基于数据挖掘的中厚钢板轧制负荷分配方法的研究

为了提高中厚钢板轧制负荷的预测精度，提出利用在线智能化信息处理技术进行建立轧制过程负荷分配模型的新方法。该方法采用知识发现(KDD)和数据挖掘(DM)对轧制运行数据库进行挖掘，建立知识模型和数学模型相结合的负荷分配模型。实现轧制过程负荷模型的在线维护和优化。离线模拟与在线应用证明了该方法的有效性。     

棒线材连轧全部道次轧件尺寸预测通用模型

棒线材轧制的尺寸精度至关重要，但因轧制道次多、孔型内变形复杂，所以提高尺寸精度难度大。建立棒线材连轧过程全部道次轧件尺寸预测通用模型，为计算和预测棒线材轧制变形提供了高效的方法。分别预测了轧制?9 mm规格Q235和65Mn线材以及轧制?40 mm规格40Cr和20CrMnTi棒材全部道次的轧件尺寸，其中轧制参数按照模型推荐的全部道次压下量进行预测，最终预测成品尺寸的相对误差为-1.56%～0.78%,绝对误差为-0.14～0.07 mm,预测精度满足目前钢铁企业实际生产的最高精度需求。该模型在计算不同类型生产线轧制的各类钢种时具有通用性，有较高的计算时效性，可作为棒线材轧制工艺数字化转型的基础模型。     

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。     

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。     

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。     

基于GRNN神经网络的4200轧机宽展模型

 轧制过程中,针对4200轧机在轧件宽展变化自动预测和控制,分析了轧制过程中宽展变化的影响因素。在神经网络技术和现场实测数据的基础上,利用Matlab人工神经网络工具箱,应用GRNN广义回归神经网络建立宽展变化预测模型来提高轧制宽展变化预测的精度。结果表明,该方法建立的模型可以实现对宽展变化的预测,其预测精度有较大提高。     

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。     

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。     

厚板轧制的平直度控制技术

1　前言近年来 ,为了减少工序 ,用户对厚板平直度及尺寸精度的要求越来越严格。另外 ,以节能、减少工序为目的轧辊额定轧制量规程及提高成品率为目的平直度、板凸度控制技术的开发也越来越得到重视。此前 ,国外某厂厚板轧机上 ,通过优化工作辊原始凸度及轧制规程计算时凸度率的控制 ,已将轧制率的降低控制在最小的限度 ,逐步确立了进行平直度及板凸度的控制技术。然而 ,精确地获得预测平直度、板凸度等控制所需的信息是很困难的。此外 ,模型精度以外轧制负荷预测误差、轧辊热凸度、磨损的预测差等各种因素对平直度、板凸度都会有影响。仅根…     

单机架可逆冷轧机轧制规程优化设计

以唐钢冷轧薄板厂1 800 mm单机架可逆冷轧机的2级轧制规程为研究对象,在分析轧制负荷分配对冷轧带钢板形精度影响的基础上,系统研究了冷轧轧制模型,应用最优化方法编制了轧制规程设计程序并付诸工程实践。     

低碳钢热连轧过程中工艺参数及组织演变的预测

采用二维有限元法对热连轧生产过程中沿带钢厚度方向的温度场分布进行了预测，建立了描述低碳钢软化行为的再结晶模型，并利用此模型对奥氏体再结晶动力学及微观组织演变进行了模拟计算，建立了计算精轧过程应力-应变曲线的流变应力模型，根据现场数据，对400MPa级超级钢细晶工业轧制实验的轧制力、轧制力矩和轧制功率进行了预测，结果与实测值吻合较好，反映了工业生产实际。     

三辊连轧管(PQF)的计算机仿真

针对影响连轧管产品质量的几大关键因素进行了三维弹塑性大变形有限元分析，建立了相应的各种分析模型，以动态图形形式的模拟了变形过程与壁厚变化规律，为产品工艺设计提供科学依据。     

用改进的遗传神经网络预报冷连轧轧机的轧制压力

为了充分利用ＢＰ神经网络的函数逼近能力并克服其易陷入局部极值点的主要缺陷,提出了利用遗传算法（ＧＡ）和ＢＰ算法联合进行网络权值优化调整的思想,系统具有遗传算法（ＭＧＡ）和ＢＰ网络有机结合建立了ＭＧＡ－ＢＰ网络系统。该网络系统具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及ＧＡ－ＢＰ自满联合进行网络权值修改几种功能,利用ＭＧＡ－ＢＰ网络进行了带钢冷连轧机轧制压力预报,结果良好。     

棒、线材热轧力能参数计算软件的开发与应用

对孔型中轧制的力能计算，目前无论是理论模型还是经验，半经验模型，计算结果均偏差较大。笔者在研究传统与现代的各种计算模型与方法的基础上，开发出热轧棒、线材时的力能计算软件，该软件对轧制压力的计算首次提出并采用了考虑奥氏体再结晶变化的修正函数，使预报精度大大提高；对轧制力矩的计算首次考虑了变形区几何参数对力臂系数的影响，从而使力矩的计算更为贴近实际。经唐钢棒材厂、大亚湾棒材厂的大量测试与试用，轧机负荷的最大偏差为１０％左右，电机负荷的最大偏差为１５％左右，从而达到了较高的精度水平，概要介绍了该软件的开发、应用与效益。     

人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用

针对传统轧制力模型的固有缺陷,为了提高精轧机组轧制力预设定精度,提出一种将人工神经网络和数学模型相结合的新方法,用于热连轧精轧机组轧制力的预设定。离线仿真表明,采用本文所述的方法,预报精度优于传统方法。预报结果的相对误差限制在±５％以内。     

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。     

CSP生产线轧制力模型的研究及优化

分析了涟钢CSP生产线7机架精连轧机的板带轧制力模型，并针对其在实际生产过程中遇到的一些问题，提出了改进方案，即基于原轧制力模型进行优化，建立了新模型．同时确立了新的变形抗力模型方程．由优化前后的计算和对比分析可知，新模型的精度更好。在生产实际应用中对轧制力的预报准确率大幅度提高。     

热连轧过程中组织性能预报系统的应用

简要回顾和总结了热连轧过程中组织性能预报系统研究和开发的历史。重点论述了组织性能预报系统对可控热连轧生产的重要意义 ,指明了组织性能预报系统的开发和应用是新世纪钢铁工业发展的主流趋势之一。在热连轧的过程模拟中 ,层流冷却是决定产品最终力学性能的最关键过程。也指出当前对热连轧组织性能预报的研究已从离线预报向离线预报和在线预测相结合方向发展     

冷轧铝板摩擦系数模型建立

通过电测法实验,运用Bland-Ford公式,对铝板冷轧过程的摩擦系数进行了研究测定,建立了摩擦系数的数学模型.实践证明,模型精度很高.     

精轧轧辊磨损自适应模型的应用研究

针对攀钢热轧板厂精轧模型在轧制单位中后期出现温度模型及变形模型中轧制参数预报精度下降的现象，提出应用精轧轧辊磨损自适应模型补偿、修正精轧工作辊及支承辊磨损，避免单独依靠厚度调节变量HUVER调节而导致轧制中后期模型预报精度下降。