热连轧自适应穿带模型的研究及应用

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.     

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。     

X80管线钢轧制工艺稳定性探讨

宽规格X80管线钢的轧制具有大轧制力、大扭矩的特点,因此对轧制力的预测精度要求更高。X80管线钢在轧制过程中容易出现道次数变化的现象,给板形控制以及终轧温度、开冷温度、返红温度等带来不利影响。针对X80管线钢的轧制特点,提出了提高轧制力预测精度的控制措施以及跳道次现象的抑制措施,对于同类产品生产具有一定的参考意义。     

中厚板轧制过程中的温度修正模型

针对中厚板轧制过程中钢板温度场不易精确模拟,传统温度计算模型存在较大计算误差的问题,提出了道次间的钢板温度修正模型。该模型利用上道次的实测数据,如测温仪温度、轧制力等,对钢板的温度场进行修正。并将修正后的钢板温度场应用到后续未轧道次的辊缝修正计算中。实际应用表明,该温度修正模型投入使用后,轧制力预报精度和成品厚度精度有了很大提高。     

精轧开轧温度对Q235B连轧过程的影响规律研究

本文基于ABAQUS/Explicit平台建立了Q235B热连轧的三维弹塑性热力耦合有限元模型,分析了精轧开轧温度对成形环件的应变和温度分布不均匀性以及轧制力能参数的影响规律,同时进行了现场轧制实验的验证。结果表明:随着开轧温度的增加,轧件的温度分布愈来愈不均匀,等效应变分布愈来愈均匀,轧件中部的等效应变增大,轧制力、轧制力矩逐渐减小。     

热连轧粗轧区立轧轧制力在线模型研究

  针对热连轧粗轧区立轧轧制力在线模型预报精度低的问题,采用有限元软件DEFORM模拟了板坯热连轧粗轧区立轧过程,分析了板坯立轧过程轧制力预报精度低的原因。通过对有限元模拟结果的分析,给出了板坯立辊轧边时计算变形程度的新方法,并通过回归得到了适合板坯立轧轧制力计算的外端应力状态影响系数公式,进而得到了新的轧制力计算公式。经与现场实测数据比较,明显提高了立轧轧制力的预报精度。     

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。     

提高轧制力设定精度的一种离线优化方法

轧制力参数设定是轧机设定模型的核心参数之一,对决定成品卷的厚度精度及板型质量至关重要。京唐酸轧二级模型计算轧制力时采用Bland-Ford-Hill公式,经分析确定影响轧制力计算精度的参数主要为变形抗力和摩擦力因数。因此提出了一种利用特定钢种的初始历史实际轧制数据离线调整其变形抗力和摩擦力因数的方法,从而提高本钢种在线轧制力模型的设定精度。实际应用表明,使用通过此方法优化后的变形抗力和摩擦力参数计算轧制力,轧制力设定模型的精度得到了明显提高,能够满足在线控制需求。     

中厚板生产中的道次修正模型

针对传统板对板的自学习模型不能修正轧件个体差异的缺陷,提出了道次对道次的道次修正模型。该模型利用上道次的实测轧制数据,如实测轧制力、轧制速度、测温仪温度等,通过道次出口厚度再计算模块、钢板温度修正模块和轧制力短期修正模块精确计算出当前钢板的实际状态,然后通过剩余道次再计算模块对后续未轧道次的辊缝进行修正。实际应用表明,该道次修正模型投入使用后,轧制力预报精度和成品厚度精度有了很大提高。     

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。     

精轧轧辊磨损自适应模型的应用研究

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。     

热连轧精轧轧辊自适应模型的应用研究

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。     

基于BP神经网络斜轧穿孔轧制力的预测

借助Matlab工具箱中BP神经网络,对斜轧穿孔区轧制力进行预测。通过分析影响轧制力预报精度的因素及网络性能,确定了网络结构、有关参数和网络训练算法(优化BP算法),实现了轧制力的精确快速预报,预报相对误差1.67%～6.33%,平均3.735%,满足了工程计算的精度要求。     

IF钢热轧轧制稳定性分析及控制方向

采集热轧实际生产中IF钢轧制过程奥氏体单相区轧制与两相区轧制的各机架轧制温度、轧制力参数,与轧制模型预报结果进行对比分析,明确了IF钢热轧精轧过程中奥氏体、铁素体相变区域以及影响模型轧制力预报的主要因素,提出了轧制过程中厚度波动、板形异常的解决方向。     

结合机理计算与神经网络预测的无缝钢管轧制力建模

无缝钢管轧制过程机理复杂,部分状态参数难以在线检测,轧制过程具有多变量、强耦合、非线性等特点,导致其机理建模精度较低。为了提高轧制力模型的精度,提出一种结合机理计算与神经网络预测的轧制力建模方法。首先依据轧制工艺知识和经验分析轧制过程机理,建立轧制力机理模型;然后依据实际生产数据,通过灰色关联分析确定影响轧制力的主要因素;最后采用BP神经网络建立轧制力偏差预测模型,对轧制力机理模型计算结果进行补偿。仿真实验表明,该模型预测精度较高,可以满足工业现场的实际需求。     

基于深度学习的热连轧轧制力预测

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%。     

提高热轧板卷终轧温度的研究

根据攀钢热轧生产工艺流程 ,建立了带钢轧制过程的数学模型。该模型计算值与实测值基本吻合 ,温度偏差≤± 15℃。利用该模型定量分析了轧制速度、轧制节奏、轧制道次、加热温度等工艺参数对热轧板卷终轧温度的影响 ,在此基础上 ,提出了提高热轧板卷终轧温度的技术措施。经现场大生产实际应用 ,可以满足冷轧冲压系列钢板尤其是超低碳IF钢对热轧高温终轧的要求     

退火炉内罩中气体流动及钢卷传热的数值模拟

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%。     

泰钢950 mm精轧机组过程控制的数学模型

介绍泰钢950mm精轧机组过程控制的数学模型，通过精轧模型对所有的轧制参数进行设定计算，其中包括轧制力模型、力矩模型、温度计算模型、速度模型以及辊缝计算等．该系统应用后，产品各项指标达到设计要求．     

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%。