基于深度网络训练的铝热轧轧制力预报

在铝热轧过程中,轧制力预报精度直接影响着成品的产量和质量。为了提高铝热连轧轧制力预报精度,提出一种基于深度学习方法的多层感知器(Multi-layerPerceptron,MLP)轧制力预报模型。模型利用MLP的函数逼近能力来回归轧制力。模型以小批量训练为基础,利用Batch Normalization方法稳定网络前向传播的输出分布,并使用Adam随机优化算法来完善梯度更新,以解决MLP模型难以训练的问题。仿真结果表明:模型使网络预测与实测数据的相对误差降低到3%以内,实现了轧制力的高精度预测。     

基于多源数据和多模型融合的板形CPS系统研究与应用

宽厚板板形控制具有多变量、强耦合、非线性和遗传性等特点,过程输入条件、状态变量和控制目标之间的关系复杂,传统机理模型在提高中厚板板形控制精度方面效果不理想。为解决轧制力、轧辊磨损等参数设定精度差引起的板形控制精度低的问题,引入宽厚板生产过程数据融合机理模型的建模思想,利用机器学习算法的非线性拟合能力,构建了基于ELM的轧制力设定模型和基于GA-ANN的轧辊磨损模型,然后将轧制力预测结果和轧辊磨损预测结果作为板凸度预测的输入变量,同时引入基于机理模型的轧辊辊系变形模型及弯辊力模型计算结果作为输入量,构建了基于机理和数据驱动融合的板凸度CNN模型。在此基础上,开发了基于多源数据与多模型融合的板形智能控制CPS系统,板凸度的命中率由90.4%提升至96.5%以上,因板形问题导致的产品降级比例下降35.5%。     

7085铝合金超厚板热连轧过程的宏观场分析

建立7085铝合金流变应力本构方程,并基于MARC软件对7085铝合金多道次热轧过程进行有限元建模与仿真,分析热连轧过程中轧件的温度场及应力应变场的分布及变化规律。对比整个轧制过程中的轧制力仿真结果与基于经典热轧变形抗力解析计算模型预测结果,从而验证了7085铝合金超厚板热连轧过程宏观场仿真模型的可靠性,为生产实践过程监控与工艺参数优化提供理论依据。     

7085铝合金超厚板热连轧过程的宏观场分析

建立7085铝合金流变应力本构方程,并基于MARC软件对7085铝合金多道次热轧过程进行有限元建模与仿真,分析热连轧过程中轧件的温度场及应力应变场的分布及变化规律。对比整个轧制过程中的轧制力仿真结果与基于经典热轧变形抗力解析计算模型预测结果,从而验证了7085铝合金超厚板热连轧过程宏观场仿真模型的可靠性,为生产实践过程监控与工艺参数优化提供理论依据。     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

应用解析数值法反求热轧过程的传热边界条件

利用宝钢股份的实际生产数据,反求热轧过程的传热边界条件,并应用于板材热轧综合解析数值模型,提高模型计算精度。运用该模型预测轧制规程下各道次轧制温度和轧制力的变化情况。计算结果表明,模型计算得到的轧制力、温度与实测值吻合较好,反求参数与实际相符。     

基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。     

基于人工神经网络的4300mm宽厚板精轧机轧制力矩预报的研究

根据某钢铁公司4300mm宽厚板实际生产数据,采用回归分析法和BP神经网络法分别建立了4300mm宽厚板精轧轧机轧制力矩模型.通过两种模型比较表明:用BP网络建立的模型计算精度好,预报的轧制力矩相对误差小于5％,可以很好地满足生产需要.     

神经网络在冷连轧机轧制力预测中的应用

将神经网络建模方法应用于冷连轧机轧制力预测,研究并建立了基于神经网络的冷连轧机轧制力预测数学模型.该模型在河北中钢冷轧厂五机架冷连轧机组使用后表明,模型具有较高的预测精度,能满足实际生产使用要求.     

特厚板差温轧制参数建模及优化控制研究现状

差温轧制作为一种先进的轧制工艺,对提高特厚板的形性质量具有重要的促进作用。但是生产中工艺参数的制定与优化缺乏明确的理论指导,导致差温轧制技术的发展受到了严重的制约。为解决这一问题,本文从轧制力、缺陷压合、板形控制3个方面分别介绍了相关的建模方法及研究进展,深入分析了理论解析、有限元模拟以及神经网络在建模中的应用。现有研究表明,针对差温轧制生产的轧制力模型预测精度有待进一步提升。同时,差温轧制过程中缺陷压合与板形控制建模研究缺乏多参数耦合的定量描述,相关研究有待进一步深入。最后,随着生产过程中对精度要求的提高,基于人工智能技术的高精度建模和参数优化控制将成为轧钢未来重要的发展方向。     

基于机器学习的中厚板变形抗力模型建模与应用

为提高变形抗力预测精度，以兴澄特钢中厚板轧机实际生产数据为基础，针对性提出2种利用机器学习对变形抗力进行预测的方法：一种是极限学习机(ELM)与传统数学模型结合的多钢种变形抗力模型及建模方法，另一种是基于TensorFlow深度学习框架的变形抗力模型及建模方法。方法一参考周纪华-管克智变形抗力模型，改进原变形抗力模型结构形式，计算出低合金钢、合金钢及高合金钢代表钢种的基准变形抗力；通过非线性回归计算出与钢种无关的变形参数影响系数，引进ELM神经网络算法，采用灰色关联分析及交叉验证优选神经网络参数，通过线性插值对预测结果进行平滑处理，减小ELM预测残差，最后与传统数学模型相结合得到变形抗力。方法二基于深度学习技术，结合机理，构建2种不同结构的深度神经网络，采用小批量(minibatch)和均方根传播(RMSprop)优化算法寻优，结合批标准化(BN)和早停(early stopping)正则化策略提高模型泛化能力与稳定性，最后综合工艺特性，分别对粗轧机(RM)、精轧机(FM)建立变形抗力预测模型，提高模型精度。研究结果表明，利用深度学习预测变形抗力具有较高的预测精度，经离线分析，平均绝对...     

基于支持向量回归的二次冷轧轧制力预报模型

为提高二次冷轧兼平整机组在二次冷轧模式下轧制力的预报精度,建立了一种基于摩擦系数自学习的轧制力预报模型。考虑到摩擦系数自学习模型的不足,为进一步提高轧制力的预报精度,提出了一种支持向量回归预测轧制力的计算误差与摩擦系数自学习相结合的轧制力预报方法。结果表明,该模型的计算值与实际值吻合较好,误差控制在±7%以内,满足现场生产要求,具有较高的工程应用价值。     

基于GA-PELM的板材热连轧轧制力预测

在板材热连轧过程中,轧制力的计算精度直接影响板带钢的实际厚度,也是实现精准在线控制的前提.然而,由于实际的轧制过程受多种因素影响,使用传统模型进行预测的精度往往比较低.为了提高轧制力的预测精度,提出了并行异构极限学习机(PELM)的轧制力预测模型,该模型学习速度快且泛化能力强,同时为了保证模型的稳定性,采用遗传算法(G...     

CSP生产线摩擦系数与轧制力模型的研究

在工艺润滑和高速钢工作辊的影响下,CSP生产线的轧制力不能简单地用热轧公式计算。将Sims公式和Hill公式进行加权求和得到应力状态系数,结合CSP生产线生产数据,以预测与实测轧制力差值最小为目标定义目标函数,采用变量轮换的优化方法,找到使得目标函数最小时的摩擦系数。以此摩擦系数为因变量,建立摩擦系数的模型和轧制力数学模型。结果表明:Hill公式更适合CSP轧制力的计算,预测值与实测值的相对误差仅在3%左右,模型精度较高。     

基于计算机智能的深度信念网络的组合电力负荷预测方法

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力.利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低.     

热连轧精轧带钢厚度预报模型优化研究

为了提高某9机架热连轧机组厚度精度,依据轧制基本理论,优化修正了厚控模型.采用指数平滑自学习方法,通过自学习综合冷却系数优化了温度模型:采用变形抗力估计法,利用工艺参数建立了更为准确的变形抗力计算模型;通过对传统Hitchcock轧辊压扁半径与轧制力关系的研究,提出了轧辊压扁半径的显示算法,此方法计算过程不需迭代,计算精度高且响应速度快;在线控制生产结果表明,新模型能提高厚度预测精度3.3％.     

基于计算机智能的深度信念网络的组合电力负荷预测方法（英文）

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力。利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低     

接触传热对7075铝合金热轧影响的数值模拟

利用deform-3D对7075铝合金厚板热轧过程进行了数值模拟,对热轧过程中的传热现象进行了分析,研究了热轧过程中热传递对轧板温度、应力和应变以及轧制力的影响。结果表明:热轧过程中轧板与轧辊之间的接触传热是影响轧板温度变化的重要因素,低的传热系数有利于降低轧制过程中的温度损失,减小轧制应力,改善轧制变形,降低轧制力。     

基于机器视觉的宽厚板平面形状CPS智能优化系统的开发

钢板平面形状的高精度控制是提高宽厚板生产成材率的关键,然而平面形状测量手段的缺乏,使得产品生产过程中的平面形状控制异常困难。依托国内某4 300 mm宽厚板产线,研制了钢板平面形状在线检测装置,实现了钢板平面轮廓形状的精确测量,宽度检测精度达到±2 mm,长度方向检测误差小于5‰,侧弯量检测精度达±5 mm,头尾不规则变形区检测精度达±2 mm。同时,基于视觉测量结果,开发了宽厚板平面形状CPS智能优化系统,在信息空间建立起宽厚板平面形状的准确映射。通过在信息空间中的优化计算与决策,对物理空间的组板、轧制和剪切关键工序参数进行优化控制和动态调整,实现了宽厚板“组板-轧制-剪切”的多工序优化控制。该系统的成功应用,使得产线工序间协同效率得到了有效提升,有效提高了宽厚板产线的综合成材率和生产效率,同时降低了生产成本。     

基于残差连接的高帧率Siamese目标跟踪算法

为提高Siamese跟踪算法在快速运动和相似物体等复杂情况下的跟踪性能和跟踪速度,提出一种融合残差连接与深度可分离卷积的Siamese目标跟踪算法。将原特征提取网络中的5×5卷积替换为普通3×3卷积,在减少网络计算量的同时提高其对特征的学习能力。用计算量更小的深度可分离卷积替代原网络中所有的普通3×3卷积,不仅加快了网络推理速度,还加深了特征提取网络的深度,从而获得对目标更具表征能力的深层语义信息。在深度可分离卷积模块中加入残差连接,组成残差块,用以融合网络提取的不同层特征,提高特征信息的利用率。结果表明：所提算法在跟踪精度和成功率上均有所提高,并且在实时性和可靠性上优于其他算法。