半无头轧制工艺下的精轧宽展预测

为了提高半无头轧制精轧宽展的预测精度，采用BP神经网络方法代替传统数学模型进行宽展预测，并采用改进的BP神经网络算法提高学习速度，与传统数学模型方法得到的预测精度作比较，结果表明采用此方法预测精度更优。     

宝钢5m厚板轧机宽展数学模型及其应用

在厚板轧制过程中,把握材料的宽展规律,提高宽展预测精度是保证最终钢板宽度满足要求的关键环节.从影响宽展的因素和常用的宽展公式出发,研究宝钢5m厚板轧机PVPC平面形状控制的宽展数学模型及其建模过程,对该模型的特点及实际应用情况做了客观评价.并利用生产中积累的数据,应用数据统计回归方法,对宽展模型的协调因子xt,y1进行优化,从而提高了模型的预测宽展精度,减小了宽度预测偏差.     

神经网络技术在国丰1450热轧生产线的应用

国丰1450热轧生产线针对轧制力和给轧温度等参数控制精度的要求,利用神经网络技术对轧制力、温度、宽展等参数进行精确的预测。采用神经网络技术对这些物理模型进行修正,使计算的精度大幅度提高,带钢的几何尺寸精度提高,重要力学性能有较大改善,达到了比较理想的效果。     

提高中厚板宽度设定精度方法的研究

分析中厚板轧制过程的工艺特点,指出不同轧制阶段的宽展对宽度设定精度都有影响.基于经典宽展公式,得到多道次轧制下的宽展系数计算模型,在该模型基础上给出纵横纵和横纵轧制策略下宽展阶段目标厚度的计算方法,并提出相应的自学习算法;指出采用纵横纵轧制策略,可以消除坯料公差对宽度设定精度造成的影响;而合理使用测宽仪和人工卡量数据,有利于提高宽度设定精度.     

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。     

连铸坯倒角对粗轧宽展的影响及宽度模型改进

带倒角的结晶器能够改善连铸板坯角部在矫直段的高温延展性,显著减少角横裂的发生。然而,连铸坯的倒角对粗轧过程宽展量有很大影响。通过建立粗轧过程板坯形变的有限元仿真模型,系统研究了轧制过程中板坯倒角尺寸和形状对轧件宽展量的影响。结果表明,连铸坯倒角边长越大,相同的立辊侧压量下所产生的狗骨回展量越小,同时在水平轧制时所产生的自然宽展也越小,而倒角角度的变化对粗轧宽展的影响不显著。针对现有的宽展公式没有考虑轧件存在倒角的问题,给出了一个含有倒角参数的修正项公式。通过与现场实测数据和原宽度模型计算结果对比,对于带倒角的连铸坯轧制情况,修正后的宽展模型预报精度显著提高。     

结合机理计算与神经网络预测的无缝钢管轧制力建模

无缝钢管轧制过程机理复杂,部分状态参数难以在线检测,轧制过程具有多变量、强耦合、非线性等特点,导致其机理建模精度较低。为了提高轧制力模型的精度,提出一种结合机理计算与神经网络预测的轧制力建模方法。首先依据轧制工艺知识和经验分析轧制过程机理,建立轧制力机理模型;然后依据实际生产数据,通过灰色关联分析确定影响轧制力的主要因素;最后采用BP神经网络建立轧制力偏差预测模型,对轧制力机理模型计算结果进行补偿。仿真实验表明,该模型预测精度较高,可以满足工业现场的实际需求。     

Q345钢宽展模型对中厚板轧制压力预算精度的影响

通过建立的实验中厚板轧制过程宽展计算模型,对Q345钢（/%:≤0.20C,≤1.60Mn,≤0.55Si）中厚板210 mm铸坯经10道次轧成48 mm板的各粗轧道次轧制压力进行预算,分析试验宽展模型和Besse宽展模型对中厚板轧制压力的影响。结果表明,在中厚板轧制开始23道次和终止910道次,实验宽展模型轧制压力预算精度较高,相对误差为0.26%~0.68%;轧制48道次,Besse宽展模型轧制压力预算精度较高,其相埘误差为0.33%~11.79%,两模型第1道次的相对误差均为18.00%。     

传热系数对低碳钢热轧过程的影响

基于DEFORM-3D对热轧过程中热量的传递和轧件的宽展进行研究,通过建立有限元模型,对模拟结果进行分析,确定了接触散热是引起轧制过程温度变化的主要原因.较小的传热系数可以减小热量的散失,降低轧制力,提高金属的流动性,提高热轧质量.     

基于改进径向基神经网络的中厚板厚度预测

针对中厚板轧制过程中厚度计模型预测轧机出口实时厚度精度不高的问题，提出一种麻雀搜索算法(sparrow search algorithm, SSA)优化径向基(radial basis function, RBF)神经网络的中厚板厚度预测模型。通过SSA对RBF神经网络的参数进行优化，提高模型的预测精度。根据现场实际采集的数据，结合产线的工艺布局，对数据进行时空坐标转换后代入模型进行训练。通过多种规格中厚板厚度数据仿真验证，SSA-RBF模型预测精度可以控制在0.075 mm以内，预测效果好于反向传播(back-propagation, BP)神经网络和广义回归神经网络(generalized regression neural network, GRNN),模型预测精度可以满足实际轧制的精度要求。     

Prediction of Mechanical Properties of Hot Rolled Strip by Using Semi-Parametric Single-Index Model

 A semi-parametric single-index model based approach was proposed for prediction of mechanical properties of hot rolled strip. Based on industrial production data, a semi-parametric single-index model was developed by choosing the appropriate kernel function and window width to predict the yield strength, tensile strength and elongation. When data samples are limited, compared with regression method and neural network method, the prediction results show that the semi-parametric single-index model based method is more adaptive and the prediction performance is superior to those by both regression and neural network methods.     

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PSO-RBF神经网络模型的岩爆倾向性预测

鉴于岩爆机理的复杂性以及岩爆发生前后信号提取困难的现状,对高应力区进行岩爆倾向性预测研究具有现实意义。为提高岩爆预测的准确性,基于岩爆预测多维非线性的特点,选取4个影响岩爆发生的核心指标作为判决依据,结合粒子群优化算法(PSO)与径向基神经网络(RBF)建立了PSO-RBF神经网络岩爆预测模型。采用试错法确定隐含层节点数后,进一步利用国内外典型工程数据对模型参数隐含层基函数中心ci,隐含层节点宽度σi以及隐含层与输出层间权重因子w进行学习优化以获取最优参数,并将所建立的模型应用于实际工程的岩爆倾向性预测。结果表明:利用该模型预测的岩爆等级与实际岩爆情况基本相符,相对误差率为10%,精度较以往预测方法有显著提高。     

基于BP神经网络的黄金价格非线性组合预测模型

对黄金价格进行预测时,单一模型往往难以全面反映黄金价格的变化规律.为了更有效地利用各模型的优点,将不同的预测模型进行组合可以产生更好的预测效果.利用BP神经网络对单一模型进行非线性组合,建立了黄金价格的非线性组合预测模型.实证研究结果表明,非线性组合模型的预测精度高于被组合的单一模型和不具有协整关系的线性组合模型.     

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。     

小波模糊神经网络在高炉炉温预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

基于BP神经网络的烧结矿性能预报模型

 为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。     

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。     

人工神经网络在炼钢生产上的应用

介绍了人工神经网络在炼钢生产上的应用,指出利用人工神经网络原理建立预报模型是一种容错性好、通用性强的可靠预报方法.     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。