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。     

炉卷轧机单机架与双机架布置特点的分析与探讨

针对国内板卷生产线炉卷轧机单机架与双机架的布置特点,从中厚板卷产量、质量以及设备的生产适应性和投资经济性等方面进行了分析讨论和比较,为单机架与双机架轧机的布置形式提出了建议,可供炉卷轧机的设计选型提供参考和借鉴.     

双机架炉卷轧机布置形式分析

简要分析了现代化双机架炉卷轧机的分开式和串列式两种常见的布置形式、各自的特点和设备构成，对两种布置形式进行了比较，同时根据经验就生产不锈钢与特殊合金钢和碳钢与低合金钢的双机架炉卷轧机的布置形式提出了相应的见解。     

现代中厚板炉卷轧机轧制温度模型探讨

介绍了中厚板炉卷轧机,轧制温度模型的特点,并分析了影响现代炉卷轧机温度控制的主要因素.     

浅析双机架炉卷轧机的两种工艺布置形式

介绍了双机架炉卷轧机的两种不同布置形式;分析比较了其优缺点;提出了在不同的生产工艺条件下两种布置形式的适用范围：分开式布置可满足难变形钢种在粗轧开坯和精轧阶段保证产品质量的不同要求,适用于大量生产不锈钢和特殊合金钢等产品的炉卷轧机;串列式布置形式可节省工程投资,有利于薄规格产品轧制,适用于生产碳钢和低合金钢为主的炉卷轧机。为有意建设炉卷轧机的厂家提供了一定的参考。     

可逆终轧机设定模型在安钢炉卷轧机上的应用

介绍了安钢第二炼轧厂炉卷轧机设定模型的基本功能、主要原理,及轧机设定模型在炉卷轧机上的实际应用情况,实践表明,轧机设定模型在轧制力的预估、轧件温度的计算上有较高的精度。为炉卷轧机的品种开发、质量提升提供了技术保障。     

安钢炉卷轧机厚度控制系统的改进

介绍了安钢炉卷轧机厚度控制系统的概况,分析了轧机厚度控制对轧线效益的意义,针对改进前炉卷轧机厚度控制上存在的问题,提出了系统性的改进措施,取得了显著的效果。     

单机架轧机结构板的轧制力优化

针对河钢唐钢冷轧厂结构级冷轧板生产过程中存在的轧制力过高和板形较差的问题,通过分析原料化学成分和力学性能,阐释了机组难以实现结构板轧制的原因。在此基础上,以轧制力优化为导向,结合相关理论研究成果分析了轧制力的主要影响因素。通过综合采用轧制规程优化、乳化液参数优化、张力优化等措施,结构极冷轧板轧制过程的轧制力得到了有效降低,年产结构钢2.89万t,合格率达99.40%,产品综合质量全面提升,实现了批量稳定生产。     

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。     

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人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...     

Mechanical Property Prediction of Strip Model Based on PSO-BP Neural Network

Mechanical property prediction of hot rolled strip is one of the hotspots in material processing research. To avoid the local infinitesimal defect and slow constringency in pure BP algorithm, a kind of global optimization algorithm-particle swarm optimization （PSO） is adopted. The algorithm is combined with the BP rapid training algorithm, and then, a kind of new neural network （NN） called PSO-BP NN is established. With the advantages of global optimization ability and the rapid constringency of the BP rapid training algorithm, the new algorithm fully shows the ability of nonlinear approach of multilayer feedforward network, improves the performance of NN, and provides a favorable basis for further online application of a comprehensive model.     

冷连轧机轧制力在线计算模型

通过将轧制变形区离散化的方法,在考虑变形区内横截面上张应力、摩擦应力等影响因素沿带钢轧制方向分布规律及其与带钢厚度及压下量的关系的基础上,采用数学模型和神经网络相结合的方法计算了金属变形抗力,建立了冷连轧机轧制力在线计算数学模型.经大型工业轧机生产实践数据检验,该冷连轧机在线轧制力计算模型预报误差控制在6.1%以内,满足模型在线控制要求,可提高在线控制轧制力模型的计算精度.     

板坯的轧制力计算

根据Ｓｉｍｓ公式和由滑移线场理论导出的公式计算板坯轧制力,并采用二维刚塑性有限元法计算了板坯轧制力,所得结果与文献介绍的实验数据相比,其精度较好．     

热轧带钢轧制力模型自学习算法优化

根据轧制数量、测量数据质量和轧制力预报误差的影响,建立了轧制力自学习速度因子优化模型.在长期自学习的判定条件中综合考虑了规格分档的变化以及厚度、宽度的改变量,减少了换规格的次数.长期自学习系数计算时利用了从前一块钢数据中分离出的设备状态信息,从而改善了模型自学习的连续性.离线仿真分析结果表明,轧制力计算精度相对于自学习算法优化前有较大的提高.     

轧机垂直系统动力学参数辨识

 针对轧机垂直系统动力学参数可信度不足等问题,提出一种基于实测数据的改进粒子群算法辨识轧机垂直系统动力学参数的方法。首先,将轧机垂直系统刚度和阻尼考虑成达芬振子和范德波尔振子,构建轧机垂直系统非线性动力学模型,并对粒子群算法进行改进;然后,通过数值仿真算例辨识得到系统在感染噪声和不含噪声时的动力学参数,验证了该算法的有效性;最后,以现场某轧机垂直系统为研究对象,基于现场实测数据,应用该算法进行辨识,得到了轧机垂直系统动力学参数估计,通过实测位移、速度和加速度信号分别与辨识后的位移、速度和加速度信号进行对比,证明该方法辨识轧机垂直系统动力学参数结果可靠,具有一定的工程应用价值。     

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).