基于卷积神经网络的板形缺陷识别

板形缺陷识别对于矫直机在矫直过程中具有重要意义,针对传统板形缺陷识别精度低、操作繁琐等问题,以AlexNet模型为基础,提出一种基于卷积神经网络的板形缺陷识别模型(OP-AlexNet).在预处理阶段利用双立方插值算法对数据集中的图片进行尺寸的统一并进行标准化操作.对AlexNet模型结构进行优化,包括调整卷积核大小并减少两层卷积层,删除一层全连接层降低网络复杂度;对卷积层提取的特征批量归一化(batch normalization,BN)以加快网络的收敛速度,激活函数选择LeakyReLU(Leaky Rectified Linear Unit)替换原结构的ReLU(Rectified Linear Unit)激活函数以减少静默神经元的出现.实验结果表明该模型最终识别精度达到91.3％,相比AlexNet模型提高了16.2％,并具有更好的鲁棒性,能够满足板形缺陷识别的要求.     

基于PSO-BP网络的板形智能控制器

为了解决传统的板形识别与控制中的识别精度低,控制速度慢等问题,将粒子群优化(particle swarm optimization,PSO)算法和误差反传递(back propagation,BP)算法混合训练的PSO-BP网络引入到板形的识别与控制中.首先根据板形轧制的历史数据,建立预测板形的神经网络,得到反映板形控制手段对板形特征参数影响的效应矩阵,同时根据理论数据建立对板形进行模式识别的神经网络.这些都是离线进行的,而且对一批板材只需训练一次神经网络,在线轧制过程中只需要根据识别网络的识别结果和效应矩阵,便可以很快的得到需要的控制量.这种方法可以简化板形控制过程,提高控制速度,最后的仿真实验进一步说明了这种方法的有效性.     

间歇发酵过程放罐时机的启发式模糊识别与预报

间歇发酵过程放罐时机的优化是提高产量,产率和降低能耗的一个重要方面.本文运用 模糊集理论,并将统计学方法和人的经验合为一体,提出了一种放罐时机的启发式模糊识别、 预报的建模方法.并且,根据一实际工业抗生素生产的历史资料和现场的分析,运用本文提出 的方法建立了该过程放罐时机的识别与预报模型.同时构造了计算机时实识别系统,几批工 业实验的结果表明,模型预报的效果良好.     

板形模式软测量方法的研究

针对传统的基于最小二乘法板形模式识别方法抗干扰能力差、精度低,神经网络方法在实际应用中效果不佳的板形识别问题,根据实际生产中带钢板形控制的要求,以勒让德正交多项式作为表述板形缺陷的基本模型,将模糊分类理论与混沌优化算法相结合,建立一种新型的板形模式软测量方法,该方法简单、实用、识别精度较高,效果较稳定。实际应用结果表明,该方法能够满足高精度的板形控制对板形缺陷模式识别的精度和速度的要求。     

SL-Ⅱ型乙烯裂解炉机理建模及在线应用

乙烯裂解炉产物收率的在线预报对于指导生产操作具有重要意义.针对某大型乙烯厂SL-Ⅱ型裂解炉,本文采用分子反应动力学模型,通过估算石脑油混合物性数据、调整1次反应系数,建立了该型号裂解炉辐射段的稳态工艺数学模型.采集实际操作工况数据对所建模型进行了验证,模型计算结果与装置分析值误筹在2%以内,进而将该模型用于裂解产物收率的在线预报,结果表明与色谱仪分析值的趋势一致.本文将基于分子模型和调整算法的机理建模应用于SL-Ⅱ型裂解炉产物收率的在线预报,并进一步探索长期预报的可行性,对乙烯裂解生产操作具有指导意义.     

带有工况中心修正的多模型在线建模

针对运行工况频繁波动、单一模型难以描述过程特性的问题,提出了带有工况中心修正的多模型在线建模方案,包括工况识别机制、局部模型、多模型合成机制.工况识别机制根据工况特征变量分析工况范围,由相近度修正工况中心;局部模型采用Hammerstein模型,非线性增益由带有稳定学习算法的小波神经网络建立,线性模型由带控制量的自回归模型(ARX)建立;多模型合成机制采用加权求和方法.在线修正工况中心可反映工况的时间变化特性,参数稳定学习算法改善了模型精度和自适应能力.采用此方法建立污水处理过程化学需氧量(COD)软测量模型,结果表明,模型在工况大范围变化时仍具有满意预测效果.     

热处理炉钢板温度的自适应混沌粒子群算法–最小二乘支持向量机优化预报算法

针对传统传热模型参数调整较复杂和模型精度较低的问题,构建了一种基于改进粒子群算法优化最小二乘支持向量机（least squares SVM,LSSVM）的钢板温度预报模型.首先,对基本粒子群算法进行分析,提出自适应混沌粒子群算法（adaptive chaos PSO,ACPSO）,并通过性能指标定量评价验证算法的有效性、鲁棒性和寻优效率.其次,采用LSSVM建立钢板温度预报模型,并选用径向基函数作为核函数,用ACPSO算法优化该模型参数.最后,结合现场数据进行仿真研究和工程应用,结果表明基于该算法建立的钢板温度预报模型具有较高的预报精度,达到智能调优的目的.     

基于小波分析和神经网络的板形模式识别方法

板形模式识别是板形高精度控制过程中的技术难点之一.本文提出了一种基于小波分析和神经网络相结合的方法,可以较好地解决这个难题.首先利用非线性小波变换阈值法有效去除板形检测数据中噪声干扰,从而提高模式识别系统的准确率;然后利用神经网络的鲁棒性使目标的识别更加接近实际.该方法不仅能有效地对复合板形进行正确分类,而且能分辨出所属类型的程度,为制定出相应的优化控制策略提供了重要的依据.     

基于融合聚类的篦冷机工况划分与识别研究北大核心CSCD

篦冷机的运行性能是决定整个水泥生产过程的能源利用效率的重要因素,而准确把握工况状态则是保证冷却过程的运行性能处于最优的前提。以篦冷机为研究对象,提出一种基于融合聚类的篦冷机工况划分与评价方法。首先,通过分析与3种典型工况相关的专家知识及操作经验,选取篦下压力和窑主机电流为检测参数;然后,利用融合聚类算法得到不同运行工况下的聚类标签;最后,利用RBF-SVM算法对得到的聚类标签进行训练得到工况识别模型。利用水泥企业的现场运行数据进行了仿真实验,实验结果表明所提方法为提高水泥冷却过程的运行性能提供了一套可行方案。     

GPU加速有限元接触传热过程

在钢板的冲印过程中,模具的淬火效果在板料的转变中起着重要的作用。因此,本文对钢板的淬火过程建立了一个有限元模型,该模型的关键点主要是接触热传导过程,利用有限元计算机程序来计算淬火过程温度场的变化,同时通过温度测量装置来得到模具和板料的温度-时间曲线来验证计算结果。最后,采用基于GPU(图形处理单元)技术的并行计算来加快计算。     

Data mining-based flatness pattern prediction for cold rolling process with varying operating condition

Data-rich environments in modern rolling processes provide a great opportunity for more effective process control and more total quality improvement. Flatness is a key geometrical feature of strip products in a cold rolling process. In order to achieve good flatness, it is necessary to reveal the factors that often influence the flatness quality, to develop a general flatness pattern prediction model that can handle the varying operating condition during the rolling of products with different specifications and to realize an effective flatness feedback control strategy. This paper develops a practical data mining-based flatness pattern prediction method for cold rolling process with varying operating condition. Firstly, the high-dimensional process measurements are projected onto a low-dimensional space (i.e., the latent variable space) using locality preserving projection method; at the same time, the Legendre orthogonal polynomials are used to extract the basic flatness patterns by projecting the high-dimensional flatness measurements into several flatness characteristic coefficients. Secondly, a mixture probabilistic linear regression model is adopted to describe the relationships between the latent variables and the flatness characteristic coefficients. Case study is conducted on a real steel rolling process. Results show that the developed method has not only the satisfactory prediction performance, but good potentials to improve process understanding and strip flatness quality.     

神经网络算法与机理模型融合的 冷连轧轧制力智能预报模型

冷轧带钢的生产模式正在向多品种、小批量、低库存转变,这直接导致了轧制过程中需要更频繁地切换品种规格。由于变规格过程中轧制工艺状态变化较大,传统机理模型加常规自学习和自适应方法很难保证规格切换后首卷产品设定精度。为提高变规格过程中轧制力预报精度,本文提出一种机理模型与轧制过程海量历史数据相融合的复合模型。该方法建立在轧制力理论模型的基础上,采用遗传算法优化BP神经网络的方法对模型轧制力进行校正。使用该算法进行轧制力预报,使变规格后首卷钢轧制力预报的平均相对误差控制在±5.5%内,远高于常规机理模型的设定精度,该方法具有现场应用价值。     

单电机控制模式在宽厚板定尺剪系统中的研究与开发

在宽厚板生产线中,定尺剪通常设计配备两台主剪刃电机,随着各钢铁厂降低生产成本工作的推进,在满足生产工艺的要求下,单台主剪刃电机运行控制模式逐渐被开发和广泛应用。本论文以国内某钢铁厂宽厚板生产线为例,重点介绍了定尺剪主剪刃单电机控制模式的研究与开发工作。通过生产验证,该方法在能够满足工艺要求的情况下,节能效果明显,可以在其他生产线上广泛推广。     

Multi-model ensemble prediction model for carbon efficiency with application to iron ore sintering process

Iron ore sintering is one of the most energy-consuming process in steel industry. Accurate prediction of carbon efficiency for this process is beneficial to energy savings and consumption reduction. Considering the sintering process exhibits strong nonlinearities, multiple parameters, multiple operating conditions, etc., a multi-model ensemble prediction model based on the actual run data is developed to achieve the high-precision prediction of carbon efficiency. It takes the comprehensive coke ratio (CCR) as a metric (index) of carbon efficiency in the sintering process. First, an affinity propagation clustering algorithm is used to realize the automatic identification of multiple operating conditions. Then, different models are established under different operating conditions by using the proposed least squares support vector machine (LS-SVM) with hybrid kernel modeling method. Finally, a partial least-squares regression method is employed as an ensemble strategy to combine the different models to form the multi-model ensemble prediction model for the CCR. The simulation results involving the actual run data demonstrate that the proposed model can predict the CCR accurately when compared with other prediction methods. The results of actual runs show that the coefficient of determination for the proposed model is 0.877. The proposed model satisfies the requirements of actual sintering process and enables the real-time prediction.     

Hybrid intelligent parameter estimation based on grey case-based reasoning for laminar cooling process

In this paper, a hybrid intelligent parameter estimation algorithm is proposed for predicting the strip temperature during laminar cooling process. The algorithm combines a hybrid genetic algorithm (HGA) with grey case-based reasoning (GCBR) in order to improve the precision of the strip temperature prediction. In this context, the hybrid genetic algorithm is formed by combining the genetic algorithm with an annealing and a local multidimensional search algorithm based on deterministic inverse parabolic interpolation. Firstly, the weight vectors of retrieval features in case-based reasoning are optimised using hybrid genetic algorithm in offline mode, and then they are used in grey case-based reasoning to accurately estimate the model parameters online. The hybrid intelligent parameter estimation algorithm is validated using a set of operational data gathered from a hot-rolled strip laminar cooling process in a steel plant. Experiment results show the effectiveness of the proposed method in improving the precision of the strip temperature prediction. The proposed method can be used in real-time temperature control of hot-rolled strip and has potential for parameter estimation of different types of cooling process.     

基于数据的改进回声状态网络在高炉煤气发生量预测中的应用

以钢铁企业高炉煤气系统这一复杂生产过程为背景, 针对高炉煤气发生量的预测问题, 提出一种基于数据的网络模型预测方法. 鉴于生产数据含噪高的特点, 采用经验模态分解将历史数据分解为若干独立的固有模态函数, 将小尺度函数经低通滤波器自适应去噪后, 再对数据重构以建立预测模型. 在建模过程中提出一种改进的回声状态网络, 通过奇异值分解求取网络输出权值, 克服了线性回归算法出现的病态问题, 提高了模型的预测精度. 现场实际数据预测结果表明所提出方法的有效性, 为制定煤气管网平衡调度方案提供科学的决策支持.     

基于深度信息的多视点视频快速模式选择算法

针对多视点视频编码原始模式选择算法编码复杂度极高的问题,分析多视点视频加深度视频中宏块模式与深度信息间的关系,提出一种基于深度信息的多视点视频快速模式选择算法。结合深度值将三维空间分成远、近、中3个区域分别处理。针对复杂度最高的中距离区域,将全局视差矢量指向的参考视点对应块及其周边宏块采用率最高的模式作为候选模式,提前分离出可能采用大块模式的宏块,利用基于运动信息的深度平坦度动态阈值判定方法确定最终的宏块预测模式。实验结果表明,该算法在基本保证率失真性能的情况下,与全搜索算法相比,可平均节省71.70%的搜索点数,明显降低了编码复杂度。     

基于粒度聚类的转炉炼钢氧气消耗量预测

转炉炼钢是钢铁企业的主要耗氧工序, 预测转炉炼钢的氧气消耗量对氧气系统合理调度、保证生产安全具有重要意义. 考虑到转炉冶炼工况多、钢种数据粒度不统一, 提出一种基于粒度聚类的转炉炼钢氧气消耗量预测方法. 首先, 利用孤立森林异常检测法剔除历史数据库中的异常数据; 接着, 采用皮尔逊相关性分析和互信息相关系数选取相关影响因子, 对不同钢种数据进行信息粒化, 实现数据特征提取和维度统一, 使用模糊C均值(Fuzzy C-means, FCM) 划分工况并建立不同工况下的氧气消耗量预测子模型; 最后, 利用企业的实际生产数据进行实验, 验证所提方法的准确性和有效性.     

Ladle Furnace Temperature Prediction Model Based on Large-scale Data With Random Forest

In ladle furnace, the prediction of the liquid steel temperature is always a hot topic for the researchers. The most of the existing temperature prediction models use small sample set. Today, the precision of them can not satisfy practical production. Fortunately, the large sample set is accumulated from the practical production process. However, a large sample set makes it difficult to build a liquid steel temperature model. To deal with the issue, the random forest method is preferred in this paper, which is a powerful regression method with low complexity and can be designed very quickly. It is with the parallel ensemble structure, uses sample subsets, and employs a simple learning algorithm of sub-models. Then, the random forest method is applied to establish a temperature model by using the data sampled from the production process. The experiments show that the random forest temperature model is more precise than other temperature models.