基于有限元和PSO-BP法的20辊轧机轧制板形预测

针对20辊轧机轧制板形受到多重因素影响、难以精确预测的问题,基于有限元和PSO-BP法,建立20辊轧机轧制板形质量预测模型。根据20辊轧机轧辊间的位置关系,基于有限元软件ANSYS/LS-DYNA,考虑轧辊弹性变形、板带塑性变形与摩擦等因素,建立20辊轧机辊系有限元模型,分析板宽、厚度、张力、速度等因素对板形指数的影响;综合考虑不同轧制板形影响因素,以板形指数作为板形质量衡量指标,基于BP神经网络建立轧制板形质量预测模型,采用粒子群算法优化BP神经网络板形质量预测模型的权值和阈值,提高板形预测精度。     

基于改进的BP神经网络无缝钢管连轧轧制力的预测北大核心CSCD

无缝钢管连轧过程具有多变量、强耦合、非线性等特点,传统的数学模型无法对一些参数进行精确地预测。为了提高连轧过程中轧制力预测的精度,采用改进初始值选取方法来优化BP神经网络,建立改进的BP神经网络的轧制力预测模型。首先,采集某钢厂历史生产数据,进行预处理,通过灰色关联度确定影响轧制力的主要因素;然后,对初始值进行设置,利用MATLAB编写仿真程序对连轧机组轧制力进行预测。结果表明:基于改进的BP神经网络的轧制力预测模型具有很强的学习能力和表达能力,轧制力预测精度得到了很大的提高,对实际的生产具有重要意义。     

基于BP神经网络的板形预测

板带材的板形精度一直是研究的重点。在实际生产过程中影响板形精度的因素很多而且因素之间存在非线性、强耦合的关系,基于板形控制机理的传统数学模型很难准确表达其中的关系,而基于数据驱动的非机理模型则能取得很好的结果。BP神经网络作为一种发展成熟的算法可以作为一种新的预测手段应用在板形的预测工作中。因此,本文将BP神经网络应用于板形的预测研究中,讨论了基于BP神经网络的板形预测模型的可行性以及应用的优势,重点介绍BP神经网络对板形预测带来的积极意义。BP神经网络在对即时板形缺陷系数进行预测时,能够较好的接近实际的拟合值。BP网络在训练过程中,在50轮训练后基本收敛,并且整个训练过程没有产生过拟合现象。BP神经网络对测试集进行预测,能够有效的反映板形的变化情况,且对一次、三次板形缺陷系数的预测结果较好。     

基于灰色理论和神经网络的轧制力预测

针对热轧带钢轧制力预测精度不准确问题,建立了灰色轧制力预测模型,通过对比灰色轧制力预测模型和BP神经网络预测模型的优缺点,进一步提出将灰色理论和BP神经网络组合应用到热轧带钢轧制力预测中,并分析比较了轧制力预测模型的相对误差。同时,在相同的轧制条件下,对灰色神经网络轧制力预测模型的预测值和在线平整轧制的实测轧制力值作了比较,所得轧制力预测误差小于±5%。由此可以看出,灰色理论和BP神经网络组合应用的方法能够较准确地实现平整轧制力的预测。     

特厚板差温轧制参数建模及优化控制研究现状

差温轧制作为一种先进的轧制工艺,对提高特厚板的形性质量具有重要的促进作用。但是生产中工艺参数的制定与优化缺乏明确的理论指导,导致差温轧制技术的发展受到了严重的制约。为解决这一问题,本文从轧制力、缺陷压合、板形控制3个方面分别介绍了相关的建模方法及研究进展,深入分析了理论解析、有限元模拟以及神经网络在建模中的应用。现有研究表明,针对差温轧制生产的轧制力模型预测精度有待进一步提升。同时,差温轧制过程中缺陷压合与板形控制建模研究缺乏多参数耦合的定量描述,相关研究有待进一步深入。最后,随着生产过程中对精度要求的提高,基于人工智能技术的高精度建模和参数优化控制将成为轧钢未来重要的发展方向。     

板带冷轧机高精度板形预测模型的研究

针对传统数学工具建立的板形关系模型的固有缺陷,为了提高板形预测精度,提出了一种基于人工神经网络建模的自适应板形预测控制算法.仿真实验结果表明采用本文所建立的预测模型具有较高的预测精度.     

六辊UC轧机轧制过程混沌的预测和控制

本文采用模糊神经网络对六辊 UC轧机轧制过程中的混沌现象进行预测并采用逆系统方法对其进行控制。该方法通过模糊神经网络对六辊 UC轧机轧制过程中的混沌运动特性进行学习 ,从而得到该混沌特性的模糊神经网络预测模型 ,在逆系统控制方法中应用该预测模型对混沌进行控制。该方法的特点是不需要确定知道轧制过程中混沌特性的数学模型 ,就可以对其进行控制。文中还仿真研究了测量误差对控制精度的影响 ,仿真结果表明了该方法的有效性和可行性。     

基于类别特征梯度提升的冷轧带钢板形预测模型

板形控制是冷轧带钢生产过程的核心技术。为了提升板形预设定和闭环反馈控制效果,建立高精度的板形预测模型非常必要。提出了一种基于类别特征梯度提升的冷轧带钢板形预测模型,通过某1 450 mm冷连轧生产线采集的生产数据建立模型,采用贪婪搜索和交叉验证的方式进行超参数设置,以自适应提升模型、梯度提升决策树模型和深度学习神经网络模型作为对比。结果表明：类别特征梯度提升模型的RMSE为0.666 IU,并且有90.397%的预测数据绝对误差小于1 IU,较其他3种模型有更好的表现,对冷轧带钢板形预测有更好的鲁棒性和预测精度。     

基于弹塑性有限元的板形控制机理研究现状与展望

带钢冷连轧过程中的板形控制问题因具有多变量、多控制回路、非线性和强耦合等特征，是工业控制领域最为复杂的控制过程之一。精准的板形预测模型是提高板形控制水平的重要保证。当前，弹塑性有限元法能够耦合分析轧制过程中带钢的弹塑性变形、轧后的残余应力以及轧辊的弹性挠曲、弹性压扁，因此在带钢轧制领域有很广泛的应用。介绍了现代板形控制系统的工作原理，以及当前弹塑性有限元法关于板形控制问题分析的研究进展。同时，采用显式动态有限元建立了六辊UCM轧机的三维数值仿真模型，研究了不同板形调节机构对带钢板形的调控特性及其最优调节量，并采用实际轧制试验对模型进行了验证。结合带钢保持良好板形的几何条件，利用所建立的UCM轧机模型，分析了中间辊轴向横移、工作辊与中间辊弯辊对带钢横截面形状、凸度、边降及平直度的影响。最后，对有限元法应用于分析板形控制问题的方向进行了展望。     

基于弹塑性有限元的板形控制机理研究现状与展望

带钢冷连轧过程中的板形控制问题因具有多变量、多控制回路、非线性和强耦合等特征，是工业控制领域最为复杂的控制过程之一。精准的板形预测模型是提高板形控制水平的重要保证。当前，弹塑性有限元法能够耦合分析轧制过程中带钢的弹塑性变形、轧后的残余应力以及轧辊的弹性挠曲、弹性压扁，因此在带钢轧制领域有很广泛的应用。介绍了现代板形控制系统的工作原理，以及当前弹塑性有限元法关于板形控制问题分析的研究进展。同时，采用显式动态有限元建立了六辊UCM轧机的三维数值仿真模型，研究了不同板形调节机构对带钢板形的调控特性及其最优调节量，并采用实际轧制试验对模型进行了验证。结合带钢保持良好板形的几何条件，利用所建立的UCM轧机模型，分析了中间辊轴向横移、工作辊与中间辊弯辊对带钢横截面形状、凸度、边降及平直度的影响。最后，对有限元法应用于分析板形控制问题的方向进行了展望。     

A fuzzy algorithm for flatness control in hot strip mill

Based on BP neural network, a flatness prediction model in hot strip mill was developed, in which the same location point data were adopted for training and testing to avoid the influence of time-delay. Two fuzzy flatness control algorithms in hot strip mill were developed, and the simulations were carried out by using the flatness prediction model as controlled objective. Conventional fuzzy control algorithm replacing PID linear control system entirely can reduce flatness error significantly. However, the control quality is not good in steady state. The coupled fuzzy-PID control algorithm reduces flatness error significantly as well as produces the desired flatness with small steady-state error and good stability. The coupled fuzzy-PID control algorithm is found to be suitable for rolling the desired flatness in hot strip mill.     

基于BP神经网络的轧机油膜厚度补偿的测试与建模

针对单机架热轧中厚板轧机天铁2500mm中厚板生产线的油膜补偿问题进行了研究,用基于BP神经网络的方法建立了轧机油膜厚度补偿模型,并与已成熟应用的基于Reynolds方程的轧机相对油膜厚度补偿方法进行比较分析.结果表明,BP神经网络模型比基于Reynolds方程的轧机相对油膜厚度补偿方法具有预测精度高、样本学习时间快、收敛速度快的优点,BP神经网络模型可以对轧机油膜厚度进行良好的补偿.     

基于神经网络集成学习的冷连轧板形预测

为了实现对冷连轧带钢出口板形的预测,基于粒子群算法对小波神经网络进行了优化,将优化后的网络作为基学习器,并通过bagging算法构建集成学习预测模型,进行冷连轧带钢板形的预测.以某1 450 mm冷连轧生产线数据作为样本,比较了该模型与未经优化的小波神经网络和单个学习器的预测效果.结果表明,集成学习模型预测的带钢出口板...     

TC4钛合金神经网络本构模型及在有限元模拟中应用

利用Zwick/Roell Z100材料试验机,对TC4钛合金进行等温恒应变速率下的单向拉伸试验。基于获得的试验数据,采用BP神经网络技术建立了该合金的高温本构关系模型,并对其预测性能进行分析。基于ABAQUS/Explcit平台进行材料子程序二次开发,将神经网络本构模型嵌入到有限元计算中,实现了TC4钛合金高温变形的数值模拟。结果表明,神经网络本构模型预测精度很高,可以准确地描述TC4钛合金在热态下的动态力学性能。神经网络本构模型应用于有限元模拟可行且有效。     

基于BP神经网络的带钢冷轧摩擦模型

建立了BP神经网络摩擦模型，并用遗传算法优化了BP网络的结构参数和初始值。模拟计算结果表明，BP网络摩擦模型的精度比原回归摩擦模型的精度有显著提高，可以使轧制力预测的平均RMS误差由3．98％降低到2．23％．轧制功率预测的平均RMS误差由4．57％降低到3．23％。     

薄壁变形机匣件限位检测机理分析与预测

为了研究带有一定公差的薄壁机匣件二次装夹变形规律,以约束表面和相关表面为研究对象,建立了机匣件约束表面与相关表面变形关系的数学分析模型。使用有限元法模拟变形机匣件的限位装夹过程,将模拟产生的数据作为BP神经网络的训练样本,借助神经网络的非线性映射能力建立了装夹变形的预测模型。通过对某航空材料7075机匣件作试验分析,验证了所构建的三维有限元模型与神经网络预测模型较为合理,能够为机匣件的加工制造提供反馈,为机匣件的装配分析提供良好的校验。     

宽板V型自由弯曲智能化控制过程的影响因素分析

在板材成形智能化控制过程中，参数的实时识别及预测是两个最关键的部分。神经网络识别及预测模型输入输出参数的选择，对智能化控制的成功与否以及控制精度高低起着至关重要的作用。本文利用ANSYS软件，通过对宽板V型自由弯曲及卸载过程的有限元数值模拟，研究了影响成形及卸载过程的因素，为宽板V型自由弯曲智能化控制神经网络参数识别及预测模型输入、输出参数的选择提供了依据。     

基于DE—BP神经网络的刀具寿命预测研究

引入了BP神经网络技术对刀具寿命进行预测,建立了刀具寿命预测模型.并针对BP神经网络所存在的缺陷,结合差异演化算法,提出了实数编码的DE-BP神经网络预测模型.实验表明,该模型对刀具寿命预测精度高,为刀具需求计划制定、成本核算、切削参数制定提供了理论依据,节约了制造执行系统成本.