动态轻压下改善帘线钢中心偏析

介绍了帘线钢的连铸轻压下试验及对比数据,找出了最佳轻压下参数,以改善连铸坯内部疏松及偏析,最终改善帘线钢盘条的偏析。     

动态轻压下改善厚板坯Q345E内部质量

基于价格优势,厚板坯连铸风电法兰用钢Q345E受到青睐,以替代价格昂贵的圆坯产品。连铸板坯替代圆坯的可行性,关键是其内部质量的控制,而动态轻压下被认为是改善内部质量的最主要手段之一。改进之后Q345E内部质量稳定,满足风电法兰要求,得到客户一致好评。     

基于深度学习的宽厚板热轧轧制力预测

为了提高宽厚板热轧生产过程控制中轧制力的预测精度,构建了融合SIMS模型的深度学习网络模型,对宽厚板热轧轧制力进行预测研究。利用深度学习框架,构建了一种基于残差连接的深度学习网络模型,并融合SIMS模型计算值,通过误差反向传播计算损失函数的梯度,同时使用Mini-Batch与RMSProp结合的优化算法对权重参数进行更新优化。利用残差连接引入纯线性的信息携带轨道,从而创造一条捷径,将较早的信号重新注入给下游的网络层,使用早停机制、批标准化等策略抑制模型过拟合现象,提高模型的预测精度。基于上述建模方法,针对宽厚板热轧生产线的轧制数据进行了建模实验。结果表明,以相对误差绝对值小于5%在测试集中的占比作为评价指标,相比于传统SIMS模型,融合SIMS模型、基于残差连接的深度学习网络可实现轧制力的高精度预测,该模型的预测精度平均提升了21.72%。     

轴承钢方坯动态轻压下研究及应用

在拉速、过热度等工艺稳定的条件下,根据压力传感器压力反馈,通过位移传感器设定压下量在凝固末端进行轻压下以改善铸坯内部疏松及偏析。通过轴承钢的生产,找出了最佳轻压下参数,不使用轻压下其碳偏指数为0.8~1.26,而使用轻压下其碳偏指数为0.9~1.1。     

人工智能在钢铁工业智能制造中的应用

钢铁工业是国民经济的基础工业,是决定国家发展水平的最基本要素之一.中国已经成为世界第一钢铁制造大国,但在整体创新能力、素质和产品竞争力方面存在“大而不强”的问题.加快钢铁工业的转型升级,向钢铁强国转变,已成为新时期中国经济社会发展的重大战略任务.智能制造将先进的制造技术与新一代信息技术深度融合,贯穿于制造过程的各个环节...     

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%。     

兴澄厚板连铸机二冷控制研究及应用

基于以跟踪单元建立起的在线凝固模型的以坯龄建立起的二冷模型,根据生产现场工艺条件,有利于制定出合理的二冷制度,控制合理的铸坯表面温度、凝固末端的液相穴的形状及深度,为进行凝固末端轻压下创造条件,最终改善铸坯表面质量及内部质量。该系统优化之后杜绝了表面纵裂及横裂,中心疏松及偏析明显改善,消除了内部裂纹。     

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...