基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

基于主成分分析-BP神经网络的热精轧带钢跑偏预测研究

由于带钢热轧过程中跑偏的影响因素复杂,传统的机理预测模型难以保证跑偏预测的准确性。本文从数据驱动的角度出发,结合带钢轧制过程跑偏产生原理和实际生产数据,提出了一种基于主成分分析(PCA)与BP神经网络的组合模型用于预测带钢跑偏。该模型精度较高,对提高热连轧成品质量和轧制设备的寿命都具有重大意义。     

烧结配料优化方法及算法对比分析

依据已经报道的相关研究,对当前用于烧结配料的各种优化算法进行了对比分析。结果发现,对于关系简单、规模较小的模型,线性规划法方便易用,求解效率高;对于大规模复杂问题,遗传算法、粒子群算法和蚁群算法能灵活有效解决问题;神经网络能够基于大数据对生产结果进行预测;基于神经网络而建立的专家系统能够很好地指导生产实践。未来优化配料应以铁水成本最低及保证烧结矿冶金性能为目标进行多目标优化。     

基于遗传神经网络的不锈钢带冷轧轧制力模型

 为了提高工厂从国外引进的以Bland Ford公式为基础的冷轧不锈钢带轧制力模型的计算精度,将基于遗传算法的BP神经网络与现有变形阻力和轧制压力解析数学模型相结合,建立了变形阻力和轧制压力修正模型。将在生产现场采集的部分过程记录数据,进行分类和预处理后作为训练样本用于训练遗传神经网络模型。将其他现场实测数据用于验证所建的轧制力模型,计算结果表明所建的轧制力模型具有较高的计算精度。     

模糊神经网络融合建模方法及其在轧制力控制中的应用

针对目前热轧中神经网络控制模型不能满足一些特殊轧制规律钢种精度要求的问题,在深入研究现有热轧模型建立与优化的基础上,结合模糊控制技术,提出在神经网络的基础上建立基于模糊规则补偿模型的融合建模方法.针对两类特殊钢种的特性,详细阐述了基于模糊规则补偿模型的建立及实际应用过程,并根据实际生产经验给出建模中规则库的建立过程.实...     

板坯在热轧过程中温降数学模型

为计算板坯在热轧过程中温度场的变化,建立了温降数学模型。该模型考虑了板坯在辊道上的空冷,喷水除鳞冷却,轧辊接触冷却、摩擦生热和轧制功生热等因素,将该楼型编制成计算机程序,以武钢热轧厂为例,经试算得出轧制后结束后的温度与实际生产数据接近。该数学模型可用于根据板坯出炉温度和轧制节奏预测终轧温度或根据轧坯温度修正后续轧制参数。     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

人工神经网络在热轧宽厚板力学性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型，在此基础上，利用神经网络对热轧管线钢力学性能进行了预测，并将预测结果与生产数据进行了比较，同时，还利用神经网络对生产工艺参数进行了优化，计算结果表明，神经网络预测值与实测值之间接相对误差可以控制在11.6%以内，这对现场进行力学性能预测和工艺参数优化具有较强的现实意义。     

热连轧工作辊热平衡的优化研究与应用

轧辊热膨胀对承载辊缝形状和带钢板形具有显著的影响,而准确预报轧制过程中轧辊热膨胀是板形控制中的难点之一。针对某热连轧生产线单辊期内热膨胀量与轧辊温度不收敛的问题,利用自主开发的与产线生产完全一致的板形模型分析测试系统对热凸度二级模型进行了仿真分析与研究,提出了一种有效提高工作辊热平衡收敛性的优化方法,并进行了生产应用。该优化方法的应用解决了该热轧产线单辊期内热平衡不收敛的问题,消除了轧辊温度计算值和实测值之间的偏差,不仅提高了模型的预报精度,也大幅提高了该产线轧制带钢的凸度控制精度。     

基于神经网络的热带钢连轧弯辊力预报模型

针对传统弯辊力预设定模型的缺陷和带钢热连轧轧制特点,利用日照钢铁有限公司1580 mm七机架热轧机生产数据,对精轧机组进行了基于神经网络的弯辊力优化预报。基于神经网络的弯辊力预报模型与传统模型相比,可进行高度非线性模拟,以大量实际数据作为神经网络训练输入,有模型结构简单、容易实现等优点。基于神经网络的弯辊力预报模型不但考虑各种输入参数相互之间的影响作用,而且考虑到各机架输出之间的关系,可用于提高头部板形控制精度,并为实际弯辊力设定提供了指导和试验基础。     

轧制节奏的软件设计

轧制节奏是热轧、钢管以及其他类似生产线的生产调度功能。本文提出一种新的，以面向对象的设计方法实现轧制节奏控制功能。这种新的设计方法适用于不同类型的热轧生产线以及其他的连续生产线，也适用于道路交通、物流领域。     

机械搅拌法与镁喷吹法铁水搅拌能和混匀时间的关系

采用永田进治公式和全浮力模型计算了机械搅拌法和喷吹法的铁水搅拌能,研究了搅拌能和混匀时间的关系,并和水模型的结果进行了比较,分析了两种搅拌能影响混匀时间的原因。结果表明,机械搅拌法的搅拌能力比喷吹法大数倍,在同一搅拌能下机械搅拌方式的混匀时间比喷吹法短。搅拌优势使得机械搅拌法比喷吹法的脱硫率比喷吹法平均高18.61%,带来的副作用是铁水温降要高于喷吹法15℃,以及对耐火材料的侵蚀速度为喷吹法的3倍。     

济钢热连轧精轧机组工艺润滑轧制技术开发与应用

针对济钢1700 mm热连轧生产线在设计时尚未考虑工艺润滑轧制技术的实际情况,开发设计了一套具有济钢特色的工艺润滑系统,解决了润滑过程控制系统与精轧二级计算机系统的接口技术,实现了工艺润滑系统的三级自动控制,取得了显著润滑效果。     

Prediction of Rolling Load in Hot Strip Mill by Innovations Feedback Neural Networks

  Because the structure of the classical mathematical model of rolling load is simple, even with the self adapting technology, it is difficult to accommodate the increasing dimensional accuracy. Motivated by this fact, an Innovations Feedback Neural Networks (IFNN) was presented based on the idea of Kalman prediction. The neural networks used the Back Propagation (BP) algorithm and applied it to the prediction of rolling load in hot strip mill. The theoretical results and the off line simulation show that the prediction capability of IFNN is better than that of normal BP networks, namely, for the prediction of the rolling load in hot strip mill, the prediction precision of IFNN is higher than that of normal BP networks. Finally, a relative complete rolling load prediction system was developed on Windows 2003/XP platform using the OOP programming method and the SQL server2000 database. With this system, the rolling load of a 1700 strip mill was calculated, and the prediction results obtained correspond well with the field data. It shows that IFNN is valid for rolling load prediction.     

基于核主成分分析的热连轧断带故障诊断

热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差(SPE)统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。     

热风炉煤气消耗量中期预测模型

在钢铁生产过程中,副产煤气占钢铁企业总能耗的40%,因此,准确预测副产煤气的消耗量可以为钢铁企业煤气系统的优化调度提供科学的指导。热风炉是副产煤气系统的最大用户之一,由于工作周期频繁调整导致副产煤气消耗量波动剧烈,预测难度较大。针对现有预测模型预测提前量较短的问题,建立了基于时间序列的BP神经网络预测模型,在保证较高的预测精度的前提下将预测提前量延长至30 min。以现场采集的热风炉煤气数据作为数据样本进行实例分析,发现训练样本为2 000组、预测样本为30组时预测效果最好,平均误差绝对值可达4.04%。此外,还对不同预测模型进行对比,结果表明本模型最适合热风炉煤气消耗量的中期预测。     

基于DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。