热连轧自适应穿带模型的研究及应用

攀枝花钢铁(集团)公司热轧板厂三期技术改造后,精轧设定模型精度受粗轧中间坯厚度、宽度和温度等参数影响较大,造成轧制参数预报精度下降,为此,于2007年采用精轧自适应穿带模型对轧制力、辊缝、轧制速度进行补偿,提高精轧设定模型对轧制力、出口厚度等轧制参数的预报精度.     

中、薄板带钢冷连轧轧制力便捷计算法研究

轧制力计算有多种模型,大多存在计算繁琐、工作效率低下的问题。通过对冷连轧多种轧制力计算模型的对比研究,针对中、薄板带钢大压下率的M.D.Stone计算模型,采用最小二乘法对轧制力进行曲线拟合,找出一种便捷的算法——轧制力曲线拟合算法,通过一般的计算器或程序即可对轧制力进行求解。应用效果表明,该算法能使轧制力预报精度和计算效率大幅提高,为轧制力预报提供了一条更加便捷、可靠的途径。     

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。     

高速线材力能参数预报系统开发

在深入研究各种数学模型的基础上,建立了适合线材轧制的模型,利用VC++和VB联合开发了高速线材力能预报系统。为了提高软件的预报精度,建立了适合高速线材轧制的短时和长时自适应优化模型。在孔型设计时,利用该软件可以提高各机架轧制力、轧制力矩以及轧制功率的预报精度,为校核孔型设计和选择电机提供了指导和参考。通过仿真和软件在现场试用表明,优化后的模型比原模型具有更高的精度,并且在变钢种变规格轧制时误差波动较小。     

轧制力预报问题中动态网络模型的实现

为提高轧制过程轧制力预报精度,建立了将轧制接触面积由几何关系确定,将影响因素复杂的轧制单位压力通过RBF神经网络预测模型.为适应工况的改变,提出了一种在线动态调整算法,利用新的测试数据对网络进行重新训练,使模型能够调整结构及网络参数,从而使最终设计的网络具有最佳结构.试验研究证明,所设计模型具有良好的适应能力,提高了轧制力的预报精度.     

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.     

IF钢热轧轧制稳定性分析及控制方向

采集热轧实际生产中IF钢轧制过程奥氏体单相区轧制与两相区轧制的各机架轧制温度、轧制力参数,与轧制模型预报结果进行对比分析,明确了IF钢热轧精轧过程中奥氏体、铁素体相变区域以及影响模型轧制力预报的主要因素,提出了轧制过程中厚度波动、板形异常的解决方向。     

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.     

冷连轧机轧制力人工神经网络预报

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,此网络参量可自适应调整,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.     

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。     

数据驱动的热轧带钢边部线状缺陷智能预报模型

 边部线状缺陷是热轧带钢易发缺陷,不仅严重影响成材率,还可能对热轧下游工序生产过程造成影响。边部线状缺陷的影响因素复杂多变,建立精确的机理预报模型十分困难。为此,首先分析边部线状缺陷的主要影响因素;然后以智能方法为基础,分别建立了基于逻辑回归与神经网络的边部线状缺陷智能预报模型,并分析了2个模型的精度与泛化能力;最后,以神经网络智能预报模型为基础,对加热工艺参数进行优化,使缺陷发生率与封闭率均大幅降低。研究结果对提高热轧带钢表面质量具有实践意义,可推广应用于同类轧线。     

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。     

中厚板轧制过程智能化温度预报模型

 采用有限元(FEM)程序模拟计算了中厚板轧制过程中的温度变化,得到与实测温度符合甚好的模拟结果。以模拟计算结果为基础,建立了BP神经网络和回归温度预报模型。采用两种模型对中厚板热轧过程中轧件表面温度变化情况进行了预报。结果表明,神经元网络模型的预报值较回归模型更接近FEM模拟计算值和实测值,可将神经元网络模型应用于中厚板轧制过程中轧件表面温度变化的在线预报。     

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。     

遗传神经网络在平整轧制力预报中的应用

研究了平整轧制力设定的人工智能实现方法,采用改进的混合GA－BP遗传神经网络算法建立了平整轧制力预报模型。传统数学模型与遗传神经网络方法获得的统计数据表明,该遗传神经网络方法所得预报值优于传统方法。     

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。     

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。