基于连续曲面的轧制模型自学习方法

 针对基于层别数据的传统轧制模型自学习方法导致相邻层别上自学习系数跳跃大、不连续等问题,提出“机理模型＋特征点＋拟插值＋自学习”的轧制模型构建新机制,用多维空间连续曲面代替原来的层别,实现轧制模型结构的升级。构造用特征点表征的连续曲面,采用连续函数对空间中各个特征点上的自学习系数进行拟插值的方法,获得光滑曲面方程。从相邻层别不连续变为多维空间上连续可导,使模型自学习系数精确到空间任意点,对提升模型设定精度有质的突破。该模型自学习方法目前已成功应用于国内某大型热连轧机组变形抗力在线计算,实际生产应用表明,新方法上线后变形抗力与轧制力的预报精度显著提高,带钢因厚度超差导致的预封锁量减少了44%,满足热连轧带钢稳定轧制的生产要求。     

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.     

中厚板轧机轧制力自学习模型的应用

 介绍预计算轧制规程中所使用的轧制力模型,在此基础上根据轧制过程中的仪表反馈数据开发出一种新的轧制力自学习模型。并对轧制力自学习系数层别划分的方法,依据和效果做了系统的分析。现场在线应用结果表明:给出的轧制力模型具有良好的预测精度,末道次轧制力预测误差可以控制在3%以内,其他道次可以控制在5%以内。     

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.     

极限学习机在中厚板轧制力预报中的应用

摘要：轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力，精度较低。为提高轧制力预报精度，首先基于大量历史生产数据，通过主成分分析法对影响轧制力的因素进行处理和分析，选出权重较大的影响因子；其次选取现场代表钢种进行热模拟压缩实验，在此基础上提出基于极限学习机(ELM)的综合神经网络轧制力预报模型，即先通过化学成分计算出基准变形抗力，再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数，并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产，轧制力预报相对误差±10%以内占比提高15.61%，钢板头部厚度命中率提高1.9%。     

中厚板厚度的在线软测量方法

根据中厚板的轧制特点,建立了比较完善的轧件出口厚度的软测量方法,它考虑了辊系弹性变形的影响,并引入辊缝零点漂移自学习算法,修正了轧辊磨损、热膨胀和机械间隙变化带来的影响,使轧件出口厚度的软测量模型更加完善.同时分析了实时轧制力和辊缝数据的处理方法对厚度计算的影响.在中厚板厂的应用结果表明,这种软测量方法精度较高,适合在实时中厚板轧制过程中应用.     

结合模型自适应的神经元网络在中厚板轧机轧制力预报中的运用

在中厚板生产过程中,用传统轧制力模型预报中厚板轧机轧制力时存在着较大的误差.为了提高中厚板轧机轧制力的预报精度,采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报.应用结果表明,采用本方法预报轧制力时精度优于传统的数学模型,相对误差可以控制在±3%以内.     

中厚板轧制过程中轧制力参数的动态修正

分析了一种中厚板的轧制力在线动态修正算法,该算法以实测轧制力为基础,通过道次实测轧制力和模型计算轧制力的值决定轧制力模型参数修正量的大小,真正做到以实测轧制力数据动态校正中厚板轧制力模型,大大提高了轧制力模型的预报精度并使其具有良好的自学习功能.该算法已经在现场获得应用,并具有良好的应用效果.     

中厚板轧制过程基于灰色关联度的厚度修正方法

由于中厚板轧制过程传统道次修正方法稳定性较差,提出了基于灰色关联度的道次修正算法.通过灰色关联度模型计算出最近生产的n块钢板所有道次以及当前正在轧制钢板前m道次与当前轧制道次轧制力自学习系数的关联度,根据关联度的高低来确定当前道次和后续道次的自学习系数,并通过道次修正对后续辊缝进行二次调整,以获取精确的目标出口厚度.实际应用结果表明,产品目标出口厚度的命中率提高了2.5%～3.0%,具有很高的现场应用价值.     

单机架炉卷轧机中变形抗力自学习模型的研究与优化

 为改善轧机控制系统中变形抗力的预报精度，提高产品质量，在分析原单机架轧机控制系统数学模型的基础上，选定温度影响项的系数作为修正系数，并将原长期自学习的算法改为渐消记忆的自适应算法。实现了以实测轧制力数据动态校正变形抗力，并运用VC60++编程实现。实际应用表明，给出的快速自学习策略优于原来的变形抗力工程计算方法，有效减少了产品的厚度误差，提高了板材的成材率和经济效益。