无缝钢管斜轧穿孔管形多目标预测北大核心CSCD

针对无缝钢管斜轧穿孔生产中工艺参数对毛管尺寸精度的影响问题,考虑生产工艺以及生产需求优化等因素,建立了基于最小二乘支持向量回归的多目标预测模型。通过灰色关联分析法对影响因素进行分析筛选,以前伸量、轧辊间距、导板间距、顶头直径、坯料直径5个工艺参数作为预测模型的输入,以毛管壁厚和外径2个管形参数作为预测模型的输出;考虑到数据样本小且输入和输出参数之间的交叉相关性问题,构建了多输入多输出最小二乘支持向量回归模型对毛管管形进行预测。将实际采集的数据作为训练样本,通过仿真实验证明了模型的有效性,研究结果可为无缝钢管斜轧穿孔生产过程中所需的工艺参数调整与优化提供参考。     

基于PIO-RBF神经网络斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大，但其设定值精度不高的问题，提出了基于鸽群算法改进RBF神经网络斜轧穿孔机调整参数预测模型。首先，综合分析了传统的二辊斜轧穿孔调整参数数学模型并确定了主要特征参数，其次，建立了两辊斜轧穿孔时轧机参数(轧辊间距、导板间距和顶头前伸量)的RBF神经网络预测模型，并提出鸽群算法优化RBF神经网络的中心、方差(宽度)和隐层与输出层之间的连接权值。针对某厂采集的304L管的生产数据，对提出的预测模型进行了训练和验证。通过与基于聚类分析的RBF神经网络模型对比，将经PIO-RBF神经网络模型预测得到的轧机调整参数(轧辊间距、导板间距和顶头前伸量)数据与实际数据比较，其相对误差均可控制在9%以内。结果表明，由PIO-RBF神经网络建立的预测模型对轧辊间距、导板间距及顶头前伸量具有较高的预测精度且适用性强。     

基于深度神经网络的斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大，且传统机理公式计算的设定值精度不高的问题，提出了基于深度神经网络的斜轧穿孔机调整参数预测模型。首先，综合分析了传统的调整参数的数学模型，并在此基础上确定了调整参数的主要影响因素。依据现场收集的数据集，训练了二辊斜轧穿孔时轧机参数的深度神经网络预测模型。在训练深度神经网络时，运用小批量梯度下降法和Adam算法相结合的方法进行了梯度估计修正，优化了训练速度。仿真结果表明：经深度神经网络模型预测的轧机调整参数与实测数据比较，预测模型的R-squared值控制在0.98左右，调整参数的相对误差均可控制在5%以内。相比于传统数学模型，该预测模型具有更高的预测精度，能够实现轧机调整参数高精度预测并用于指导生产。     

基于改进的BP神经网络无缝钢管连轧轧制力的预测北大核心CSCD

无缝钢管连轧过程具有多变量、强耦合、非线性等特点,传统的数学模型无法对一些参数进行精确地预测。为了提高连轧过程中轧制力预测的精度,采用改进初始值选取方法来优化BP神经网络,建立改进的BP神经网络的轧制力预测模型。首先,采集某钢厂历史生产数据,进行预处理,通过灰色关联度确定影响轧制力的主要因素;然后,对初始值进行设置,利用MATLAB编写仿真程序对连轧机组轧制力进行预测。结果表明:基于改进的BP神经网络的轧制力预测模型具有很强的学习能力和表达能力,轧制力预测精度得到了很大的提高,对实际的生产具有重要意义。     

灰色理论与神经网络在形状记忆合金热变形行为中的应用

在传统BP神经网络预测模型基础上,分析了各个因素的灰色关联度权值,建立了基于灰色理论和BP神经网络的Ni-Ti形状记忆合金热变形行为的预测模型。结果表明,仿真数据的相对误差都位于-3%~3%,最小误差仅为0.94%。实验值和预测值的相关性高达0.9971,与传统BP神经网络的预测精度相比大为提高。     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。     

基于灰色理论和神经网络的自冲铆接头力学性能预测

为研究铆接参数对自冲铆接头力学性能的影响,对AA5052板进行自冲铆接正交试验,采用灰色关联度分析了各铆接参数对接头强度的影响程度,并通过BP神经网络建立了铆接参数与接头强度的神经网络预测模型。利用获得的正交试验数据对网络进行训练,并采用未参加训练的样本验证该预测模型的有效性。结果表明:刺穿压强和整形压强对接头强度影响最大,其中刺穿压强对接头强度起决定作用,适当增大刺穿压强可以提高接头强度。采用LM算法优化的BP神经网络模型具有良好的泛化能力和预测精度,对未参加训练样本预测精度高,其预测最大相对误差为5.48%,预测精度超过90%。     

16.用PPM穿孔方法生产高精度无缝钢管的新工艺

<正> 前言能源工业所用无缝钢管的需要量正在不断增长。由于能源开发向恶劣的环境发展,因此需要使用强度、韧性和尺寸精度都能满足这种苛刻工作条件的无缝钢管。斜轧穿孔—连轧管机组和斜轧穿孔—延伸机—自动轧管机组分别是生产5 1/2″以下和6—16″钢管常用的机组。近年来,在无缝钢管生产中逐步采用了计算机并取得了成功的结界;但是在钢管尺寸精度方面,特别是壁厚不均方面     

基于PSO-BP算法的3D打印制件精度预测模型

针对选择性激光烧结(SLS)中制件精度和工艺参数难以选择的问题以及BP神经网络本身缺陷,提出一种利用粒子群算法优化的BP神经网络建立SLS烧结件精度预测模型的方法。首先根据SLS成型工艺的特点,分析影响成型件精度的因素,通过实验获得不同激光功率、扫描速度、扫描间距和分层厚度条件下多组成型件精度数据,并采用多目标函数优化的单目标化思想优化目标函数,然后通过粒子群算法优化BP神经网络。用优化后的最优解作为BP神经网络算法的初始权值和阈值,利用MATLAB建立优化后的BP神经网络预测模型,对优化后的精度函数模型进行预测分析,并与传统BP神经网络获得的预测结果进行对比。结果表明:粒子群优化的神经网络模型具有良好的全局搜索能力和收敛性,精度预测更加准确,对SLS打印制件具有一定的指导作用。     

探索·发明·发展——纪念曼内斯曼兄弟发明斜轧穿孔工艺120周年

曼内斯曼兄弟于1885年发明斜轧穿孔工艺,尔后又发明了周期轧管工艺。为纪念曼内斯曼兄弟发明斜轧穿孔工艺120周年,从斜轧穿孔开始,重点回顾了无缝钢管生产在1882~1937年这55年间经典轧管工艺发明及其发展的历史过程。同时列举了20世纪下半叶无缝钢管生产工艺发展过程中的几件大事,以宏扬历史成就,期盼无缝钢管工业再创辉煌。     

宝钢集团召开纪念曼内斯曼斜轧穿孔工艺发明120周年学术交流会

2006年是曼内斯曼兄弟发明斜轧穿孔工艺120周年，宝钢钢管专业委员会于2006年9月1日在鲁宝钢管有限责任公司召开“纪念曼内斯曼斜轧穿孔工艺发明120周年学术交流会”。参加人员包括宝钢钢管专业委员会成员及宝钢集团4家钢管厂及钢管研究所等单位的负责人。会上国内钢管界老前辈金如崧先生作了“曼内斯曼兄弟与斜轧穿孔工艺的发明”专题发言，介绍了斜轧穿孔工艺发明的背景和历史过程；会议进行了斜轧工艺专题学术交流，内容涉及3个方面：①轧管新工艺研究，介绍了国内外无缝钢管热轧工艺前沿技术的研究近况；②采用有限元法研究斜轧穿孔工艺，具体展示了有限元法在研究斜轧穿孔中的重要应用；③无缝钢管生产中延伸阶段3种斜轧工艺的比较，从成形特性上分析比较了阿塞尔、狄塞尔和行星轧管工艺．指出在延伸阶段应用得最好的是阿塞尔轧管工艺。     

基于灰色理论的数控机床故障预测的研究

针对数控机床可靠性故障间隔预测模型过程中数据采样难度大、成本高、数据量小、常规数据拟合和预测方法误差较大、数据难以处理等问题,提出一种基于传统灰色预测模型,将灰色残差优化模型和BP神经网络模型相结合的预测方法。在预测过程中该模型首先根据灰色理论建立主轴可靠性故障模型,再用BP神经网络训练并优化灰色理论的残差,最后用文献的主轴故障数据验证预测精度。通过不同的算法对数控机床主轴故障的试验数据验证,证明了灰色神经网络模型在主轴可靠性故障间隔工作时间的预测上优于单一算法及GM(1,1,P)模型,验证了灰色神经网络模型的可行性及有效性。     

基于灰色理论和神经网络的轧制力预测

针对热轧带钢轧制力预测精度不准确问题,建立了灰色轧制力预测模型,通过对比灰色轧制力预测模型和BP神经网络预测模型的优缺点,进一步提出将灰色理论和BP神经网络组合应用到热轧带钢轧制力预测中,并分析比较了轧制力预测模型的相对误差。同时,在相同的轧制条件下,对灰色神经网络轧制力预测模型的预测值和在线平整轧制的实测轧制力值作了比较,所得轧制力预测误差小于±5%。由此可以看出,灰色理论和BP神经网络组合应用的方法能够较准确地实现平整轧制力的预测。     

无缝钢管斜轧生产工艺的应用与发展

对比热轧无缝钢管纵轧与斜轧工艺的变形原理和生产实践,并分析斜轧工艺优势;研究斜轧孔型空间几何学、斜轧的应力应变、斜轧运动学及轧制力计算法等理论要点;介绍斜轧管机的类型和特点;针对目前斜轧生产工艺存在的问题,提出改进方法及发展方向,并涉及一种新型斜轧管机。分析认为:通过斜轧工艺优化和斜轧管设备改良,能大幅缓解现有热轧斜轧管机存在的变形能力受限和表面质量问题,提升无缝钢管斜轧管工艺水平;从项目经济性、适用性和现实性观点出发,新型斜轧管机是值得采用和发展的热轧无缝钢管轧管机。     

基于神经网络预测的高强高韧钻杆用无缝钢管的开发

利用BP算法和试验数据,构建了神经网络预测模型;用该神经网络预测模型研究了各种主要化学成分对材料强度和冲击韧性的影响;通过神经网络预测,设计开发出了一种高强高韧钻杆用无缝钢管。分析结果显示:该高强高韧钻杆用无缝钢管在屈服强度达到1 100 MPa以上的同时,-20℃纵向冲击功达到了100 J以上;该神经网络预测模型的数据拟合度好,预测精度高。     

基于遗传算法优化Elman神经网络的机床热误差建模

为了提高数控机床热误差模型的预测精度,以某型号立式加工中心为实验对象,采用模糊聚类与灰色综合关联度相结合的方法对机床测温点进行优化,将测温点从8个减少到3个。利用遗传算法(GA)优化的Elman神经网络建立了主轴热漂移误差预测模型,通过实例比较了GA-Elman神经网络模型与普通Elman神经网络模型的预测效果。结果表明,与普通Elman神经网络所建的预测模型相比,GA-Elman神经网络模型对主轴轴向热漂移误差的预测精度较高,残差较小,网络的泛化能力较好。     

基于PSO-BP和灰色关联度分析的盒形件成形工艺参数反求

以非线性有限元分析软件Dynaform为平台,基于粒子群算法优化的BP神经网络和灰色关联度,对盒形件成形过程进行成形参数寻优并反求。先利用正交试验法获取不同组合下的减薄率数值;采用灰色关联度理论,找到对该盒形件最大减薄率起主要影响的两个因素即压边力和摩擦因数;运用拉丁超立方抽样对选出的两个主要因素进行随机抽样,通过Dynaform进行数值仿真以获得样本数据;基于PSO-BP模型,将压边力和摩擦因数作为两输入值,最大减薄率作为输出,建立压边力和摩擦因数与最大减薄率之间的非线性映射关系,其后,利用粒子群算法对其优化可获得最优工艺参数和对应输入值。对比优化前后的数值模拟结果可知,优化后的冲压参数可以有效提高板料成形性能。     

斜轧穿孔机——现代化无缝钢管生产的关键设备

随着斜轧穿孔工艺的不断发展,斜轧穿孔工艺满足无缝钢管生产要求的程度越来越高,因而其应用范围越来越广。介绍了斜轧穿孔工艺特点及斜轧穿孔机的类型、结构特点及现代化的斜轧穿孔机设备各部的自动化控制及产品质量优化的能力。同时还介绍了用现代化斜轧穿孔机进行技术改造的例证。     

基于PSO-LSSVM的拉线棒腐蚀预测

根据鄂西某输电线路拉线塔的拉线棒腐蚀数据,通过灰色关联度算法分析了土壤因素与拉线棒腐蚀情况之间的相关性;应用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)的关键参数进行优化;利用灰色关联度权重对有关数据进行处理,建立了PSO-LSSVM和考虑灰色关联度权重的PSO-LSSVM预测模型。实例计算表明,与LSSVM预测模型相比,PSO-LSSVM预测模型训练集所得结果的均方根误差下降了15.3%;预测集的均方根误差下降了35.71%。考虑灰色关联度权重后,PSO-LSSVM预测模型训练集和预测集的均方根误差进一步下降,分别减少了24.59%和20%。PSO-LSSVM用于拉线棒腐蚀预测具有较好的精度,考虑灰色关联度权重的PSO-LSSVM模型的预测精度更高。     

基于神经网络的喷丸25CrMo合金疲劳寿命及残余应力松弛行为预测研究

首先,本文采用BP神经网络建立了喷丸25CrMo车轴钢疲劳寿命预测模型。然后,在此基础上采用遗传算法（GA）对BP神经网络的预测精度进行了优化。此外,还采用了径向基神经网络（RBF）进行建模分析,并与以上两种模型的预测结果进行对比,结果表明：遗传算法优化的BP神经网络（GA-BP）相比于BP和RBF神经网络具有更高的预测精度,其中训练集和测试集的平均预测精度分别为91.5%和85.4%。然后,基于GA-BP神经网络模型的连接权值矩阵和Garson方程进行了灵敏度分析,从而进一步量化了输入影响因素对喷丸25CrMo车轴钢疲劳寿命的相对影响比重;最后,还采用GA-BP神经网络预测了喷丸25CrMo车轴钢表面残余压应力的松弛行为,结果表明：测试集的平均预测误差仅为3.4%,表明了该神经网络预测性能良好。综上所述,本文采用神经网络建模分析了喷丸25CrMo车轴钢的疲劳性能和残余压应力松弛行为,显著降低了传统疲劳试验所需的成本,并且还保证了较高的准确性。