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。     

基于人工神经网络的热连轧参数预测模型

将BP神经网络的思想用于预测热连轧参数，研究并建立了基于BP神经网络的预测控制数学模型。以热连轧精轧自然宽展值为例，现场实测数据仿真验证表明，该模型明显优于传统的数学预测模型，具有很高的预测精度。     

粗轧过程中轧制力和宽展的预测与分析

 板带轧制数学模型是实现自动控制的基础,高精度的数学模型是提升产品质量和市场竞争力的重要保障。在热连轧粗轧过程控制中,轧制力和宽展是关键参数,其模型精度不仅会影响粗轧轧制规程的设定,而且会影响最终热连轧带钢产品凸度。以矩形板坯热连轧粗轧过程为研究对象,针对轧制变形区建立了三维运动许可加权速度场,在此基础上充分考虑自然宽展效应,基于刚塑性材料的第一变分原理,采用可变上限积分法对塑性变形、剪切功率和摩擦功率进行积分获得变形区总功率泛函。利用Matlab优化工具箱对总功率泛函进行最小化,得到了轧制力、宽度分布的理论解。最后利用理论模型计算数据回归得到了板坯宽展及速度场中的加权系数模型。将基于所提出模型的轧制力和宽展预测值与现场实测值及部分有关学者所建立模型的预测值进行了对比,结果验证了所建立模型的准确性。研究得到的宽展模型和速度场加权系数表达式可以方便、灵活、快速地应用到粗轧现场中,为更高质量热连轧带钢产品的生产奠定了坚实基础。     

首钢京唐1580mm热连轧机精轧过程控制模型及应用

首钢京唐钢铁联合有限责任公司1 580 mm热连轧机由国内自主研发设计建造,其精轧过程控制中厚度分配采用标准负荷分配策略,温度计算采用沿轧线分为不同的温区,沿带钢厚度方向分为不同节点的方法,轧制力计算应用四阶Runge Kutta方法求解单位轧制力的Orowan差分方程,辊缝计算充分考虑了宽度、速度、热膨胀及磨损等的影响,同时采用模型自学习提高模型预报精度,通过模型实现高精度的头部厚度控制。模型系统投入使用后,运行状况良好,精轧设定模型厚度控制精度在(±50～±60)μm之间的平均命中率达到96.37%。该项目的成功经验,对国内新建或改造的热连轧项目具有极高的参考价值。     

精轧区热轧带钢温度场的数值模拟

通过对带钢热连轧过程传热关系的分折，利用有限差分法建立了带钢三维温度场的数值计算模型。结合攀枝花钢铁集团公司热轧生产线的实际条件，利用该模型模拟了精轧区带钢的温度场，并与实泅结果进行了比较，验证了模型的可靠性。在此基础上，讨论了终轧厚度和轧制速度对带钢温度场的影响，为改进和优化轧制工艺提供了理论依据。     

基于神经网络的金属应力状态系数模型

 以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。     

热轧带钢终轧温度的多模式控制

结合国内某2250 mm热连轧精轧机组, 实现速度调节、机架间水调节、速度和机架间水耦合调节三种控制模式, 能够根据热连轧过程中的不同钢种和不同工况采用相适应的控制模式, 以获取最佳的控制效果. 同时, 利用二次规划优化法在线优化不同控制模式的调节量, 以满足带钢全长终轧温度的控制要求. 将多模式控制模型在线应用后, 带钢终轧温度控制偏差在±20℃以内, 连续三个月命中率为99%以上. 结果表明, 该控制模型响应速度快, 计算精度高, 能够满足不同钢种和不同工况下的终轧温度控制要求, 从而提高带钢轧制稳定性和终轧温度控制精度, 提升产品竞争力.      

热连轧精轧宽度自动控制

为了提高热连轧带钢成材率和宽度精度，国外一些钢厂开发了精轧宽度自动控制系统，在精轧机架间设置了测宽仪，利用机架间张力动态调整带钢宽度，实际应用表明，带钢宽度偏差有明显减少。     

基于深度学习的热轧带钢头部厚度的命中预测

 针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法。在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象。利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命中率、减少钢材浪费。深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现。调整神经网络各参数,通过研究它们对模型性能的影响,优化预测模型。最后使用多种厚度的带钢测试数据训练并检验头部厚度预测模型,结果显示,分类预测命中准确率在80%以上。     

传统热连轧生产技术的发展

介绍了传统热连轧新技术,包括无头轧制技术、连铸板坯热送热装和直接轧制技术、铁素体轧制技术、热轧工艺润滑技术、自动化控制技术的特点.传统热连轧机分为粗轧和精轧两部分,使用的板坯厚度一般大于180 mm,最小产品厚度为1.2mm.近年来传统热连轧新技术、新装备的出现推动了炼钢一连铸一轧钢生产的一体化,加速了钢铁生产向连续化、低成本和高质量方向发展,扩大了传统热带轧机的轧制范围,可批量生产0.8mm的超薄带钢.先进的传统热连轧生产技术,是传统热连轧机组改造和发展关键.     

热连轧带钢终轧温度预报模拟软件开发

 在传统热连轧精轧机组温降模型基础上,开发了带钢热连轧终轧温度预报软件。将带钢在中间辊道和精轧区内按主要冷却方式的不同划分为多个传热区域,并以带钢粗轧出口温度实测值为起点,依次累加计算带钢在精轧区内的温降。使用该软件计算的带钢恒速轧制温度预报结果与现场实测值吻合较好。     

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。     

基于RF-LSTM的热连轧板坯粗轧出口温度预报

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...     

数据驱动的热轧带钢头部终轧温度预计算优化

摘要：带钢头部终轧温度(finishing delivery temperature,FDT)的预计算是精轧设定中的一项重要内容。它不仅是带钢全长终轧温度控制的基础,而且关系到轧制速度、轧制力以及辊缝等模型参数的预设定,对成品带钢的质量控制起着关键性的作用。在实际生产中,带钢头部终轧温度主要是通过结合了统计经验和自适应修正的半机理模型来计算,但是由于带钢换热过程的复杂性难以用关系式精确表达,导致了带钢头部终轧温度的预计算精度不高。针对此问题,从数据驱动的角度出发,利用BP神经网络和改进粒子群优化算法（improved particle swarm optimization, IPSO）,以半机理模型为主,IPSO-P网络模型为辅,建立了一种混合优化模型。通过仿真实验和实际生产对比,结果表明：相比于单纯的神经网络模型或者半机理模型,混合优化模型的预计算精度和收敛速度均有了很大的提高,达到9667%,具有良好的应用前景。     

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.     

热连轧带钢宽度封锁溯源研究及应用

热连轧带钢宽度封锁溯源是指带钢轧制完成后，对宽度封锁带钢的缺陷类型进行判断，并对导致宽度封锁的原因进行追溯，以为现场技术人员提供参考。基于真实的热连轧带钢生产过程数据，先使用卡尔曼滤波方法对带钢全长宽度数据进行去噪，然后使用高斯拟合寻峰等方法提取带钢宽度特征并建立宽度缺陷分类规则，最后结合实际生产过程建立热连轧带钢宽度封锁溯源模型。将湛江1 780 mm热连轧机组3个月内出现的582条宽度封锁带钢用于模型性能测试，结果表明，模型对宽度缺陷的分类准确率达到96.72%,对宽度封锁溯源的准确率达到94.16%,有效实现了热连轧带钢宽度封锁的自动分类与自动溯源。     

热连轧精轧工作辊磨损与轧制单元设计的关系研究及改进

从腐蚀与保护学上分析了热连轧精轧工作辊的磨损机理,根据腐蚀的相关因素对传统的热连轧轧制单元设计进行了改进,有效地解决了热轧带钢三次氧化铁皮质量缺陷问题,并在保证带钢表面质量的前提下增加了轧制单元的轧制总长度,降低了轧辊消耗。     

低碳钢热连轧过程中工艺参数及组织演变的预测

采用二维有限元法对热连轧生产过程中沿带钢厚度方向的温度场分布进行了预测，建立了描述低碳钢软化行为的再结晶模型，并利用此模型对奥氏体再结晶动力学及微观组织演变进行了模拟计算，建立了计算精轧过程应力-应变曲线的流变应力模型，根据现场数据，对400MPa级超级钢细晶工业轧制实验的轧制力、轧制力矩和轧制功率进行了预测，结果与实测值吻合较好，反映了工业生产实际。     

基于RF-LSTM的热连轧板坯粗轧出口温度预报

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%。     

负荷分配对精轧带钢温度的影响

用带钢热连轧精轧温度控制模拟软件,系统地研究了负荷分配对带钢精轧轧制过程中变形温升、水冷温降以及精轧出口温度的影响,并总结出了相应的规律,为建立高精度热连轧带钢温度控制模型提供了理论依据.