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。     

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.     

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。     

基于GRNN网络的中厚板轧制温度的预测

 针对中厚板轧机控制模型中的轧制温度精度的提高问题,以4200轧机轧制的大量实测数据为基础,利用Matlab人工神经网络工具箱,建立了中厚板轧制温度的GRNN神经网络预测模型。通过分析影响钢板温度变化的各种因素,调整神经网络的光滑因子,确定了最佳的网络结构形式,提高了模型的预测精度,并与传统的BP神经网络模型相比较。结果表明,GRNN网络具有更高的精度和更好的泛化能力。该神经网络模型可应用于中厚板轧制温度的预测,也可为人工神经网络在其它自动控制方面的应用提供参考。     

轧制力预测中RBF神经网络的组合应用

 传统的数学模型无法达到冷连轧控制的尺寸精度要求。针对传统轧制力模型的固有缺陷,为提高冷连轧机组轧制力计算精度,合理选择、更新和预处理训练样本,采用RBF神经网络预测冷轧带钢屈服应力并把它用于传统轧制力计算模型,获得较高的轧制力预测精度。而后使用RBF长期数据修正网络和RBF短期数据修正网络得到长期数据修正网络和短期数据修正网络的修正系数,对轧制力计算值进一步修正,从而进一步提高轧制力预报精度。上述方法直接用于某冷连轧机组,轧制力预测误差在±6%之内。这充分证明RBF网络可以成功用于轧制过程控制并满足实际生产的需要。     

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%。     

基于神经网络的轧制力模型参数辨识

为了提高热连轧轧制力预设定值的精度,提出卫种新的轧制力模型参数辨识方法。利用人工神经网络对以往的大量生产数据进行了训练、预测、将预测结果结合轧制力模型,对思制力模型中的温度相关关系数ｍ１、变形速度相关系数ｍ３进行只。现场生产实践表明,采用辨识后的模型进行轧制力预设定,带钢头部厚度精度有明显提高。对于象本钢热连轧厂这样的老企业,这种新方法更具有在线应用的可行性。     

Measurement of Thermal Load on Working Rolls during Hot Rolling

Work rolls in hot rolling mills are thermally and mechanically loaded; both of these loading aspects are difficult to measure. Laboratory tests can be used for the specification of the thermal load in the cooling area; however a thermal load in a roll gap is still difficult to measure. The paper describes an experimental technique developed for monitoring the work roll surface temperature by sensors embedded in the work roll. Continuous hot rolling pilot line trials were performed for different process conditions. One parameter, for example, roll cooling, rolling velocity, reduction, or skin cooling, can easily be changed during the trials, and the effect on the thermal cycle of the work roll can be directly measured. These thermal measurements give very detailed information about the temperature field. An inverse heat‐conduction model has been developed to compute the surface boundary condition from the measured temperatures. The heat flux and heat transfer coefficient distribution along the roll circumference can be obtained afterwards. The results for different rolling velocities and reductions (up to 50%) are shown.     

热轧前滑模型的研究

前滑模型对热轧生产参数的设定有重要意义。基于Orowan微分方程和Sims假设,建立了热轧前滑理论模型,并把该理论模型中相关的3个参数(轧辊半径、入口厚度、出口厚度)优化为2个无单位的参数,采用统计分析法得到简易的经验模型,并分析了各因素的影响。现场实测数据表明:前滑模型计算的最大绝对误差是0.001,最大相对误差是6.93%,能满足在线生产要求。     

Prediction of Rolling Load in Hot Strip Mill by Innovations Feedback Neural Networks

  Because the structure of the classical mathematical model of rolling load is simple, even with the self adapting technology, it is difficult to accommodate the increasing dimensional accuracy. Motivated by this fact, an Innovations Feedback Neural Networks (IFNN) was presented based on the idea of Kalman prediction. The neural networks used the Back Propagation (BP) algorithm and applied it to the prediction of rolling load in hot strip mill. The theoretical results and the off line simulation show that the prediction capability of IFNN is better than that of normal BP networks, namely, for the prediction of the rolling load in hot strip mill, the prediction precision of IFNN is higher than that of normal BP networks. Finally, a relative complete rolling load prediction system was developed on Windows 2003/XP platform using the OOP programming method and the SQL server2000 database. With this system, the rolling load of a 1700 strip mill was calculated, and the prediction results obtained correspond well with the field data. It shows that IFNN is valid for rolling load prediction.     

板带粗轧全过程三维热力耦合模拟分析

为了预测热轧过程的温度与轧制力变化情况,利用热力耦合三维有限元模拟方法,对板带热轧粗轧过程进行了全流程模拟仿真分析。介绍了仿真模型的建立、材料参数以及初始条件、边界条件的设置,并对模拟结果进行了分析。最后利用现场实测温度数据和轧制力数据与模拟结果进行对比分析,仿真结果与实测值基本吻合,可为现场的实际生产提供指导。     

一种结合模拟退火算法的BP网络冷连轧参数预报模型

 用神经网络模型代替传统的数学模型,达到提高轧制参数预报精度的目的。在分析了轧制原理的基础上设计了神经网络冷连轧参数预报模型,并针对前向网络反向传播算法（BP）收敛速度缓慢和易陷入局部极小点的缺点,将有全局寻优特性的模拟退火算法（SA）与之结合得到具有较快收敛速度和较高逼近精度的神经网络轧制参数预报模型,提高了网络的快速性和精确性。最后以轧制力预报为例,证明了该方法收敛速度快,稳定性好,可信度高,具有较好的应用前景。     

基于实测值置信度的冷连轧轧制力模型自适应

 采用数值积分方法建立了冷连轧在线轧制力模型,确定了轧制力模型自适应的执行条件和计算流程。针对轧制力模型自适应指数平滑算法中难以用固定增益系数适应轧制状况变化的问题,提出了一种根据实测数据动态调整增益系数的方法,建立了增益系数与测量值等效置信度之间的数学关系式。该轧制力模型自适应算法已应用在某1450mm 5机架冷连轧机组上,通过比较自适应前后的计算值与实测值的均方差可知,采用模型自适应后,轧制力模型的计算精度显著提高。     

武钢热轧1700mm生产线精轧设定模型

热连轧中,精轧设定直接关系着成品带钢的尺寸和性能等,因此显得尤为重要,但是因为其涉及到压力、速度、流量、温度等大量物理参数而难度很大。国内一直依赖进口的精轧设定模型。武钢热轧1700 mm生产线在2008—2009年技术改造过程中,独立开发了完整的具有知识产权的精轧设定模型。     

轧机特性的回归与参数估计

本文对ＡＧＣ系统中的轧机特性问题进行了研究，介绍了本钢热连轧ＡＧＣ系统中使用的轧机特性回归模型和参数估计方法，并给出实际控制效果。     

X-H轧制法轧制H型钢轧制力模型的研究

对采用X-H轧制法轧制H型钢的轧制力进行分析,以西姆斯公式为基础,采用多元线性回归的方法建立万能轧机轧制H型钢的轧制力数学模型.用编程的方法对数学模型的系数进行求解,给出几种规格的H型钢回归模型的系数,并将计算结果与实测的数据进行对比分析,得到的结果与实测值的误差在6%以内,表明模型具有较高的应用价值.     

Prediction of roll force in skin pass rolling using numerical and artificial neural network methods

A combination of finite element method and neural network methods was used for rapid prediction of the roll force during skin pass rolling of 980DP and 1180CP high strength steels. The FE based commercial package DEFOEM-2D was used to develop a mathematical model of the skin pass rolling operation. Numerical experiments were designed with different process parameters to produce training data for a neural network algorithm. The friction coefficient was considered as an input parameter in the neural network but it was optimised using an iterative method employing an equation that relates the friction coefficient to the rolling force. The load prediction method described in this paper is sufficiently rapid that it can be used in real-time as an adjustment tool for skin pass rolling mills with error within 10% (based on plant data from POSCO).