人工神经网络在中厚板轧机轧制力预报中的应用

在实际生产过程中 ,传统轧制力模型在计算中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 ,提出了一种将人工神经元网络用于轧制力预报数学模型中 ,进行轧制力预设定。离线仿真表明 ,采用本文所述的方法 ,预报精度要优于传统的数学模型 ,预报精度的相对误差可以控制在± 4 %以内     

轧辊弹性压扁对中厚板轧制压力预报精度影响的研究

建立中厚板轧制压力计算模型,分别采用简单轧制情况和考虑轧辊弹性压扁情况下轧件与轧辊接触面积计算模型来预报轧制压力,分析轧辊弹性压扁对中厚板轧制力预报精度的影响。结果表明,在中厚板轧制过程中考虑轧辊弹性压扁的情况下,当预报轧制压力小于实测值时,轧制压力的预报精度提高;当预报轧制压力大于实测值时,轧制压力的预报精度降低。     

极限学习机在中厚板轧制力预报中的应用

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%。     

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%。     

基于模糊理论的中厚板轧制力学习算法

由于传统的中厚板轧制力计算模型结构简单,并且要测量模型中的一些参数较困难,即使采用一定自适应技术,也难以适应不断提高的中厚板尺寸精度的要求。为了提高中厚板轧机的轧制力预设定精度,笔者采用基于模糊理论计算轧制力参数算法,利用现场采集的数据进行了计算。结果表明,该方法的预测精度优于传统数学模型,预测结果的相对误差基本限制在±6%范围内。     

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.     

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。     

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.     

变形抗力模型对中厚板轧制压力预报精度影响的研究

中厚板轧制压力分别采用凸轮试验和热模拟试验两种变形抗力模型进行预报,变形抗力模型对中厚板轧制压力预报精度的影响显得尤为重要。相关分析研究结果表明:在中厚板轧制过程中,凸轮试验变形抗力模型对轧制压力的预报精度较为稳定;热模拟试验变形抗力模型对轧制压力的预报精度波动较大,但在中间轧制道次,热模拟试验变形抗力模型对轧制压力的预报精度高于凸轮试验变形抗力模型。     

3500中厚板轧机轧制力数学模型的研究

以邯钢3500中厚板轧机为研究对象,根据中厚板轧制工艺的特点,对影响轧制力的因素进行了分析.建立了计算中厚板轧制压力的数学模型,并根据实测数据分别进行计算,将所得的轧制压力与实测压力进行了比较,计算值与实测值之间的误差在9%以内.这个轧制力数学模型可用于邯钢3500中厚板轧制压力的预报,指导实际生产.     

棒材连轧粗轧微张力控制

本文以PLC为核心控制单元,对棒材粗轧机组进行微张力控制。PLC对各电机的控制采用PI控制规律,有效地利用了PLC的系统资源。通过实际验证,该系统运行稳定,各项指标均满足生产要求。     

中厚板轧制过程中的轧制力和轧制力矩数学模型

本文提出了两个新的无量纲参数轧制力功系数和轧制力矩功系数,并通过对这两个参数的回归分析,建立了高精度的轧制压力和轧制力矩数学模型。     

热连轧过程中的轧制力模拟

 对目前用于带钢热连轧过程分析中的几种屈服应力模型进行了对比,并在此基础上改进了模型：用Orowan公式计算轧制过程中轧件的应力-应变,用有限差分法计算轧件的温度变化,建立了热连轧生产过程中温度变化和塑性变形计算相耦合的力能参数预报模型。用此模型对某钢厂热轧板带生产过程中力能参数的变化进行了解析计算。计算结果表明,模拟值与现场实测值吻合较好。     

中厚板生产中无测厚仪下的自适应轧制模型

针对国内很多中板厂没有测厚仪的现状,开发了无测厚仪下的自适应轧制模型.该模型采用自然对数法进行厚度范围的划分,并且在各个厚度范围内,将落在其中的根据各道次实际生产数据回归的轧件变形抗力参数按照轧制时间的由近及远,进行指数平滑处理,以此作为各个厚度范围的变形抗力参数.在进行变形抗力参数的回归时,各道次的出口厚度以高精度弹跳模型为基础进行计算,并采用目标厚度锁定及遗传偏差的方法对各道次的计算出口厚度进行处理,以最大限度的保证回归的准确性.将该自适应轧制模型实际应用于某中板厂3000 mm 轧机的过程控制中,获得了良好的效果.     

纵向变截面轧制过程中的轧制参数

 基于纵向变截面轧制的特点,根据轧件受力分析了LP钢板轧制过程的咬入角和咬入条件。利用前滑的定义推导出纵向变截面轧制的前滑模型,通过离散化处理得到工程应用的纵向变截面轧制楔形区的前滑公式。以LP钢板轧制实例,对仿真和模型计算结果进行了分析比较,验证了理论公式的正确性,为LP钢板的轧制提供了理论依据。     

冷连轧机轧制节奏的计算

通过对轧制节奏的分析及对带钢力能参数的仿真,推导出最大轧制速度的计算模型和计算方法,在理论上给出了现场生产中最大轧制速度的参考值,这对于提高生产效率,减少损耗有重要的意义。     

平立交替轧机切分轧制技术改造工艺实践

简要介绍了首钢长钢轧钢厂一车间实施切分轧制技术改造的方案设计及改造效果,提出了平立交替轧机进行切分轧制的一种新途径,以期有一定的参考价值.     

中厚板轧制过程中高精度的轧制力预测模型

结合首钢3500mm轧机改造项目，根据中厚板轧制工艺的特点，对影响轧制力的因素进行了详细的解析，包括变形区影响函数、变形率函数和变形速率影响函数等，给出了中厚板轧制过程中高精度的轧制力计算数学模型。分析了残余应变对轧制力计算的影响，得到了不同钢种的残余应变计算模型和轧制力在线计算时的修正策略。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，预测误差可以控制在5％以内。     

Dynamic Correction Algorithm of Rolling Force in Plate Rolling

Based on the Shougang plat mill project, an on-line dynamic correction algorithm was analyzed. This algorithm can adjust model coefficients better because the reasonable correction is based on the measured and calculated rolling force. The results of application on site show that this on-line dynamic correction algorithm is effecrive.     

H型钢热轧轧制力的数值模拟

应力热力耦合大变形有限元方法,模拟了H型钢的热轧变形过程,给出了轧制力的大小及其分布方式,数值模拟结果表明：H远见 腹板与 外表面单位轧制力的最大值一般均出现在出品截面附近,目前比后大得多。此外,模拟计算值与实测值比较接近,从而证明了本模拟计算方法的正确性。