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%。     

区域地质地质矿产工作评述

位于区域的东南角、红柳河深断裂以南,属于北山断块带的范围。由于该区地质构造及其复杂,目前地质研究程度不足,难以查明其归属体系,按照构造线走向暂定为北东向构造带。该带区域上出露的主要地层为蓟县系、震旦系、寒武系、志留系地层。蓟县系主要存在与地垒式断块中,为一套浅-中等变质的碳酸盐建造,蓟县系-震旦系末期的褶皱运动造成下古生界以明显的角度不整合超覆于其上。寒武系为一套硅质含磷建造,志留系为绿色砂岩建造,二叠系地堑式凹陷中沉积了类磨拉石建造,同时沿断层发生了火山喷发运动。     

深度学习在电力系统预测中的应用

电力系统预测主要包括负荷预测、出力预测以及健康状态预测等。通过负荷预测,可以优化电力生产规划,从而更好地实现电能的精细化分配;通过出力预测,可以有效提升新能源电力消纳能力,实现电能的充分及合理利用;通过电力设备健康状态预测,可以及时发现设备运行隐患,从而进一步保障电力系统平稳安全运行。深度学习凭借其卓越的特征分析和预测能力,被广泛应用于电力系统运行及维护。本文首先归纳介绍了电力系统预测深度学习模型的特点、适用场景;其次,梳理了深度学习在面向民用及工业场景负荷预测、光伏及风电出力预测、机械及非机械设备健康状态预测中的应用前沿;最后,对深度学习在电力系统预测中所面临的关键问题、发展趋势进行了总结和展望。      

工业场景下基于深度学习的时序预测方法及应用

为了系统性地归纳工业场景下时序预测方法及应用,首先介绍了统计学习、集成学习、深度学习三类时序预测算法,并围绕工业数据分析与决策问题,重点分析了循环神经网络、卷积神经网络、编码?解码器模型三类深度学习模型的优缺点及适用的工业应用场景。为了清晰全面地评估模型性能,介绍了面向点预测、序列预测问题的统计指标和误差计算方法。同时,整理了经典的公开工业数据集,以便研究者快速评估算法性能。并以过程工业中的采矿、冶金为例,介绍了时序预测方法在真实工业场景下的应用和效果。最后,总结了工业领域中应用深度学习技术所面临的低稳健性和弱可解释性等问题,并探讨了工业场景下时序预测方法研究的未来发展方向。      

新时期地质矿产勘查工作手段及方法分析

社会经济发展速度加快,带动了能源资源的产量增加。矿产勘探在最近这些年得到快速发展,随之而来出现很多有效的勘查方法与勘查手段。为满足新时代背景下的矿产资源开采,改进创新地质勘探技术和手段具有积极意义。本文首先总结在新时代背景下勘查地质矿产资源工作的发展现状,其次从两个角度研究新时期勘探地质矿产的方法。再次分析归纳新时期地质矿产勘查工作的特点与方法。     

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...     

基于深度映射多核的热镀锌镀层厚度预测

连续热镀锌的镀层厚度控制具有高维、非线性和时变的特点,很难用传统的数学模型和浅层神经网络来预测。深度学习通过多层非线性网络结构,能实现复杂函数关系的良好逼近,而核学习是处理复杂非线性数据的强大工具。提出了一种基于深度神经网络多层信息的深度映射多核学习算法,通过将此深度映射核与多尺度高斯基核做非线性乘积,得到新的具有高度表达能力的改进核,其蕴含数据深层特征信息。大量基准数据集和实际工业数据表明,本算法通过结合深度学习和多核学习的优势,解决了镀锌过程强非线性、时变大滞后和多变量的控制难点,实现镀层厚度的更高精度预测,预测的平均绝对误差从3.04 g/m²降低到1.22 g/m²。     

工业场景下基于深度学习的时序预测方法及应用

以大模型在材料科学中的应用为着眼点,首先综述了大模型,介绍了大模型的基本概念、发展过程、技术分类与特点等内容;其次从通用领域大模型和垂直领域大模型两个角度,总结了大模型的应用,列举分析了不同种类大模型的应用场景和功能. 再次,结合材料科学领域中的具体需求研究现状,调研并综述了语言大模型、视觉大模型和多模态大模型在材料科学中的应用情况,以自然语言处理和计算机视觉中的具体任务为切入,参考典型应用案例,综合提示工程策略和零样本知识迁移学习,厘清了当前将大模型应用至材料科学的研究范式和制约因素,并利用改进SAM视觉大模型在四种材料显微图像数据上进行了验证性图像分割与关键结构提取实验,结果表明SAM带来的零样本分割能力对于材料微结构的精准高效表征具有巨大应用潜力. 最后,提出了大模型相关技术、方法在材料科学中的未来研究机遇,从单模态到综合性多模态的大模型研发与调优,评估了可行性及技术难点.

     

基于燃烧模拟和深度学习的钢包烘烤优化

为了解决钢包烘烤的粗放式控制问题,提升钢包烘烤的燃烧效果,减少污染物排放量,提出了一种耦合燃烧模拟和深度学习技术进行数据驱动建模的钢包烘烤优化方法,同时采用了修改后的加权灰色气体模型确保CFD燃烧模拟模型计算在富氧条件下保持可靠.计算结果用于建立长短时记忆(LSTM)深度学习预测模型,预测氮氧化物(NO_x)排放量、燃烧效率和升温速率,平均相对误差分别为0.278%,0.244%和0.189%.最后对计算结果进行多目标优化,可以在一定范围内减少氮氧化物排放量,提高燃烧效率和升温速率.结果表明：氮氧化物排放量、燃烧效率和升温速率的优化量分别为242.1 mg/m³,7.718%和3.631 K/h,达到了优化目的.     

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。     

基于深度学习的棒材轧机电机负荷预测模型

为了确保有效利用轧机设备能力,以某钢厂棒材生产线的轧机电机负荷数据为研究对象,利用PyTorch搭建基于长短期记忆(long short term memory, LSTM)神经网络的预测模型,定义模型初始网格结构参数,选定单元结构激活函数,并针对模型超参数的选择问题,采用自适应学习算法(adaptive moment estimation, Adam)进行参数优化,迭代降低损失值,提高模型的预测精度。通过试验设计,采用生产两种规格棒材的轧机负荷数据进行验证,结果表明,与未优化的负荷预测模型对比,均方误差S_ME分别降低了3.28、1.76,证明了所建立模型的预测效果更好,具有较高的稳定性。     

基于深度强化学习的炼钢车间天车调度方法

针对炼钢车间天车任务产生的动态不确定性,提出了基于深度强化学习算法的炼钢车间天车调度方法.首先,基于强化学习将天车调度问题转化为对天车操作动作序列的求解,采用DQN(Deep Q-network)算法构建动作价值网络模型进行求解;然后,以某钢厂出钢跨天车调度为研究对象,以任务完成总时间最短为目标,介绍了基于深度强化学习...     

基于深度学习的烧结返矿量组合预报模型研究

返矿量是影响烧结矿质量和炼铁成本的重要因素。针对该数据难以在短时间内获得且相关预测研究较少的问题,本文提出了一种应用深度学习算法构建的烧结返矿量组合预报模型。该模型首先将烧结实际生产流程大数据与数据预处理技术相结合,建立模型基础数据集;然后将烧结流程中存在的滞后性与时域神经网络相结合,实现模型的提前预报功能;同时将皮尔逊相关性分析和PCA技术制定的烧结配料规则与深度森林相结合,实现模型的实时监测功能。预测结果分析表明：该模型整体误差范围(返矿量在15 t/h内)命中率能够达到90%以上,并展示出良好的提前预报和实时监测效果,能够达到预测返矿趋势与数量的目标。     

基于深度学习的带钢精轧过程自由宽展预测

为提高带钢精轧过程宽度的控制精度,以实际生产数据为驱动,建立深度学习网络模型,对自由宽展进行预测。采用拉伊达准则对实际生产数据进行清洗,对清洗后的数据进行相关性分析,并提取相关系数大于给定阈值的特征。基于预处理后的特征数据,对深度学习网络进行训练,建立自由宽展预测模型。针对测试实例,分别采用该模型与传统数学模型进行预测,并从均方误差、最大偏差以及误差分布等多个方面进行对比分析。结果表明,所建立的深度学习预测模型,具有更高的预测精度和更好的性能指标。