢板坯连铸最佳工艺参数为钢水过热度35℃,拉速1.2 m/min和二冷配水量88m³/h。