基于DNN的中厚板组织性能逆向优化系统及应用

产品性能是热轧钢材生产的重要指标。生产工艺参数的调整和新产品的研发都需要较长的调试周期,容易造成产品性能的不稳定、研发成本过高等问题。为解决上述问题,进一步优化工艺,缩短研发周期,基于深度神经网络和规则期望算法,建立了中厚板组织性能逆向优化模型,对神经网络框架进行了选型以及超参数调参。基于某钢厂中厚板生产线在线生产数据,使用深度神经网络模型对最终产品性能进行了测试及应用,预测值与实测值的吻合度较高。     

基于RBF神经网络的强力旋压连杆衬套成形质量预测研究

为了实现对强力旋压连杆衬套成形质量(壁厚差和扩径量)的预测,进而对工艺参数进行优化,利用MATLAB人工神经网络工具箱,建立了强力旋压工艺参数与成形质量的RBF神经网络模型。基于减聚类算法改进的K-means学习算法,用模拟实验所得数据对神经网络进行训练,进而对旋压成形质量进行预测,通过与实测值对比,发现所建神经网络模型预测性能良好,实现了RBF神经网络在强力旋压领域的成功应用,与原始K-means学习算法训练的RBF神经网络和BP神经网络所建模型比较,发现改进K-means学习算法训练的RBF神经网络预测模型拥有更优的性能。该模型不仅可以为工艺参数的优化提供参考,还能缩短工艺参数的优化周期和减少实际实验的成本。     

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...     

基于深度神经网络的斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大，且传统机理公式计算的设定值精度不高的问题，提出了基于深度神经网络的斜轧穿孔机调整参数预测模型。首先，综合分析了传统的调整参数的数学模型，并在此基础上确定了调整参数的主要影响因素。依据现场收集的数据集，训练了二辊斜轧穿孔时轧机参数的深度神经网络预测模型。在训练深度神经网络时，运用小批量梯度下降法和Adam算法相结合的方法进行了梯度估计修正，优化了训练速度。仿真结果表明：经深度神经网络模型预测的轧机调整参数与实测数据比较，预测模型的R-squared值控制在0.98左右，调整参数的相对误差均可控制在5%以内。相比于传统数学模型，该预测模型具有更高的预测精度，能够实现轧机调整参数高精度预测并用于指导生产。     

基于深度卷积神经网络的轴承故障诊断技术研究

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。     

数据驱动的加工产线生产周期预测研究

针对生产周期中的不可控时间、生产线数据结构复杂和构成变化的问题,提出一种以异构数据融合驱动的生产线周期预测方法。基于隶属函数和动态规整算法在三角特征构型下建立异构数据融合算法,将异构数据统一;以深度置信网络为主建立周期预测模型进行生产周期预测,通过确定因素求解生产周期中的不可控时间,用改进方程沟通粒子群算法和神经网络,每次迭代优化神经网络的同时还会反馈改进粒子群算法。以某航空企业加工产线为例,优化后神经网络正确率提升9%,粒子群训练时间减少5%,预测模型实现了生产周期的预测,且模型能够适应产线构成的变化。     

BP神经网络在铁液预处理脱硫率预测中的应用

水模动力学试验是设计KR脱硫搅拌器结构及优化工艺参数的主要方法之一,此方法存在脱硫率难以提取、试验周期长和成本高的缺点。针对上述问题,提出了一种BP神经网络脱硫率的预测方法。搅拌器在运行过程中,不同的结构参数和操作参数直接影响到脱硫率。基于此,选取叶片厚度、叶片高度、插入深度和搅拌转速作为BP神经网络的输入量,以脱硫率为输出量,构建了3层神经网络预测模型。利用Matlab软件对BP神经网络模型反复训练,训练精度为0.001 02,达到了预设精度。应用该网络模型对脱硫率进行预测,结果表明,建立的模型具有可行性、通用性强等优点,缩短了实验周期,提高了搅拌器的设计效率。     

基于改进的RBF神经网络的热轧板冲击功预报模型

为了对Q345B中厚板的冲击吸收功进行预报并指导生产,采用RBF网络预测冲击吸收功与化学成分、工艺参数、屈服强度及抗拉强度等因素间的关系.针对RBF神经网络的不足,采用改进的遗传算法优化RBF网络结构和权值参数,并建立了基于改进遗传算法的RBF神经冲击功预测模型.实验结果表明,用这种改进的遗传算法优化后的神经网络算法是有效的、可行的.     

融合BP-ANN-MCSA算法的电弧增材工艺参数寻优策略研究

为解决电弧熔丝增材过程中工艺参数协同性问题,进行增材工艺参数优化,基于实验与BP神经网络深度学习构建了增材参数与焊道形状的映射关系,建立了增材工艺参数反算模型.将爬山算法进行改进,并与BP神经网络进行深度融合,根据预设电弧增材形貌目标对电弧熔丝增材工艺参数进行寻优,实现了对不同焊道宽高和焊道表面平整度要求下的增材工艺参...     

结合数学模型的模糊聚类BP网络预报板凸度

分析了中厚板板凸度计算模型并给出了相应的在线数学模型。为了提高板凸度在线模型预测精度，提出了一种基于模糊聚类BP神经网络的板凸度模型影响系数的优化方法。并采用模糊聚类分析方法，科学选取学习样本，解决了由于样本多学习速度慢的问题。通过对大量在线数据分析得出，这种方法对中厚板板凸度的预报精度有很大改善，能适应不断变化的工艺过程和设备条件。     

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。     

人工神经网络在硼钢淬透性预测中的应用

根据收集和整理的实验数据，建立了硼钢的化学成分与其淬透性之间的非线性人工神经网络模型，用这种方法预测了一些硼钢的端淬值和淬透性曲线，并与用其它经验公式计算的结果进行了比较。结果表明：所建网络能较准确预测硼钢淬透性，这为研究硼钢淬透性提供了一种有效的方法。     

基于 BP 神经网络的 Fe 基合金粉末喷涂工艺参数优化

目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。     

关于钢铁制造流程优化与产品优化问题的讨论

强调在新世纪里中国钢铁企业要注意研究钢铁制造流程的功能,指出制造(生产)流程对钢厂的生存和发展有着广泛的关联度和综合影响力,制造流程的结构优化是钢厂增强市场竞争力和拓展社会经济功能的有效手段。简要地叙述了钢铁制造流程的构成要素是"流"、"流程网络"和"程序"。"流"按一定的"程序"在"流程网络"中动态有序地、准连续地、紧凑地运行,可以实现多目标优化。讨论了中国钢铁企业生产流程优化的现状和发展方向,还就中国钢铁产品优化过程中有关炼钢、轧钢方面的问题进行了总体性探讨。在新世纪前20年,要集中有关资源加速发展薄板及其深加工产品,以实现中国钢铁产品的结构调整,促进钢厂结构的优化。     

关于钢铁制造流程优化与产品优化问题的讨论

强调在新世纪里中国钢铁企业要注意研究钢铁制造流程的功能 ,指出制造 (生产 )流程对钢厂的生存和发展有着广泛的关联度和综合影响力 ,制造流程的结构优化是钢厂增强市场竞争力和拓展社会经济功能的有效手段。简要地叙述了钢铁制造流程的构成要素是“流”、“流程网络”和“程序”。“流”按一定的“程序”在“流程网络”中动态有序地、准连续地、紧凑地运行 ,可以实现多目标优化。讨论了中国钢铁企业生产流程优化的现状和发展方向 ,还就中国钢铁产品优化过程中有关炼钢、轧钢方面的问题进行了总体性探讨。在新世纪前 2 0年 ,要集中有关资源加速发展薄板及其深加工产品 ,以实现中国钢铁产品的结构调整 ,同时也促进了钢厂结构的优化     

基于遗传算法的神经网络在预测油管钢腐蚀速率中的应用

针对目前BP神经网络在实际应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,建立基于遗传算法的BP网络模型,同时用一个实例说明该模型在预测油管钢腐蚀速率中的应用,实践证明神经网络预测结果与实验值吻合较好.最后通过现场实验数据检验了该神经网络的泛化能力,表明其预测结果与现场实验结果相近.     

Simulation of microhardness profiles for nitrocarburized surface layers by artificial neural network

A model for prediction of the microhardness profiles for nitrocarburized steels was designed. The model is based on a feed-forward artificial neural network. The performance of the model was checked, using data from the published literature as well as authors experiments. Good correspondence between predicted from the artificial neural network (ANN) and experimental data was observed. The influences of the nitrocarburizing parameters and steel composition on the microhardness profile were studied. Using the model the microhardness profiles for some steels after different conditions of nitrocarburizing were predicted. A graphical user interface was created for the use of the model.     

Weld pool shape prediction in plasma augmented laser welded steel

Abstract

A welding process that combined plasma arc welding with laser welding was used to make autogenous bead on plate welds on a sheet stock of a carbon steel. A wide range of welding parameters (arc current, laser power, weld speed) was employed. The experimental weld pool shapes were analysed and the data were used to train a neural network to predict weld pool shape as a function of process conditions. The predictions of the neural network model showed excellent agreement with the experimental results, indicating that a neural network model is a viable means for predicting weld pool shape. Using the model, a parametric study was carried out to examine the influence of process conditions on the final weld pool profile.     

神经网络在预测高温高压环境中油管钢腐蚀速率的应用

简要综述了神经网络的发展概况及相关理论，并利用 Matlab软件中的神经网络工具箱成功地建立了预测油管钢腐蚀速率的神经网络模型，实践证明神经网络预测结果与实验值吻合较好.最后通过现场实验数据检验了神经网络的泛化能力，表明其预测结果与现场实验结果相近.