灰色GM(1.1)模型在钢产量预报中的应用

应用灰色系统理论,建立了灰色GM(1·1)预报钢产量的数学模型。该模型可对钢产量进行定量和定性预报。定量预报的平均精度为97.08%(最高精度达99.60%),定性预报结果与实际情况相吻合。     

轧辊弹性压扁对中厚板轧制压力预报精度影响的研究

建立中厚板轧制压力计算模型,分别采用简单轧制情况和考虑轧辊弹性压扁情况下轧件与轧辊接触面积计算模型来预报轧制压力,分析轧辊弹性压扁对中厚板轧制力预报精度的影响。结果表明,在中厚板轧制过程中考虑轧辊弹性压扁的情况下,当预报轧制压力小于实测值时,轧制压力的预报精度提高;当预报轧制压力大于实测值时,轧制压力的预报精度降低。     

首钢合金结构钢40CrA力学性能预报控制模型的开发与应用

 采用人工神经网络方法开发了首钢合金结构钢40CrA的力学性能预报模型,并采用Matlab和VC++两种软件平台建立了对应的力学性能预报系统。该预报系统投入现场在线应用后,通过预测值与实际抽样检验值的分析比较,表明该系统预报精度较高,屈服强度、伸长率等各项性能预报精度达到97%以上,能够满足生产检验要求。     

热连轧精轧轧制力预报模型研究及优化

针对攀枝花钢钒有限公司1450热连轧生产规格变换频繁、同钢种带钢成分波动较大,导致换规格第1块带钢轧制力预报精度较低的情况,研究了精轧轧制力预报模型和其重要组成部分应力状态系数模型和变形抗力模型,结合现场生产数据,分析出化学成分修正系数和变形抗力自学习系数是影响轧制力预报精度的主要因素,从这两方面对模型进行优化,提高了轧制力预报精度。     

变形抗力模型对中厚板轧制压力预报精度影响的研究

中厚板轧制压力分别采用凸轮试验和热模拟试验两种变形抗力模型进行预报,变形抗力模型对中厚板轧制压力预报精度的影响显得尤为重要。相关分析研究结果表明:在中厚板轧制过程中,凸轮试验变形抗力模型对轧制压力的预报精度较为稳定;热模拟试验变形抗力模型对轧制压力的预报精度波动较大,但在中间轧制道次,热模拟试验变形抗力模型对轧制压力的预报精度高于凸轮试验变形抗力模型。     

在轧制力预防中应用模糊控制的研究

提出了将基于误差反馈和专家经验和闭环模糊控制引入轧制力预防中，用于修正预防报输出，提高预报精度和鲁棒性的设想。同时对实际生产中的历史数据进行了模拟在线预报，达到了较高精度。     

基于BP神经网络斜轧穿孔轧制力的预测

借助Matlab工具箱中BP神经网络,对斜轧穿孔区轧制力进行预测。通过分析影响轧制力预报精度的因素及网络性能,确定了网络结构、有关参数和网络训练算法(优化BP算法),实现了轧制力的精确快速预报,预报相对误差1.67%～6.33%,平均3.735%,满足了工程计算的精度要求。     

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。     

冷轧平整机轧制力预报模型精度的探讨

以宝钢冷轧平整机组为例，简要分析了轧制力计算模型的基本形式和影响轧制力预报精度的因素，并提出改善和提高平整机轧制力预报精度的措施。     

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     

提高2030平整机预测精度的实用方法

根据轧件平整轧制时塑性变形量很小,变形沿带材高度不均匀分布的特点,采用沿高度应力均匀分布的平面假设将带来比较大的误差.在引入板形与力学性能综合控制目标函数的基础上,将带材的力学性能与外形质量结合来进行调整,经过大量的现场试验与理论研究,通过轧制力设定,使得平整机既能保证伸长率精度又可以满足板形的要求,为此采用按接触表面边界条件方法计算以提高平整预测精度,并将其应用到宝钢2030连续退火平整机的生产实践,取得了良好使用效果.     

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。     

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。     

冷连轧过程控制轧制力模型综合参数自适应

轧制力模型是冷连轧过程控制系统的基本模型,影响其预报精度的主要因素是材料的变形抗力和摩擦因数.本文采用参数自适应方法来提高轧制力的预报精度.在对轧制力模型进行自适应过程中,将材料的变形抗力作为轧制过程模型的整体属性,各机架根据累计变形程度确定各自的变形抗力.在此基础上,将摩擦因数看成是各机架的单体属性,各机架取不同的模型参数.实践证明,这种综合考虑变形抗力和摩擦因数的参数自适应方法可以对二个参数同时进行修正,能有效提高轧制力模型的预报精度.     

热带轧机高精度轧制负荷预测模型的开发

为了提高精轧机轧制负荷的预测精度 ,提出一种在轧制负荷模型的结构中考虑相变和累计应变对轧制坯料变形抗力的影响和厚度方向的温度分布的新方法。采用本文所述的方法 ,预测精度优于旧模型。预测结果的相对误差限制在± 5 %以内。     

基于多模态和加权支持向量机的热轧轧制力智能预报

为了提高热轧生产过程精轧机组的轧制力预设定精度,需要对轧制力进行高精度的预报.本文通过机理公式计算出轧制力的近似值,然后采集大量的实际生产数据修正轧制力预报值.首先利用聚类方法区分不同的生产状态,其次在相同生产状态下采用加权最小二乘支持向量机计算轧制力的修正系数,最后采用乘法方式修正轧制力,达到高精度的轧制力预测.结果表明,轧制力预报的平均相对误差为3.2%,满足现场的生产要求.     

基于模糊理论的中厚板轧制力学习算法

由于传统的中厚板轧制力计算模型结构简单,并且要测量模型中的一些参数较困难,即使采用一定自适应技术,也难以适应不断提高的中厚板尺寸精度的要求。为了提高中厚板轧机的轧制力预设定精度,笔者采用基于模糊理论计算轧制力参数算法,利用现场采集的数据进行了计算。结果表明,该方法的预测精度优于传统数学模型,预测结果的相对误差基本限制在±6%范围内。     

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.     

贝叶斯框架下的LS-SVM在热连轧机轧制力预报中的应用

利用贝叶斯置信框架推断最小二乘支持向量机模型参数并建立贝叶斯最小二乘支持向量机非线性预测模型.在推断第1层确定模型最优参数,第2层确定正则化参数,第3层确定核参数.将该模型用于某1800热连轧轧制力的预测,在预测精度和速度上都取得了较好的效果.