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。     

机器学习在金属材料服役性能预测中的应用

在材料基因工程的背景下，数据驱动的机器学习技术推动着材料研究进入了新的范式.机器学习能够充分利用已有的实验数据，在不明晰机制原理的情况下实现对材料服役性能的准确预测，极大地减少了实验所需的时间与成本.本文以机器学习预测金属材料的典型服役性能为主题，总结并分析了四种预测金属材料服役性能的常用机器学习模型.以疲劳、蠕变、腐蚀这三种常见的服役性能为代表，介绍了机器学习在这三个性能方面的研究情况，并列举了几个具体的案例进行简要分析.最后，总结了机器学习预测金属材料服役性能的特点，分析了当下机器学习预测金属材料服役性能存在的一些科学问题，并对其发展前景进行了讨论和展望.     

宝钢5m厚板轧机宽展数学模型及其应用

在厚板轧制过程中,把握材料的宽展规律,提高宽展预测精度是保证最终钢板宽度满足要求的关键环节.从影响宽展的因素和常用的宽展公式出发,研究宝钢5m厚板轧机PVPC平面形状控制的宽展数学模型及其建模过程,对该模型的特点及实际应用情况做了客观评价.并利用生产中积累的数据,应用数据统计回归方法,对宽展模型的协调因子xt,y1进行优化,从而提高了模型的预测宽展精度,减小了宽度预测偏差.     

基于机器学习的连铸生产过程铸坯表面缺陷预测方法

铸坯是钢铁产品生产的原材料，铸坯的缺陷会导致最终钢铁产品的质量缺陷。针对现场采集的连铸生产过程低频数据和高频数据进行研究，提出了复杂流程工业数据的清洗方法以及高频工业数据特征提取方法。基于机器学习理论建立了分类与回归树(classification and regression tree, CART)、AdaBoost、随机森林(random forest, RF)和最优分类树(optimal classification tree, OCT)4种铸坯表面缺陷预测模型，并利用Relief和RF模型进行了特征选择。通过大量实验对比分析了不同模型的预测精度，结果表明，RF模型给出了最好的预测精度；通过实验找出了液相线温度、中间包(tundish, TD)下限温度、TD目标温度等对铸坯表面缺陷具有关键作用的10个参数特征。本文方法可以推广到其他场景的工业数据分析与建模，对于利用工业数据提升产品质量具有重要的参考价值。     

宽厚不锈钢复合板轧制力计算与参数影响分析

 对宽厚不锈钢复合板层间真空热轧制变形过程进行受力分析,将热轧变形区分成I、II两个区间,运用主应力法建立各个区间的力平衡方程,根据边界条件和屈服准则求出各变形区的长度和各变形区所受压力,建立轧制力计算数学模型,在此基础上分析轧制工艺参数对宽厚不锈钢复合板轧制区间内不同应力分布的影响规律。将实际参数代入轧制模型计算公式,应用Matlab编程求得理论计算值,并与实测值进行比较。研究结果表明：轧制力模型可用于预测轧制力的大小,满足工程要求,轧制复合过程研究有助于优化成形工艺、预测产品性能,为今后此类材料的研究开发提供了参考依据。     

Ti3111钛合金厚板轧制过程数值模拟

结合实际的生产工艺,利用simufact.forming软件对Ti3111钛合金厚板热轧工艺进行了数值模拟。本文从温度场、轧制力两方面,证明了有限元模型的可靠性和准确性较高;研究了在稳定轧制阶段不同压下量、轧制速度等变形参数对轧制力和温度的影响规律和坯料的应力应变场、温度场变化及材料流动变形规律,为钛合金厚板热轧过程的工艺参数优化提供了基础理论数据。     

PIDAS工艺评估和工艺设计模型开发

随着PIDAS系统在宝钢厚板的建立与应用,生产、工艺、设备、性能数据得到了系统的采集、整理,海量工业数据的价值得到了有效的挖掘,开始发挥重要作用.基于PIDAS,首先开发了一种工艺评估模型,与传统的性能预测模型相比,它能根据工艺参数,预测产品性能值所在的区间,以及真实值位于此区间内的概率.此模型使用了自主开发的概率区间估计算法,通过全面评估不同机器学习回归模型的效果、充分考虑历史生产数据的分布规律,来预测产品性能值所在的区间,取得了良好的效果.在此基础上,又开发了一种工艺设计模型,它能够根据化学成分、产品规格和性能目标,设计出最优的轧制工艺参数.此模型应用了自主开发的自定义权重的模拟退火算法.所提出的工艺评估和工艺设计模型均取得了良好的效果,达到产品质量预报和优化工艺设计的目的.     

基于材料组织量化的DWTT性能优化探究

以一种新型管线钢试制过程中DWTT性能改进为例,基于PIDAS提供的工艺—性能数据,通过机器学习与图像识别方法对材料组织进行信息量化分析.结合不同工艺量化信息对比改进工艺参数,通过有限次数试制获得的工艺—组织—性能数据,结合专家经验找出三者之间关联性,进行工艺分析优化设计,快速确定达成良好DWTT性能的工艺设计.     

热轧带钢粗轧区轧件温度场的数值模拟

为了优化轧制工艺和提高最终产品的质量，需要对轧件的温度场精确预测。通过对热轧带钢粗轧过程传热关系的分析，利用有限差分法建立了轧件三维温度场的数值计算模型。结合攀枝花钢铁集团公司热轧生产线的实际条件，利用该模型模拟了粗轧区轧件的温度场，并与实测结果进行了比较，验证了模型的可靠性。在此基础上，讨论了各种工艺因素对轧件温度场的影响，为改进和优化轧制工艺提供理论指导。     

神经网络在冷轧301S不锈钢极薄带材表面硬度预测中的应用

 基于现场生产冷轧极薄不锈钢带材表面硬度极难控制的问题,针对301S不锈钢的冷轧生产工艺进行了研究,分析了不锈钢冷轧生产过程中影响表面硬度的相关工艺参数,得出材料的抗拉强度、轧制速度、轧制油温度和压下率是影响轧后材料表面硬度的关键因素。利用BP神经网络建立了预测表面硬度的非线性映射模型,并根据此模型得出了预测数据的趋势图谱。研究结果表明,压下率的变化对冷轧不锈钢表面硬度的调节能力最强,而其他参数对硬度的影响为10HV左右。经检验,模型的预测值和实测值的相对误差为-2.63%~2.76%,预测结果准确率高,可以用于产品质量的现场在线控制。     

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%。     

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%。     

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、提高头部厚度命中率、减少钢材浪费。深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现。调整神经网络各参数,通过研究它们对模型性能的影响,优化预测模型。最后使用多种厚度的带钢测试数据训练并检验头部厚度预测模型,结果显示,分类预测命中准确率在80%以上。     

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PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

基于GRU神经网络的巷道平均风速获取研究

针对矿井智能通风系统不能及时获取风速进而影响后续通风系统解算及优化的问题,利用ANSYS巷道风速分布模拟获取神经网络所需训练集,在人工测量与风速传感器监测数据的基础上,构建基于门控循环单元（Gated Recurrent Unit）神经网络的巷道平均风速预测模型。首先,提出神经网络模型,然后采用Adam优化算法对ANSYS模拟的点风速进行异常值和归一化等预处理,通过对不同形状巷道的监测点风速进行结构化处理后用于训练神经网络,找出各点风速与平均风速之间的强非线性关系,使预测风速逼近巷道实际平均风速,最后构建基于GRU神经网络的巷道平均风速预测模型。以王家岭煤矿实测数据作为测试集,将其应用于预测模型中,结果表明GRU神经网络模型具有较高精度和较强的泛化能力,能够获取巷道平均风速。矿井通风巷道平均风速预测模型在煤矿领域的成功应用,将为其他金属矿山智能通风系统及时准确获取风速参数提供新思路。     

烧结系统智能制造与大数据技术应用探讨

 为了提升烧结工序的智能制造水平,系统总结了近几十年来烧结系统模型的研究进展。针对当前烧结终点预报、烧结矿成分和质量预报以及烧结配料优化模型存在的问题,开展了基于大数据、集成学习和深度学习等技术的烧结系统参数预报与优化研究,并着重介绍了模型在预报精度及泛化能力提升方面取得的成效。基于上述烧结系统参数预报模型,提出了现场应用烧结过程参数预报与优化系统系统的硬件结构设计和软件结构设计方法。最后从钢铁行业需求出发,剖析了先进信息化技术与工业自动化装备深度融合是提升烧结系统智能制造水平的重要途径,并探讨了大数据及人工智能技术在铁前烧结领域的研究方向和应用前景。     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

模糊神经网络融合建模方法及其在轧制力控制中的应用

针对目前热轧中神经网络控制模型不能满足一些特殊轧制规律钢种精度要求的问题,在深入研究现有热轧模型建立与优化的基础上,结合模糊控制技术,提出在神经网络的基础上建立基于模糊规则补偿模型的融合建模方法.针对两类特殊钢种的特性,详细阐述了基于模糊规则补偿模型的建立及实际应用过程,并根据实际生产经验给出建模中规则库的建立过程.实...     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。