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     

RBF网络优化设计及在轧机轧制力预报中的应用

将Hough变换用于RBF神经网络的参数确定中，以自适应地确定RBF网络的隐层节点数和径向基函数的中心值，使得网络结构及参数得到优化，提高了RBF神经网络的收敛速度和泛化能力。将此改进的RBF神经网络应用于冷轧过程轧制力的预测中，试验结果表明经过优化设计的网络模型具有高的输出精度，使得轧制力预报这种受多种因素影响的复杂系统的输出预报问题得到了很好的解决。     

极限学习机在中厚板轧制力预报中的应用

轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力,精度较低。为提高轧制力预报精度,首先基于大量历史生产数据,通过主成分分析法对影响轧制力的因素进行处理和分析,选出权重较大的影响因子;其次选取现场代表钢种进行热模拟压缩实验,在此基础上提出基于极限学习机(ELM)的综合神经网络轧制力预报模型,即先通过化学成分计算出基准变形抗力,再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数,并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产,轧制力预报相对误差±10%以内占比提高15.61%,钢板头部厚度命中率提高1.9%。     

中厚板轧制过程中的轧制力和轧制力矩数学模型

本文提出了两个新的无量纲参数轧制力功系数和轧制力矩功系数,并通过对这两个参数的回归分析,建立了高精度的轧制压力和轧制力矩数学模型。     

中厚板轧制过程中高精度的轧制力预测模型

结合首钢3500mm轧机改造项目，根据中厚板轧制工艺的特点，对影响轧制力的因素进行了详细的解析，包括变形区影响函数、变形率函数和变形速率影响函数等，给出了中厚板轧制过程中高精度的轧制力计算数学模型。分析了残余应变对轧制力计算的影响，得到了不同钢种的残余应变计算模型和轧制力在线计算时的修正策略。现场在线应用结果表明：给出的轧制力模型具有良好的预测精度，预测误差可以控制在5％以内。     

人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用

针对传统轧制力模型的固有缺陷,为了提高精轧机组轧制力预设定精度,提出一种将人工神经网络和数学模型相结合的新方法,用于热连轧精轧机组轧制力的预设定。离线仿真表明,采用本文所述的方法,预报精度优于传统方法。预报结果的相对误差限制在±５％以内。     

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。     

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.     

基于神经网络的热连轧精轧机组轧制力高精度预报

以实测数据为基础，在精轧预设定中采用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，提出改善神经网络预报精度的一些方法，预报结果和实测数据比较表明，预报精度有较大的提高。为满足现场要求提出神经网络预报轧制力在线应用方案。     

基于深度学习的热连轧轧制力预测

摘要：轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。     

退火炉内罩中气体流动及钢卷传热的数值模拟

摘要：轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。     

热轧轧制压力横向分布规律及预测模型

 轧制压力横向分布规律对快速轧辊轧件一体化模型的建立、轧辊磨损及辊形预测具有重要的意义。为简洁有效地描述轧制压力横向分布,提出了轧制压力横向分布表征指标,即边中比、高次程度、一次非对称度及三次非对称度。通过有限单元法建立了轧件三维弹塑性变形模型,并根据实测数据对模型边界条件进行设置,研究了不同因素影响下的轧制压力横向分布规律。考虑到各生产因素对轧制压力横向分布的影响不完全独立,不易获得函数表达式,以多组工况下有限元仿真结果为基础,建立多生产因素影响下的轧制压力横向分布人工神经网络预测模型,为轧辊轧件一体化快速计算模型的建立奠定了基础。     

带夹层不锈钢复合板异步轧制力数学模型研究

 为实现带夹层复合板异步轧制力的预报,对直接添加薄板作为中间层的不锈钢复合板进行受力分析,依据各层金属变形特点以及轧件摩擦力方向的变化,将轧制变形区划分为5个分区,考虑复合板单元体截面法向应力与剪应力在各层金属间的线性分布,借助各个分区力平衡方程,建立了带夹层复合板异步轧制力数学模型;研究了剪切屈服应力比、辊径比、摩擦因数比对各层单元体应力分布的影响以及不同压下率下中性点和连接点的位置变化规律;运用MSC.Marc有限元仿真软件,对316L/Ni/EH40复合板进行了5道次异步轧制仿真,轧制变形区受力状态与理论模型基本一致,各道次轧制力大小与理论计算值误差在10%以内,结果表明,本模型可为带夹层复合板异步轧制力精准预报提供理论指导。     

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.     

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RF-LSTM的热连轧板坯粗轧出口温度预报

热连轧板坯温度的连续、实时预报是提高带钢产品性能的关键,针对热连轧过程数据维度过高不利于快速、准确预测板坯温度的问题,提出一种基于随机森林-长短期记忆神经网络(RF-LSTM)的板坯粗轧出口温度预测模型.首先,采用改进随机森林算法对特征变量进行选择,通过分析板坯粗轧出口温度的预测结果变化衡量特征的贡献度,进而构造反映过...     

���ڻ�ɫ����������ELM��¯�¶�Ԥ��ģ��

Aiming at the inherent defects of the traditional blast furnace temperature model, a kind of grey relational analysis based ELM (extreme learning machine) temperature prediction model was put forward. Due to the characteristics of ironmaking process with multivariable nonlinear, strong coupling, the traditional modeling methods were unable to meet the requirements of high precision prediction of blast furnace temperature. Firstly, the correlation of input variables was analyzed with the gray correlation analysis, and then the performance of the model was improved. Secondly, combined with analytical variables, the neural network was trained by ELM learning algorithm. Finally, the field data was used for training and testing of the network, and then compared with the traditional model. The results show that the model can predict the blast furnace temperature quickly and accurately, and also can meet the guide workers to manipulate the needs of blast furnace.     

中厚板轧制过程中轧制力变化有限元模拟

采用动态显式有限元法对中厚板轧制过程进行了分析.分析了轧制过程稳定阶段接触区中厚板单元数、轧辊单元尺寸以及中厚板初始速度选择对有限元分析计算结果的影响,得出了合理的轧制过程有限元模拟参数,并对某中厚板厂15道次轧制过程轧制力变化规律进行了分析,稳定阶段轧制力计算结果与实测结果非常接近.该结果对中厚板轧制过程模拟具有一定的参考意义.     

高碳硅镇静钢中失效夹杂物检测方法的探讨

摘要：采用刚塑性有限元法解析了宽厚板立轧过程中头、尾凹形和边部狗骨的形成规律。轧件长度中心区域立轧时主变形区前、后外端约束始终存在,该区金属进入主变形区前后均没有协调运动,形成的狗骨较高,长度较小。轧件头部区域立轧时主变形区后外端约束始终存在而前外端约束逐渐形成,主变形区内金属易于沿轧件宽度和长度方向流动,轧件头部区域金属离开主变形区后的协调运动导致其头部宽度不足和头部凹形增大。轧件尾部区域立轧时主变形区前外端约束始终存在而后外端约束逐渐消失,主变形区内金属易于沿轧件宽度和长度方向流动,尾部区域金属在进入主变形区之前的协调运动增大了轧件尾部凹形。研究成果可用于指导热轧宽厚板立轧头尾短行程控制轧制和开发新的宽厚板平面形状控制技术。