基于随机森林的钢材性能预报与影响因素筛选

钢材力学性能的影响因素众多且存在复杂交互作用,合理筛选性能预报模型的影响因素,将有助于提高模型精度。采用随机森林算法以及数据与机理分析相结合的力学性能建模方法,对热轧带钢力学性能预报与影响因素筛选问题进行了研究。首先,基于收集到的大量热轧生产过程实测数据,采用随机森林算法获得各影响因素的重要性排序;接着,基于各因素的重要性排序,逐个增加自变量建立一系列力学性能预测模型,并根据各模型预测误差的变化趋势,判断各因素对模型预测精度影响的大小,进一步筛选出更为重要的影响因素,最终建立以少量重要性较高的影响因素作为自变量的性能预报模型。最后,对国内某大型热连轧机组生产的热轧含铌高强钢产品进行了抗拉强度建模试验,实践表明,基于Mn、Cs、FDH、Nb C、Nb N、RT、Si、CT以及FET等因素建立的抗拉强度预测模型具有较高的预测精度,平均绝对百分误差为2.52%,均方根误差为21.65 MPa。     

姜黄素超分子包合物改善乙醇诱导LO2肝细胞DNA损伤的作用机制

该文主要考察了姜黄素超分子包合物(curcumin/β-cyclodextrin polymer inclusion complex,CUR/CDP)保护乙醇诱导LO2肝细胞损伤的分子机制.采用流式细胞仪检测CUR/CDP预处理对乙醇诱导细胞损伤后细胞周期分布的影响;Western blot检测CUR/CDP预处理对乙...     

正交试验设计在射孔弹工艺研究中的应用

为了分析影响射孔弹性能的工艺参数，将正交设计应用于射孔弹工艺研究中。确定了试验方案，根据方案完成了穿孔深度试验，并根据试验结果进行数据分析。分析表明：4个因素的影响大小依次为保压时间、药型罩成型压力、烧结时间、烧结温度，确定了较优的工艺条件并完成了验证试验。采用正交设计可缩短试验周期、降低试验成本。     

用凝析油作乙烯裂解原料的研究

总结凝析油作乙烯裂解原料存在的问题，讨论了相应的解决方案。     

基于连续曲面的轧制模型自学习方法

 针对基于层别数据的传统轧制模型自学习方法导致相邻层别上自学习系数跳跃大、不连续等问题,提出“机理模型＋特征点＋拟插值＋自学习”的轧制模型构建新机制,用多维空间连续曲面代替原来的层别,实现轧制模型结构的升级。构造用特征点表征的连续曲面,采用连续函数对空间中各个特征点上的自学习系数进行拟插值的方法,获得光滑曲面方程。从相邻层别不连续变为多维空间上连续可导,使模型自学习系数精确到空间任意点,对提升模型设定精度有质的突破。该模型自学习方法目前已成功应用于国内某大型热连轧机组变形抗力在线计算,实际生产应用表明,新方法上线后变形抗力与轧制力的预报精度显著提高,带钢因厚度超差导致的预封锁量减少了44%,满足热连轧带钢稳定轧制的生产要求。     

控制棒驱动机构固定钩爪打开时间的验收准则优化

基于CPR1000型核电机组中控制棒驱动机构（CRDM）供电时序、固定钩爪的动作特点以及在10台机组中的试验结果分析,发现了在机组调试启动及正常运行期间,一回路液态流体温度、压力和是否带载控制棒对CRDM固定钩爪打开时间的影响规律,并据此优化了不同工况下CRDM固定钩爪打开时间的验收准则范围。本文结论不仅可以作为同类型机组在调试启动和正常运行期间CRDM固定钩爪打开时间验收准则的参考,也可作为CRDM固定钩爪打开过程理论受力模型分析的结论参考。      

冷连轧电气控制系统的研发

在深入分析多套冷连轧系统优缺点的基础上,研究开发了一套用于五机架六辊冷连轧的电气解决方案。阐述了控制系统的整体架构,介绍了厚度控制、液压压下控制、速度控制、张力控制及板形控制等工艺控制功能及主要特点。测试表明该系统具有较高的可靠性,控制精度达到国内先进水平。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

多层蚁群算法在中厚板负荷分配中的应用研究

为改善某厂3800mm单机架中厚板负荷分配制度,采用多层蚁群算法对其内外两层实现分配设定：外层对轧制道次数进行迭代求解,内层根据建立的兼顾负荷均衡和板形良好的目标函数进行智能负荷分配。结果表明,基于多层蚁群算法的分配制度优于基于经验法的负荷分配制度。     

基于深度学习的热连轧轧制力预测

轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini-batch策略的Adam优化算法进行参数寻优,采用Early-stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。