共查询到20条相似文献,搜索用时 31 毫秒
1.
攀枝花钢铁(集团)公司热轧板厂三期技术改造后,精轧设定模型精度受粗轧中间坯厚度、宽度和温度等参数影响较大,造成轧制参数预报精度下降,为此,于2007年采用精轧自适应穿带模型对轧制力、辊缝、轧制速度进行补偿,提高精轧设定模型对轧制力、出口厚度等轧制参数的预报精度. 相似文献
2.
3.
4.
5.
6.
7.
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9667%,具有良好的应用前景。 相似文献
8.
9.
10.
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。 相似文献
11.
针对攀钢热轧板厂精轧模型在轧制单位中后期出现温度模型及变形模型中轧制参数预报精度下降的现象,提出应用精轧轧辊磨损自适应模型补偿、修正精轧工作辊及支承辊磨损,避免单独依靠厚度调节变量HUVER调节而导致轧制中后期模型预报精度下降。 相似文献
12.
针对攀钢热轧板厂精轧模型在轧制单位中后期出现温度模型及变形模型中轧制参数预报精度下降的现象,提出应用精轧轧辊磨损自适应模型补偿、修正精轧工作辊及支承辊磨损,避免单独依靠厚度调节变量HUVER汰调节而导致轧制中后期模型预报精度下降。 相似文献
13.
14.
15.
16.
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%。 相似文献
17.
18.
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%。 相似文献
19.
20.
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%。 相似文献