一种基于遗传神经网络的热连轧带钢弯辊力预报方法

针对传统板形模型缺陷和带钢热连轧轧制特点,提出基于遗传神经网络的弯辊力优化预报方法.利用1580mm热轧Q235B钢种实际生产数据对网络进行训练和测试,并对结果进行分析比较.结果表明遗传神经网络预报能力不但优于传统弯辊力设定模型,而且优于单纯神经网络的预报能力,能较准确预报热连轧带钢弯辊力.基于遗传神经网络的弯辊力预报模型可提高头部板形控制精度,有实际应用的价值.     

基于Elman神经网络的炉卷轧机的轧制力预报

为了改善国内某钢铁厂炉卷轧机的轧制力模型的预报精度,提出将结合热模拟实验建立的传统轧制力模型计算值作为Elman神经网络的一个输入项,将传统数学模型预报的轧制力与实测轧制力的相对误差作为此神经网络输出项的方式构建网络模型,通过大量的在线数据分析,这种将神经网络与传统数学模型相结合的方法明显地改善了轧制力的预报精度。该神经网络模型可为以轧制力为主要控制目标的炉卷轧机的过程自动化系统提供可靠的模型参数。     

基于模糊聚类的BP神经网络模型预报中厚板轧制力

以实测数据为基础,在中厚板轧制设定中采用BP神经网络的方法取代传统的轧制力数学模型,并对神经网络输入项和训练样本进行分析,将传统轧制力模型的自学习过程引入神经元网络用于轧制力预报,改善预报精度.采用模糊聚类分析方法,科学选取学习样本,解决了由于样本多学习速度慢的问题.通过在线数据分析,可知这种方法对轧制力的预报精度有很大改善,而且神经元网络的结构也得到简化.此方法可以作为神经元网络应用的一个拓展.     

基于神经网络的热连轧精轧机组轧制力高精度预报

以实测数据为基础，在精轧预设定中采用ＢＰ神经网络的方法取代传统的轧制力数学模型，并对神经网络输入项和训练样本进行分析，提出改善神经网络预报精度的一些方法，预报结果和实测数据比较表明，预报精度有较大的提高。为满足现场要求提出神经网络预报轧制力在线应用方案。     

热轧平整工程轧制力计算研究

针对一种可用于工程轧制力计算的平整轧制压力模型,通过对现场大量实测数据的回归分析,提出了按照平整入口厚度、平整延伸率、轧制速度、工作辊直径四个参数对实测数据进行分层筛选并计算钢种系数、工况系数的方法。结果表明,该方法获得的轧制力计算值能够与现场实测数据很好的吻合,误差均在10%以内,可用于热轧平整机轧制力的预报。     

基于小脑模型神经网络的轧制力预报模型

研究了热轧板带厚度控制中轧制力预报环节的局部逼近神经网络实现方法。网络在多次训练后对生产中的历史数据进行了轧制力预报 ,达到了较高的预报精度。     

基于神经网络的轧制力预报系统开发

为解决利用传统方法难以解决的轧钢过程控制,开发出基于BP神经网络的钢材轧制力预报系统软件.该预测程序是基于VC++6.0,Matlab和数据库混合编程技术基础上完成的,程序设计的核心是应用BP网络预报钢材的变形抗力,然后结合轧制力数学模型计算轧制力,最后提出了该系统在热轧生产中的在线应用方案.     

冷轧平整机轧制力预报模型精度的探讨

以宝钢冷轧平整机组为例，简要分析了轧制力计算模型的基本形式和影响轧制力预报精度的因素，并提出改善和提高平整机轧制力预报精度的措施。     

极限学习机在中厚板轧制力预报中的应用

轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力,精度较低。为提高轧制力预报精度,首先基于大量历史生产数据,通过主成分分析法对影响轧制力的因素进行处理和分析,选出权重较大的影响因子;其次选取现场代表钢种进行热模拟压缩实验,在此基础上提出基于极限学习机(ELM)的综合神经网络轧制力预报模型,即先通过化学成分计算出基准变形抗力,再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数,并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产,轧制力预报相对误差±10%以内占比提高15.61%,钢板头部厚度命中率提高1.9%。     

基于蚁群算法的神经网络冷连轧机轧制力预报

 为提高冷连轧机轧制力的预报精度和预报速度,用蚁群算法和神经网络相结合的方法进行轧制力预报模型设计。根据轧制原理建立了BP神经网络冷连轧机轧制力预报模型,以网络权值和阈值为自变量,网络预报误差为目标函数,通过蚁群多代运算,找出预报误差全局最小值,再将相应的权值和阈值输入网络进行训练。应用某厂1450 mm冷连轧机的实测数据进行离线计算的结果表明,该方法能够防止BP网络陷入局部极小点,且收敛速度快,可作为轧制力预报的新方法在实际应用中加以推广。     

基于BP神经网络的平整机伸长率控制技术

基于平整机伸长率控制基本原理,针对目前伸长率控制模式下轧制力等预设定值不准确问题,提出采用BP神经网络控制技术,对平整机的轧制力设定、轧制力速度补偿以及平整机入出口张力设定进行优化。实际应用表明,基于BP神经网络的伸长率控制系统大大提高了伸长率控制的响应速度,有效减小了平整机过焊缝伸长率不符合带钢长度,从而提高了产品的成材率。     

Prediction of roll force in skin pass rolling using numerical and artificial neural network methods

A combination of finite element method and neural network methods was used for rapid prediction of the roll force during skin pass rolling of 980DP and 1180CP high strength steels. The FE based commercial package DEFOEM-2D was used to develop a mathematical model of the skin pass rolling operation. Numerical experiments were designed with different process parameters to produce training data for a neural network algorithm. The friction coefficient was considered as an input parameter in the neural network but it was optimised using an iterative method employing an equation that relates the friction coefficient to the rolling force. The load prediction method described in this paper is sufficiently rapid that it can be used in real-time as an adjustment tool for skin pass rolling mills with error within 10% (based on plant data from POSCO).     

轧制力预测中RBF神经网络的组合应用

 传统的数学模型无法达到冷连轧控制的尺寸精度要求。针对传统轧制力模型的固有缺陷,为提高冷连轧机组轧制力计算精度,合理选择、更新和预处理训练样本,采用RBF神经网络预测冷轧带钢屈服应力并把它用于传统轧制力计算模型,获得较高的轧制力预测精度。而后使用RBF长期数据修正网络和RBF短期数据修正网络得到长期数据修正网络和短期数据修正网络的修正系数,对轧制力计算值进一步修正,从而进一步提高轧制力预报精度。上述方法直接用于某冷连轧机组,轧制力预测误差在±6%之内。这充分证明RBF网络可以成功用于轧制过程控制并满足实际生产的需要。     

2030冷轧平整机轧制力模型研究

在研究冷轧平整控制模型的过程中发现 ,带钢延伸率变化与其轧制力密切相关。L2级计算机的轧制力预设值对保持延伸率稳定是一个主要因素。通过研究找出了用轧制力控制延伸率的规律。     

镀锌线光整机的控制分析及应用

详细介绍了某大型钢厂引进光整机的结构特点,阐述了张力、轧制力和伸长率的控制原理和设定依据;重 点介绍了光整机液压控制原理以及“恒伸长率”和“恒轧制力”2种控制模式;结合国产化过程和现场调试阶段出现 的问题和解决方案加以总结,并用实例说明了该光整机的使用效果良好。     

棒材轧制椭圆孔型的多种群遗传优化

 针对目前棒材连轧孔型全域优化问题,提出了多种群遗传算法,可以解决标准遗传算法存在的全域收敛差问题,并结合某钢厂连轧棒材椭圆孔的几何参数进行了多种群遗传算法优化分析。采用刚塑性有限元法模拟优化前后的两道次连轧过程,并分析了连轧过程轧制力的变化情况。结合Matlab曲线拟合和符号积分方法,计算优化前后的轧制能耗并进行比较。同时,借助实际铅件轧制过程的轧制力测试结果,较好地验证了模拟结果的可靠性。结果表明：优化后的孔型可以有效地降低轧制能耗和轧辊的轧制压力。     

鞍钢1 500 mm冷轧平整机组延伸率控制技术

介绍了延伸率控制技术在鞍钢冷轧厂1500mm冷轧平整机组的应用情况,包括延伸率控制系统构成、调试方法等,对轧制力控制模式和轧制力张力联合控制模式做了重点阐述。根据生产实际,制定出控制系统各工艺参数的调试策略。针对平整机组加减速时出现的延伸率波动问题,提出速度前馈轧制力预控的解决方案。