基于人工神经网络的热连轧参数预测模型

将BP神经网络的思想用于预测热连轧参数，研究并建立了基于BP神经网络的预测控制数学模型。以热连轧精轧自然宽展值为例，现场实测数据仿真验证表明，该模型明显优于传统的数学预测模型，具有很高的预测精度。     

综合神经网络在棒材连轧设定计算中的应用

在实验基础上，采用传统的数学模型和人工神经网络的综合神经网络方法，对棒材连轧孔型系统中轧件的宽展预报进行了探讨，综合神经网络的应用为提高其精度提供了一种较为可靠的新途径。     

运用动态BP网络和数学模型预测热轧变形抗力

为了提高变形抗力预测精度,针对传统热轧变形抗力模型的固有缺陷,提出一种将动态BP神经网络与数学模型相结合的新方法.大量实验数据表明,采用这种方法,预测结果的相对误差在±6%以内,预测精度优于传统方法.     

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。     

基于轧制机理和混合神经网络的热轧精轧带宽预测

热轧带钢成品的宽度精度直接影响产品成材率，是产品性能提升的关键，而精轧区带钢出口宽度的精准预测可以为粗轧区宽度控制模型参数提供及时的优化调整指导。传统机理模型与实际情况往往存在较大差异，现有的数据驱动模型大多采用神经网络方法，但没有考虑轧制数据的时序性以及数据剪枝带来的信息损失。为了进一步提升精轧带钢宽度预测精度，提出一种基于轧制机理的混合神经网络宽度预测模型，利用精轧宽展的机理模型计算宽度基准值，结合卷积神经网络(CNN)和门控循环单元(GRU)输出宽度预测纠偏值。利用2 250 mm热连轧钢厂数据集试验，结果表明本文提出的热连轧带钢宽度预测模型训练效率较高，98.7%带钢宽度的预测精度在4 mm内，较传统BP神经网络模型和其他单一结构网络有大幅提升，且模型在线测试速度满足工业现场应用需求。     

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.     

基于人工神经网络的热轧带钢热流密度预测

采用BP神经网络与数学模型相结合的方法对热带精轧机组机架间水冷区带钢热流密度进行预测，进而优化了机架间冷却的数学模型。结果表明，利用BP神经网络得出的带钢热流密度计算的终轧温度与实测值的标准差比原来仅用数学模型的传统算法减少了14．08％，故该方法具有较好的在线应用前景。     

基于SVR模型的带钢精轧宽展预测

为提高带钢精轧宽展预测精度，结合实际生产数据，建立了基于支持向量机的回归预测模型。首先采用数据清洗、独热编码和主成分分析等方法对样本数据进行预处理，通过交叉验证法对惩罚参数和径向基函数核参数进行寻优，由此确立最佳模型结构。针对测试数据，分别采用回归预测模型、BP神经网络模型和经验公式进行预测，并从平均误差、最大偏差和误差分布等多个角度进行对比。结果表明，回归模型预测下的各项误差指标优势明显，绝对误差在2 mm内的分布占比达到94.52%。     

BP神经网络和弹跳方程在铝热连轧厚度预报中的综合应用

采用BP神经网络方法建立了铝热连轧精轧机组出口厚度预测模型,采用试错法解决了中间隐层最佳隐层单元数的问题,采用回归法确定了轧机的相关弹性系数,建立了轧机的弹跳方程数学模型。通过比较有、无传统弹跳方程数学模型输入的神经网络厚度预测模型,确定了弹跳方程对神经网络在热连轧厚度预报应用中的重要性,提出了BP神经网络与数学模型相结合的综合网络方法。相比全部使用整体神经网络,中间隐层最佳隐层单元数减小,网络结构得以简化,网络负担减小,网络的泛化能力也得到加强,同时也进一步提高了预报精度。预测结果与实测数据对比表明,相对误差在1％以内,实现了高精度预报,为铝热连轧出口厚度预报提供了一条准确高效的新途径。     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

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.     

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。     

基于神经网络的热带层流基本热流密度的计算

利用现场的数据，采用BP神经元网络预报热连轧层流水冷区集管组内的基本热流密度，将预报的结果用于上、下集管组的热流密度的数学模型计算，进而优化层冷集管组的水冷温降计算数学模型的精度。将结果与采用多元回归方法所得到的结果作比较，表明采用BP神经元网络计算基本热流密度的精度要高于多元回归方法的计算精度，卷取温度的计算值与实测值的标准差比解析回归方法减少了近20％，说明该方法具有良好的在线应用前景。     

Improvement of Prediction Method for Strip Coiling Temperature

Thecoilingtemperatureisoneoftheimportanttechnologicalparametersaffectingthefinalmechani calpropertiesofstrip[1,2 ] .The purposeofcoilingtemperaturecontrolistomakestripcooltorequiredcoilingtemperaturefromhighertemperatureforap propriatemicrostructureandmechanicalproperty .Atpresent ,thecontrolmodelofcoilingtemperatureforBaosteel 2 0 5 0millisaself adaptingempiricalmodel.Thoughthecontrolissatisfactory ,theout of toleranceofcoilingtemperatureisstillobservedinproduction .Itwasconcludedbytheinvest…     

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.     

变异PSO算法协同神经元网络在轧制力预报中的应用

 为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO) 神经元网络早熟收敛问题，采用一种自适应变异的粒子群优化算法训练神经元网络，根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数，按照权重梯度方向进行变异操作，并首次将该方法应用到热连轧机组轧制力预报中。通过攀钢热轧板厂现场数据运算表明，该方法的预报误差平均值比传统数学模型低165%，比BP神经元网络低055%，收敛速度比BP神经元网络提高了约1/4，为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法。     

基于遗传神经网络的不锈钢带冷轧轧制力模型

 为了提高工厂从国外引进的以Bland Ford公式为基础的冷轧不锈钢带轧制力模型的计算精度,将基于遗传算法的BP神经网络与现有变形阻力和轧制压力解析数学模型相结合,建立了变形阻力和轧制压力修正模型。将在生产现场采集的部分过程记录数据,进行分类和预处理后作为训练样本用于训练遗传神经网络模型。将其他现场实测数据用于验证所建的轧制力模型,计算结果表明所建的轧制力模型具有较高的计算精度。