基于神经网络和自适应预报模型参数的平整轧制力模型

冷轧带钢平整过程存在带材较薄,压下率较小等特点,应力状况较为复杂,采用传统模型对轧制力预报误差较大。采用神经网络模型对应力状态系数进行预报,可提高轧制力的预报精度。针对轧制过程中轧件特性发生缓慢变化的特点,采用符合平整轧制过程特点的变形抗力自适应模型,并与神经网络模型结合,预报平整轧制力。计算结果表明,该模型计算值与实际值吻合精度较高,90%的预报结果相对误差控制在5%以内。     

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。     

轧钢机力能参数神经网络预测

在分析轧机轧制过程中的力能参数的基础上 ,测量并计算了 50 0 mm轧机的轧制力。探讨了用神经网络模型确定轧制力的方法 ,预测了轧制力 ,并将三种方法得到的轧制力进行了比较。结果表明用神经网络模型预测的轧制力误差远小于基于传统数学模型计算的轧制力误差 ,它能较好他反映实际轧制过程的特征。     

基于ReLU激活函数的轧制力神经网络预报模型

平整机轧制力的预报对轧制过程的优化控制有着重要意义。针对平整机轧制力预测精度不高的问题,提出采用Re LU(Rectified Linear Units)激活函数的神经网络模型来预报平整机的轧制力。在对数据进行主成分分析后,得到影响轧制力的主要因素,并将其作为神经网络的输入层,将平整机轧制力作为输出层,通过使用Python语言编程进行实验,对神经网络模型隐层的相关参数及算法进行单一变量筛选,建立了保证轧制力预报精度最高的神经网络模型。实验结果表明,通过调整隐层层数、神经元数、传播算法、正则化方法,该模型能够将预测误差控制在10%以内,且该实验方法能够对不同输入参数下的平整机轧制力进行精确预报。     

冷轧平整过程轧制压力分布非线性有限元研究

利用非线性弹塑性有限元法,建立了冷轧平整过程仿真模型。运用该模型对平整轧制多组工况进行模拟,得到了薄带平整时轧制压力分布规律,与经典板带轧制理论中轧制压力具有单一峰值-摩擦峰不同,随着延伸率的改变,轧制压力分布呈现单峰、双峰等多峰分布。分析了张力、摩擦系数的变化对轧制压力分布的影响,模拟结果与实验数据基本一致。基于MSC.Marc软件平台,利用VB6.0开发了平整轧制过程专用有限元仿真软件,实现了冷轧平整过程的快速建模和仿真,结果后处理。     

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。     

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.     

带钢热连轧过程轧制力三维有限元模拟

在现代计算机控制的带钢生产中,轧制力的设定极其重要.根据宝钢轧制力模型和现场实测数据,结合热连轧过程中带钢三维变形和热力耦合的特点,应用DEFORM-3D软件建立了带钢热连轧前两个道次的有限元模型,模拟了热连轧过程中两个道次的轧制力变化,并与宝钢模型计算值和实测值进行了对比.结果表明,有限元法计算的轧制力与现场实测数据接近,两者误差在5.0%以内,同时有限元法的计算精度高于宝钢轧制力模型,特别是在第一道次,轧制力计算精度高出4.0%,该模拟为现场轧制工艺参数的调整优化提供了重要的参考价值.     

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...     

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。     

基于改进ABC-SVR的铝热连轧轧制力预报

在铝热连轧轧制过程的二级设定中,轧制力的准确性直接影响辊缝的设定和辊缝自适应时间,最终将影响成品的厚度精度。该文采用支持向量回归机(SVR)和传统数学模型相结合的方式预测轧制力,在模型预测中采用改进的人工蜂群(ABC)算法对SVR中的参数进行寻优,保证预测轧制力的准确性。将模型应用于某"1+4"铝热连轧现场的二级设定中,轧制效果良好,准确度远高于传统数学模型。     

基于改进ABC-SVR的铝热连轧轧制力预报

在铝热连轧轧制过程的二级设定中,轧制力的准确性直接影响辊缝的设定和辊缝自适应时间,最终将影响成品的厚度精度。该文采用支持向量回归机(SVR)和传统数学模型相结合的方式预测轧制力,在模型预测中采用改进的人工蜂群(ABC)算法对SVR中的参数进行寻优,保证预测轧制力的准确性。将模型应用于某"1+4"铝热连轧现场的二级设定中,轧制效果良好,准确度远高于传统数学模型。     

一种RBF神经网络在某冷连轧机组轧制力计算中的组合应用

为提高冷连轧机组轧制力计算精度,采用RBF神经网络与数学模型计算轧制力,轧制力偏差在11%以内,远小于单纯使用数学模型;而后组合使用长期数据修正网络、短期数据修正网络、速度修正网络(三者都为RBF神经网络)进一步提高轧制力预报精度。上述方法已成功用于某2130mm冷连轧机组过程控制系统,误差在±5%以内。这充分证明,RBF网络可以成功用于轧制过程控制。     

孔型立辊调宽轧制的三维刚塑性有限元研究

采用刚塑性有限元法(FEM)建立宝钢2050粗轧区孔型立辊调宽过程轧制模型。计算所得多块带钢轧制力值与现场实测结果吻合良好,模拟的带钢头尾形状与现场实际结果吻合也很好,并建立立轧稳态狗骨形状计算的数学模型。同时研究得出立辊孔型角度对狗骨高及轧制力的影响规律。     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

含铌微合金钢热连轧过程中组织演变及工艺参数的预测

采用有限元计算模型对热连轧生产过程中带钢断面温度场的分布进行了预测，建立了描述含铌微合金钢软化行为的再结晶模型及计算精轧过程应力—应变曲线的流变应力模型。在此基础上，对X46级管线钢工业轧制中的奥氏体再结晶动力学、微观组织演变及精轧的轧制力、轧制力矩、轧制功率进行了预测，结果与实测值吻合较好，反映了工业生产的实际。     

BP神经网络对斜轧穿孔轧制力的预测

为了有效预测AZ31镁合金管坯在三辊斜轧穿孔变形区的轧制力,保证穿孔后镁合金管材的优良性能,借助MATLAB工具箱建立了三辊斜轧穿孔的BP神经网络模型。结合穿孔过程中影响轧制力的因素,从实际生产过程中抽取了325个数据作为试验样本;根据AZ31镁合金在不同穿孔参数下的变形特点和三辊穿孔的有限元结果分析,利用轧制力的经验公式实现了理论计算,并将预测结果与理论结果进行了对比。结果表明:实际值与计算值的误差为14%,网络预测的最大误差为5%,平均误差为2. 4%,最小误差为1. 4%。因此,网络预报精度高,操作简洁,可以代替复杂的数学计算模型。     

基于模糊神经网络的冷连轧机轧制力预测

建立了一种基于数学模型和模糊神经网络共同作用的冷连轧机轧制力预测模型,通过数学模型描述轧制接触面积,模糊网络预测轧制单位压力.提出将Hough变换应用于神经网络的参数确定,从而使最终设计的网络具有最佳结构参数.试验研究证明了所设计模型具有较强的泛化能力和鲁棒性,大大提高了轧制力的预报精度.     

双金属复合带材轧制过程有限元模拟

采用刚塑性有限元法,以实验结果为依据,以大型有限元软件ANSYS为分析工具,对双金属复合带材轧制过程进行计算机数值模拟,分析了双金属复合带材同步或异步轧制过程中,轧辊和轧件的应力,应变分布和轧件的塑性流动变形情况以及轧制力和力矩,以动画的方式模拟轧制过程,给出了一种预测轧制结构,减少实验时间和费用的有效方法。