3500mm宽厚板轧机的刚度测定与实际应用

宽厚板轧制时,各道次轧制力工作点的变化很大,从15 000~65 000 kN不等,在各个轧制力工作点轧机刚度各不相同。为了准确计算不同轧制力工作点的辊缝弹跳量,对应的轧机刚度必须精确测量。本文通过压靠法测定了不同压力点的轧机刚度,采取分段线性回归的方法,得出了不同轧制力区间的轧机刚度值,使辊缝弹跳计算的精度显著提高。     

宽厚板厂立辊轧机轧制能力研究

立辊轧机是现代宽厚板生产的重要设备。为提升5 m立辊轧机能力,实现钢板减边量的增加,对轧机的轧制力、轧制力矩、减边量关系进行了分析讨论,进而提出了合理的轧制力和轧制力矩增大范围,并对提高轧制力和力矩后的轧机主要承载部件及传动系统进行了安全校核计算。根据计算结果分析,轧机在不进行较大改动的情况下,轧制力增加到8 000 kN,轧制力矩增加28%是较为合理的方案。     

五机架冷连轧机轧制力人工神经网络预报

采用改进的 BP网络 L evenberg- Marquardt优化算法对冷连轧机轧制力进行快速预报 ,该网络 μ参量可自适应调整 ,收敛速度快。冷连轧生产轧制力预报精度大为提高 ,为冷连轧轧制力预报提供了一条准确高效的新途径     

基于蚁群算法的神经网络冷连轧机轧制力预报

 为提高冷连轧机轧制力的预报精度和预报速度,用蚁群算法和神经网络相结合的方法进行轧制力预报模型设计。根据轧制原理建立了BP神经网络冷连轧机轧制力预报模型,以网络权值和阈值为自变量,网络预报误差为目标函数,通过蚁群多代运算,找出预报误差全局最小值,再将相应的权值和阈值输入网络进行训练。应用某厂1450 mm冷连轧机的实测数据进行离线计算的结果表明,该方法能够防止BP网络陷入局部极小点,且收敛速度快,可作为轧制力预报的新方法在实际应用中加以推广。     

五机架冷连轧机轧制人工神经网络预报

采用改进的BP网络Levenberg-Marquardt优化算法对冷连轧机轧制力进行快速预报，该网络μ参量可自适应调整，收敛速度快。冷连轧生产轧制力预报精度大为提高，为冷连轧轧制力预报提供了一条准确高效的新途径。     

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.     

特厚板轧制过程轧制负荷计算及分析

特厚板轧制过程轧机的轧制力和轧轧制力矩计算与常规中厚板轧制过程有所不同,获得准确的特厚板轧制过程的轧制力和轧制力矩等轧机负荷参数对于特厚板轧机设计和特厚板实际生产有重要意义。本文对特厚板轧制过程轧机轧制负荷进行了有限元分计算,并对特厚板轧制过程中轧制负荷较高的原因进行了理论机理分析,给出了轧制特厚钢板的一些生产建议。     

基于Elman神经网络的炉卷轧机的轧制力预报

为了改善国内某钢铁厂炉卷轧机的轧制力模型的预报精度,提出将结合热模拟实验建立的传统轧制力模型计算值作为Elman神经网络的一个输入项,将传统数学模型预报的轧制力与实测轧制力的相对误差作为此神经网络输出项的方式构建网络模型,通过大量的在线数据分析,这种将神经网络与传统数学模型相结合的方法明显地改善了轧制力的预报精度。该神经网络模型可为以轧制力为主要控制目标的炉卷轧机的过程自动化系统提供可靠的模型参数。     

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     

SG18轧机轧制力计算研究

本文以SG18轧机为对象,研究其液压压下作用力与轧制力的函数关系.普通的四辊轧机的轧制力完全由液压压下力作用,但对于SG18轧机除受到支撑辊作用外,还有其它辅助辊作用,压下作用力与轧制力不是简单的传递关系.本文首先对SG18轧机的受力情况进行了定性的分析,然后采用动力学分析软件ADAMS进行仿真研究液压压下作用力与轧制力之间的关系,并根据仿真数据绘制了液压压下作用力与轧制力的关系曲线,并利用回归分析计算理论得出了两者之间的函数,为SG18轧机轧制力的间接测量提供了理论支持.     

矿井涌水量预测的PCA-GA-ELM模型及应用

为了快速有效地预测矿井涌水量,并进一步提高预测的准确性,在分析矿井涌水量影响因素的基础上,提出一种将主成分分析法（PCA）、遗传算法（GA）与极限学习机（ELM）相结合的矿井涌水量预测新方法。根据矿井涌水实例数据,综合选取9个主要因素作为矿井涌水量的预测指标,通过PCA对数据进行降维预处理,并针对ELM算法的不足,结合GA算法对其进行优化训练,建立矿井涌水量预测的PCA-GA-ELM模型。对模型进行训练及检验,并将PCA-GA-ELM模型与GA-ELM模型、单一ELM模型的预测结果进行对比分析,其预测结果与实际情况更吻合。该模型预测效果优于GA-ELM模型和ELM模型,可对矿井涌水量进行更准确有效的预测,提供科学的参考依据,指导矿山生产。     

热风炉煤气消耗量中期预测模型

在钢铁生产过程中,副产煤气占钢铁企业总能耗的40%,因此,准确预测副产煤气的消耗量可以为钢铁企业煤气系统的优化调度提供科学的指导。热风炉是副产煤气系统的最大用户之一,由于工作周期频繁调整导致副产煤气消耗量波动剧烈,预测难度较大。针对现有预测模型预测提前量较短的问题,建立了基于时间序列的BP神经网络预测模型,在保证较高的预测精度的前提下将预测提前量延长至30 min。以现场采集的热风炉煤气数据作为数据样本进行实例分析,发现训练样本为2 000组、预测样本为30组时预测效果最好,平均误差绝对值可达4.04%。此外,还对不同预测模型进行对比,结果表明本模型最适合热风炉煤气消耗量的中期预测。     

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.     

基于DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。     

焦炭质量预测模型的建立

根据宣钢焦化厂配煤炼焦的实际情况,利用回归分析法建立了焦炭质量预测模型。选择配合煤的质量指标来预测焦炭质量,并指导配煤,以获得稳定的焦炭质量,并通过检验应用于实际生产。     

Modifications of the Personal Orientation Inventory for improved specific trait prediction

Describes a 6-step method of improving the Personal Orientation Inventory's specific trait prediction capability. Results indicate that the potential for specific trait prediction was improved, although global prediction capability was not significantly changed. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

基于机器学习的钢铁轧制过程性能预测

 为了实现快速的热轧工艺优化设计,基于工业数据的钢铁材料性能预测引起了研究者的极大关注,对利用机器学习进行钢铁材料轧制过程性能预测的研究进展进行了梳理。首先介绍了钢铁材料轧制过程性能预测常用的主流机器学习算法,其中包括人工神经网络、模糊神经网络、支持向量机、随机森林、智能优化算法等。其次,分别对钢铁材料轧制过程性能预测建模方法研究进展和模型应用情况进行了综述。最后,对钢铁轧制过程性能预测研究进行了展望,指出了数据质量的改善、小样本数据建模、建模数据加密、模型可解释性研究、钢铁材料组织预测和利用模型进行有效的工艺优化设计等可能发展方向。     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法(KPCA)、改进粒子群算法(IPSO)与最小二乘支持向量机(LSSVM)相结合的充填管道磨损风险预测新方法.通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPS...     

基于支持向量机的边坡稳定性预测

为准确快速地对边坡进行稳定性分析,提出基于支持向量机(Support vector machine SVM)的稀土矿开采边坡的SVM预测模型,结合42个稀土矿开采边坡实际案例,并分别采用网格寻优算法、遗传算法(Genetic algorithm GA)、粒子群算法(Particle swarm optimization...     

基于图像混合核的列生成PM2.5预测

传统PM_2.5预测方法获取污染物浓度数据需要大型精密仪器，成本较高。本文尝试利用图像数据进行PM_2.5浓度预测。大气PM_2.5浓度的变化与图像的暗通道强度、对比度和HSI（Hue-saturation-intensity）颜色差异有密切联系。大气中PM_2.5浓度的升高会导致非天空区域的暗通道强度值下降，图像对比度下降和HSI空间颜色差异变小。通过分析PM_2.5浓度与图像特征的关系，提出了一种基于图像混合核的列生成空气质量PM_2.5预测模型。首先，以1 h为采样周期，每日8:00～17:00为采样范围，采集多种天气条件下的景物图像，提取图像的对比度、暗通道强度和HSI颜色差异共5个图像特征。其次，数据存在样本规模大、样本不平坦分布等特点，单个核函数构成的预测模型难以满足预测精度需求，因此本文按照核结构从简单到复杂的原则，选择线性核函数、多项式核函数和高斯核函数三种核函数建立组合模型。然后计算每个核基于训练样本的Gram矩阵，并将所有Gram矩阵并列成一个混合核矩阵。利用列生成算法和混合核矩阵建立预测模型，求解模型参数。最后，进行仿真实验，实验结果表明本文提出的可满足预测精度要求，与单核预测模型相比，该预测模型预测精度更高，模型稳定性更好。计算复杂度分析结果显示基于图像混合核的列生成模型与单核预测模型相比计算量无明显增加。