深度信念网络算法下的热连轧板凸度预测模型

针对规格切换和停轧换辊等非稳态轧制过程中板凸度预测的复杂问题,提出了一种深度学习的板凸度预测方法.设计了深度信念网络(DBN)算法下的预测模型方案和建模流程,并选择出适合的模型评价分析指标.通过对比实验寻找深度信念网络的最佳网络结构参数,确定了DBN模型结构的隐含层层数为5层、隐含层节点数为20个时预测性能达到最佳.与BP模型相比,DBN模型的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低0.18μm, 0.5%和0.21μm,为2.29μm, 4.98%和3.07μm,预测数据与实测值的绝对误差小于5μm的比例达到93.1%,预测性能更优.     

基于集成特征选择和SVR的热连轧板凸度预测

热连轧板凸度作为评价板形质量的关键指标,具有多变量、非线性、遗传性等复杂特性。传统的热连轧板凸度模型存在机理复杂、理论情况与实际情况存在差异以及模型精度受限等问题。为了解决这些问题,提出了一种基于集成特征选择和支持向量回归的热连轧板凸度预测模型。首先,建立了基于随机森林(Random Forest, RF)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)和梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的集成学习模型,综合应用这些基学习器可以充分挖掘数据中的特征信息;其次,通过集成学习模型对基学习器得到的特征重要性进行加权融合,并根据融合后的特征重要性排序来筛选最具有信息量的模型输入特征,可有效地降低特征维度;然后,采用灰狼优化算法(Grey Wolf Optimization, GWO)来优化支持向量机回归(Support Vector Regression, SVR)预测模型中的参数,其不仅能够消除传统人工参数选择的主观性和盲目性,还能更好地适应数据的特性;最后,将筛选后的特征输入到参数优化的SVR预...     

CVC热连轧精轧机组的横移设定与板凸度计算

建立了辊系弹性变形,工作辊热凸度,工作辊和支撑辊的磨损,板凸度调整和工作辊横移设定以及负荷分配模型,并在这些计算模型的基础上,根据来料板坯的原始凸度值和轧后板带的目标凸度值,开发了可以设定热连轧精轧机组的CVC工作辊横移量,同时计算各机架轧后板凸度,轧制力分布等参数的软件,采用所开发的软件对实际现场数据进行离线模拟计算,结果与现场数据符合较好。     

基于核主成分分析的热连轧断带故障诊断

热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差(SPE)统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。     

基于FEM-ANN的冷轧板带板凸度预报

 针对1450HC轧机,利用大型非线性有限元软件MSC.Marc建立仿真模型,对多种轧制工况进行了模拟,得到了板凸度值。研究了不同板带参数、工艺参数、板形调控参数对轧后板凸度的影响规律。以有限元计算值为训练样本,利用BP神经网络强大的非线性映射功能,建立了板凸度预报模型,在训练过程中采用了改进的快速BP训练算法,从而提高了训练速度,加快了网络收敛速度,增加了算法的可行性。该网络模型解决了有限元计算时间长,难以在线应用的问题。     

基于PCA-BP神经网络的LF精炼终点温度预测

为提高LF精炼钢水终点温度控制水平,提出了基于主成分分析（PCA）和BP神经网络的联合方法预测LF钢包炉精炼钢水终点温度。基于冶金理论和实际生产实践,选取了42CrMo钢生产过程的10个对终点温度有显著影响的因素作为预测模型的指标体系,然后借助主成分分析法对样本数据进行处理,得到了7个主成分变量,累计方差贡献率为87.24%,消除了数据之间的关联性,以此为基础,建立了基于PCA-BP神经网络的LF炉终点温度预测模型,该模型预测误差在±25℃时,模型的命中率为98.71%,模型有较好的识别能力,能够达到LF炉生产过程预测终点温度的目的。     

基于非线性主成分分析与自适应小波神经网络的球团质量预测模型研究

在链篦机-回转窑法球团生产过程中,成品球团的质量与系统的热工制度的控制和参数调节密切相关。鉴于系统的过程变量多、滞后性大、周期性长的特点,提出并建立了基于非线性主成分分析与自适应小波神经网络的球团质量预测模型,并用实例证明,该模型在质量预测中与传统的BP神经网络模型相比有较好的效果。     

板宽和轧辊凸度对热轧板带凸度控制的影响

针对通常在研究板带宽度变化对出口板凸度的影响时没有考虑辊系凸度这一因素,应用三维刚塑性有限元法、影响函数法、三维弹性有限元法,开发了一个分析板带热轧过程的分析软件.利用该软件研究了支承辊、工作辊的凸度从-0.5mm到0.5mm变化时,板宽的变化对出口带钢板凸度的影响规律.结果表明:支承辊、工作辊凸度为0时,板凸度随板宽...     

神经网络在热轧板凸度预报模型中的应用

以前馈式BP神经网络为基础,收集挑选轧机生产过程中对板形有影响的轧制因素作为模型输入参数,板凸度作为输出参数,利用SQL、Matlab及数据提取软件进行数据收集存储、管理、运算,建立神经网络热轧板凸度预报模型。通过大量样本训练,该系统已初步具备了预测板形质量的能力,且误差较小。系统应用后,提高了板形质量,降低了生产成本。     

基于核主成分分析的热轧带钢头部拉窄分析

将核主成分分析方法引入热轧生产过程的监控与诊断中,根据平方预测误差统计量进行生产过程监控,然后利用数据重构和优化的邻域选取策略相结合的方法求出各工艺参数对平方预测误差统计量的作用,分析引起过程异常的主要工艺参数,最后利用仿真和热轧带钢实际生产数据进行实验.结果表明:基于核主成分分析的平方预测误差统计量能较准确诊断过程的异常,并可以找出引起异常的原因,为调整生产过程提供方法支撑,防止次品的出现.     

基于贝叶斯神经网络的带钢厚度预测与控制

采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量.     

热连轧带钢凸度和平坦度设定模型的优化

在带钢热连轧的生产过程中,带钢凸度控制和平坦度控制作为板形控制系统的两个重要组成部分,两者存在着明显的耦合现象.针对板形控制系统中凸度、平坦度设定的优化,提出了在控制下游机架比例凸度相等的前提下上游机架形成目标比例凸度的解耦策略,即固定下游机架出口比例凸度为成品比例凸度,通过上游机架"消化"来料比例凸度与成品比例凸度之...     

基于主成分分析的BP神经网络模型在铁矿产地溯源中的应用

铁矿在国家工业生产中占有重要地位,不同产地的铁矿在品质、有害元素含量上存在差异,为了提高海关对进口铁矿是否存在瞒报产地、以次充好等潜在风险的识别预警能力,尝试借助人工智能的方法来解决。以澳大利亚、巴基斯坦、巴西、南非、乌克兰和印度6个国家进口的共1 072批铁矿样品为研究样本,依据国家标准、行业标准对Hg、F、Cl、S、全铁(TFe)、SiO₂、Al₂O₃、P、H₂O、烧失量(L.O.I)、K₂O、TiO₂、MgO、CaO和Mn等15个指标进行检测。通过主成分分析提取了5个有效的主成分,累计方差贡献率为77.481%。以主成分分析提取的5个主要因子作为神经网络的输入指标,6个不同原产地作为输出指标,随机选取1 072组检测数据中的80%作为训练集,用以建立分析模型;剩下的20%作为验证集,用以验证模型的预测准确度,验证集识别准确率为100%,能够实现对6个国家铁矿原产地的准确识别。该模型的建立将直接应用于进口铁矿的产地鉴别,支撑进口铁矿的风险监管,维护贸易秩序,保障贸易便利。     

基于主成分分析法与RBF神经网络的岩体可爆性研究

为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明：预测结果的相对误差均控制在5%以内,与BP神经网络预测误差（16%）相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。     

热连轧板凸度闭环控制的工业应用

 板凸度是热轧带钢产品质量的重要指标之一,板凸度闭环控制能够有效地保证板凸度精度。以弯辊力调节作为板凸度闭环控制的主要手段,以保证板形良好为前提,给出了板凸度闭环控制策略及弯辊力对板凸度传递系数的计算方法,建立了板凸度闭环控制模型。通过在宁波钢铁公司1780热连轧机组的工业应用,经过实际考核,带钢板凸度命中率达到96%以上,同时能够保持板形良好,取得了较好的控制效果。     

基于KPLS与SVM的热连轧板凸度预测

热连轧作为典型的流程工业过程,具有多变量、强耦合、过程非线性的特点,轧制机理非常复杂。针对传统方法难以获得准确的数学模型从而导致板形质量预测精度较低的问题,采用基于数据驱动的核偏最小二乘 (KPLS) 方法以有效处理工艺参数和质量指标之间的非线性关系,以此为基础,建立了基于KPLS结合支持向量机(SVM)的板凸度预测模型,并采用粒子群优化算法 (PSO) 优化支持向量机参数,进一步提高热连轧板凸度预测精度。预测结果表明,96.86%的板凸度预测值绝对误差小于5.5 μm,整体具有较高的预测精度,对实现板形质量精确控制、提高热轧产品质量具有重要意义。     

主成分分析法与神经网络在选矿建模中的应用

应用主成分分析法与BP神经网络结合建立选矿厂数学模型,通过实例验证,模型取得了较好的预测效果。     

基于深度学习的热连轧轧制力预测

摘要：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%。     

基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。