结合模型自适应的神经元网络在中厚板轧机轧制力预报中的运用

在中厚板生产过程中,用传统轧制力模型预报中厚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,采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报.应用结果表明,采用本方法预报轧制力时精度优于传统的数学模型,相对误差可以控制在±3%以内.     

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。     

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     

基于Elman神经网络的炉卷轧机的轧制力预报

为了改善国内某钢铁厂炉卷轧机的轧制力模型的预报精度,提出将结合热模拟实验建立的传统轧制力模型计算值作为Elman神经网络的一个输入项,将传统数学模型预报的轧制力与实测轧制力的相对误差作为此神经网络输出项的方式构建网络模型,通过大量的在线数据分析,这种将神经网络与传统数学模型相结合的方法明显地改善了轧制力的预报精度。该神经网络模型可为以轧制力为主要控制目标的炉卷轧机的过程自动化系统提供可靠的模型参数。     

变异PSO算法协同神经元网络在轧制力预报中的应用

 为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO) 神经元网络早熟收敛问题，采用一种自适应变异的粒子群优化算法训练神经元网络，根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数，按照权重梯度方向进行变异操作，并首次将该方法应用到热连轧机组轧制力预报中。通过攀钢热轧板厂现场数据运算表明，该方法的预报误差平均值比传统数学模型低165%，比BP神经元网络低055%，收敛速度比BP神经元网络提高了约1/4，为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法。     

具有伸长率分配计算功能的轧制力预报智能模型研究

针对双机架平整机的特性,以基态弯辊力下带材出口板形最好为准则,提出具有双机架平整机伸长率分配系数计算功能的轧制力模型;在此基础上,为了改善传统轧制力模型的预报精度,提出了先通过神经网络利用在线测得的实际数据预测变形抗力和摩擦因数,再与轧制力机理模型自学习过程相结合的轧制力预报新方法;并将其应用于宝钢1220双机架平整机的生产实践,结果表明此模型可以高精度地预报轧制压力.     

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%。     

极限学习机在中厚板轧制力预报中的应用

摘要：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%。     

热轧轧制力小波神经网络预报模型的研究

为了进一步提高热连轧精轧机组轧制力的设定精度,采用小波神经网络建立轧制力预报模型。并采用改进的快速BP算法来训练网络。仿真结果表明：建立的轧制力预报模型的预报值与实际值之间的相对误差在±6％以内,且学习算法收敛速度快。     

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。     

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.     

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。     

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。     

BP神经网络和弹跳方程在铝热连轧厚度预报中的综合应用

采用BP神经网络方法建立了铝热连轧精轧机组出口厚度预测模型,采用试错法解决了中间隐层最佳隐层单元数的问题,采用回归法确定了轧机的相关弹性系数,建立了轧机的弹跳方程数学模型。通过比较有、无传统弹跳方程数学模型输入的神经网络厚度预测模型,确定了弹跳方程对神经网络在热连轧厚度预报应用中的重要性,提出了BP神经网络与数学模型相结合的综合网络方法。相比全部使用整体神经网络,中间隐层最佳隐层单元数减小,网络结构得以简化,网络负担减小,网络的泛化能力也得到加强,同时也进一步提高了预报精度。预测结果与实测数据对比表明,相对误差在1％以内,实现了高精度预报,为铝热连轧出口厚度预报提供了一条准确高效的新途径。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

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%。     

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。