融合半监督学习的小样本条件下热轧带钢力学性能预测

基于工业数据的热轧带钢力学性能预测技术可以有效减少热轧过程中带钢性能检测取样频率、缩短交货周期、降低生产成本，然而针对小样本下的数据驱动建模始终是一个建模难题。本文聚焦小样本条件下的热轧带钢力学性能建模问题，基于工业生产过程中产生的数据，采用安全弱监督学习(safe weakly supervised learning, SAFEW)算法为未标记数据添加伪标签，实现训练数据的扩展，采用随机森林算法建立热轧带钢成分、工艺、性能之间对应关系，并通过贝叶斯优化的方法确定随机森林超参数，实现小样本条件下热轧带钢力学性能预测。针对工业应用，本文在此基础上开发了热轧带钢力学性能预测软件，结果显示，融合半监督学习的随机森林算法较普通随机森林算法在小样本热轧带钢力学性能预测方面表现更为优异。经统计，屈服强度和抗拉强度预测值和实测值绝对误差在±30 MPa以内的命中率较普通随机森林模型分别提高了6.08%和2.60%,伸长率预测值和实测值绝对误差在±3%以内的命中率较随机森林模型提高了4.78%。     

基于SAE-DBN混合深度网络的热轧带钢表面缺陷预报

热轧带钢表面质量缺陷严重制约了产品质量高端化，其带钢表面质量缺陷具有多元化、随机性等特征，不同缺陷的形成机理不同，造成带钢表面质量缺陷的工艺复杂，难以实现对表面质量缺陷的有效控制。为解决热轧带钢质量缺陷难以实现在线诊断的问题，针对热轧生产过程发生频率较高的氧化铁皮印压入、边部翘皮、边部裂纹缺陷展开诊断预报研究。基于表面缺陷机理分析，明确了轧制过程影响带钢表面质量缺陷产生的原因变量，将其作为热轧板带表面质量缺陷预判模型的输入数据源。然后，基于深度置信网络和深度稀疏自编码器，提出一种基于SAE-DBN(spare auto encoder-deep belief nets,稀疏自编码器-深度置信网络)混合深度网络的热轧带钢表面缺陷预报模型。在DBN诊断模型的基础上，训练单个SAE得到最优网络权重。将得到的网络权重赋值给DBN模型的首层RBM(restricted Boltzmann machine,受限玻耳兹曼机),以此种方式初始化网络权值和偏置，以此进一步提高模型的预报能力和学习效率，改善深度自编码器稳健性不足的情况。采用热轧带钢生产过程实际数据对模型进行验证，结果表明SAE-DBN混合...     

基于自训练的多标签岩矿石薄片分类方法

岩矿石薄片识别是一项专业性要求极高的任务,人工识别常出现不可避免的主观错误,且效率极低。深度学习图像识别技术是可以高效进行岩矿石薄片识别的方法,但训练深度学习模型需要大量标注数据,因此如何高效利用有限标注数据具有重要意义。通过采用多标签分类方法,在有标签数据集上先训练一个分类器,然后使用该分类器为大量无标注的岩矿石薄片生成伪标签,最后使用有标签的训练数据和所有无标签数据重新训练模型。结果表明,采用多标签分类方法识别岩矿石薄片结构及矿物是可行的,同时使用半监督学习方法训练模型,在不进行大量人工标注的情况下,可提高该模型的泛化能力。     

基于深度学习的热轧带钢头部厚度的命中预测

 针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法。在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象。利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命中率、减少钢材浪费。深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现。调整神经网络各参数,通过研究它们对模型性能的影响,优化预测模型。最后使用多种厚度的带钢测试数据训练并检验头部厚度预测模型,结果显示,分类预测命中准确率在80%以上。     

基于半监督流形学习的无线传感器网络定位方法及其应用

提出了一种基于流形半监督学习的移动节点定位算法.该算法利用基于流形学习的半监督方法,通过一定量的有标签样本和无标签样本,获取隐含在节点接收信号强度信息中的流形结构,直接建立节点物理位置与接收信号强度之间的映射关系.算法不需要使用现有的理论或经验信号传播模型,避免了模型不准确带来的定位误差,而且允许网络中存在大量无标签样本,降低了数据采集难度,提高了算法实用性.冶金工业现场的实际应用结果表明,相对RADAR算法,本文算法具有较高的定位精度.     

热连轧钢卷卷取过程摩擦力与位移场分布的研究

为了分析热轧带钢在卷取过程中层间摩擦力分布和确定卷筒胀径时最小带卷层数,利用有限元的手段再现了热轧带钢卷取的全过程.在热轧带钢厚度为5～20 mm和带卷层数为2～5层的基础上,研究了卷筒胀径过程中热轧带钢层间和最内层节点金属的流动规律,提出了以热轧带钢头部相对位移的大小为判据,获得了胀径过程热轧带钢不发生松卷的条件.研究结果表明:摩擦力分布和胀径时热轧带钢的层数有关,当热轧带钢卷取到第5层时卷筒进行胀径可建立稳定的卷取状态.研究成果对提高热轧带钢卷取的产量和减少助卷辊的磨损有一定的指导意义.     

一种改进的最大相关最小冗余选择性贝叶斯分类器

利用K均值聚类和增量学习算法扩大训练样本规模,提出一种改进的mRMR SBC.一方面,利用K均值聚类预测测试样本的类标签,将已标记的测试样本添加到训练集中,并在属性选择过程中引入一个调节因子以降低K均值聚类误标记带来的风险.另一方面,从测试样本集中选择有助于提高当前分类器精度的实例,把它加入到训练集中,来增量地修正贝叶斯分类器的参数.实验结果表明,与mRMR SBC相比,所提方法具有较好的分类效果,适于解决高维且含有较少类标签的数据集分类问题.      

钢板表面缺陷图像的跨域翻译

基于深度学习的表面检测识别算法中，往往需要大量的样本数据。但对于一些新投产的生产线无法在短时间内收集足够多的样本。为了解决这一问题，采用了一种改进型的对抗生成网络，对其他生产线上的图像样本进行图像翻译，以获得新生产线的缺陷样本，即跨域图像转换。将热轧钢板表面缺陷样本和冷轧带钢无缺陷样本融合转换成冷轧带钢表面缺陷样本。试验将6种不同类型的热轧钢板表面缺陷进行了跨域转换，结果表明,对于背景纹理较重的图像转换结果较好，对于一些缺陷尺度较小的缺陷，如麻点，检测结果仍有改进空间。为了定量地对检测结果进行判定，引入了一个神经网络来对原始图像和翻译图像进行分类。分类结果准确率达到了96%，表明图像跨域转换效果良好，有一定应用价值。     

数据清洗对热轧微合金钢性能预报模型的改进

热轧生产过程实测数据具有噪音大、信噪比低等特点,运用合适的方法对异常数据进行清洗将有助于提高钢材力学性能预报模型的精度。基于带钢热连轧过程数据的分布特点,采用孤立森林算法对热轧过程异常数据进行清洗,提高了性能预报模型的预测精度。首先,基于收集到的大量热轧微合金钢生产过程数据,采用孤立森林算法计算原始数据集中每条数据记录的异常分值;接着结合异常分值排序与力学性能建模实验,确定异常数据记录的个数;最后,基于清洗后的数据集合,运用融合数据与机理的建模方法建立力学性能预报模型,并对抗拉强度和屈服强度进行预测。预测实践表明,抗拉强度和屈服强度预报的平均绝对百分误差分别为2.50%和3.42%,且分别有93.13%和86.30%的数据预测值和实测值绝对误差在±6%之内;采用孤立森林算法对热轧生产过程异常数据进行清洗,可显著提高热轧带钢力学性能预报模型的精度。     

基于热轧工艺参数的冷轧变形抗力预报建模研究

变形抗力作为冷轧工艺设定中重要的材料和控制参数，计算精度直接影响到轧制力设定精度，继而影响带钢平坦度等质量指标的控制精度。针对变形抗力机制模型设定精度低、无法考虑热轧过程参数遗传影响等问题，采用鲸鱼优化算法(WOA)优化BP神经网络建立预测模型(WOA-BP),并通过现场收集的热、冷轧历史过程工艺参数对模型进行训练。WOA-BP模型预测结果表明，平均绝对值误差为10.42,平均绝对百分比误差为1.22,平均均方根误差为13.13,均优于BP神经网络模型，弥补了BP神经网络处理复杂的非线性问题训练时间长、预测精度低等缺点。与传统依托冷轧单工序建立的机制模型相比，考虑热轧工艺参数后，变形抗力预测误差由±15%降低至±6%,应用于L2级系统模型设定后，轧制力精度平均提高了2.09%。     

试论CSP中上游工序质量对热轧薄板生产的影响

本文讨论CSP工厂中炼钢、连铸、加热等精轧上游工序质量控制对热轧薄板生产稳定性的影响，为热轧薄板的大批量生产和提高终轧产品质量，提出努力方向。     

步进梁式加热炉板坯跟踪模型探讨

文章探讨了攀枝花新钢钒股份有限公司热轧板厂步进梁式加热炉板坯跟踪模型，建立此模型，有利于实现燃烧系统的自动控制，提高板坯加热质量。     

IF钢热轧板翘皮缺陷的加热工艺改进

京唐公司热轧厂在IF钢生产过程中出现了热轧工序导致的翘皮缺陷。经过系统分析,认为是板坯加热温度不均匀,以及轧制过程中板坯尾部温降快、轧机冷却水密封效果不佳等问题综合导致的。主要介绍首钢京唐热轧厂在消除IF钢翘皮缺陷攻关工作中采取的加热工艺措施。通过调整烧嘴开度优化炉内温度场,并按照轧制过程中的温差需求控制板坯头尾和宽度方向温差。经过黑匣试验验证,板坯加热质量达到预期目标,最终消除了热轧工序导致的翘皮缺陷。     

基于粗轧镰刀弯的精轧跑偏预控模型及应用

带钢热轧跑偏问题是影响带钢生产与板形质量的重要因素。轧制生产过程中,由于粗轧中间坯头部弯曲导致的精轧堆钢事故频发,不仅严重危害生产稳定性,还造成资源的严重浪费和企业的经济损失。为了解决上述问题,针对粗轧非对称板形影响因素,结合实测粗轧中间坯以及工艺过程数据,建立中间坯头部预控模型,并利用加权最小二乘法与模型自学习对模型增益系数进行优化,最终建立了基于粗轧镰刀弯的精轧跑偏预控模型。将模型计算值应用于现场生产后,有效降低了精轧带钢头部跑偏,具有较好的参考价值和指导意义。     

基于目标钢温的加热炉在线动态优化控制

由于鄂城钢铁有限责任公司宽厚板厂步进式加热炉无法很好地适应钢种和实际生产条件的变化,因此造成钢坯出炉温度无法精确满足轧线的要求。针对该问题,本文建立了步进式板坯加热炉数学模型,通过优化计算得到钢坯的理想升温曲线和相应的炉温制度,提出了基于各段目标钢温的在线炉温动态优化控制策略,建立了带有钢温负反馈的在线优化控制系统,实现了对出炉钢温的精准控制,同时达到了一定的节能效果。在实际应用中使开轧温度的命中率提高了12个百分点,吨钢燃料消耗降低了10 m3。     

压力容器用钢初轧生产工艺研究与控制

在压力容器用钢生产过程中,初轧工艺是一个关键控制过程。对成品缺陷分析后发现,初轧是裂纹出现的源头工序,初轧板坯表面存在两类典型裂纹缺陷,两者形成的机理不同。通过机理研究和对现场跟踪分析,找出了初轧板坯表面裂纹缺陷产生的主要影响因素,并针对性地制定了降低钢锭装炉温度、优化加热模型、采用轻压下规程轧制、修改火焰清理模式等工艺改进措施,这些措施实施后钢坯表面质量显著改善,成品合格率提高10%左右。     

无取向电工钢热轧楔形问题分析与控制

电工钢板形质量要求严苛,无取向电工钢热轧生产中存在的较大楔形,给冷轧等后工序生产带来了严重的困难,成为制约电工钢产品质量的重要因素。首先通过中间坯断面形状测量统计、红外热像观测和轧辊磨损测量等方法对电工钢热轧楔形问题进行分析,然后通过基于电工钢实际材料模型的有限元仿真分析来料楔形、轧辊不均匀磨损和单相区以及两相区温度不均匀分布等因素对轧后带钢楔形的影响。分析结果发现,来料楔形在后续对称轧制条件下可减小但很难完全消除;工作辊磨损倾斜对楔形的影响比支撑辊更大;横向温度倾斜对楔形的影响最大,较小的横向温差即引发巨大楔形,两相区轧制时横向温度倾斜引发的楔形比单相区大。基于以上研究,针对性地提出无取向电工钢楔形控制措施,并分析控制效果。     

加热炉自动燃烧系统的研究与应用

自动燃烧是未来轧钢加热炉发展趋势。1 580 mm生产线4号加热炉于2017年投产,为提高加热炉自动控制水平,实现全自动燃烧,开发了脉冲式燃烧程序和板坯温度自动控制模型。通过脉冲燃烧,实现了炉膛温度的快速响应以及良好的板坯长度温度均匀性;通过温度控制模型功能优化,对每一类钢种都制定了最优升温曲线,实现了板坯温度的自动控制。叙述了1 580 mm产线4号加热炉脉冲燃烧系统及模型控制模块的主要功能,提出了用于一些程序优化的方法,这对提高板坯的加热质量和降低能源消耗具有明显的效果。     

06Cr18Ni5Mn7Cu3N奥氏体不锈钢带脱皮缺陷的成因分析及预防工艺措施

2.5 mm热轧06Cr18Ni5Mn7Cu3N奥氏体不锈钢带的生产流程为70 t EAF-70 t底吹GOR转炉-LF-180 mm ×1240 mm板坯CC-热轧工艺。酸洗后2.5 mm热轧带距边部约30 mm处出现宽度≤20 mm,深≤0.06 mm的脱皮缺陷。分析表明,由于在热轧加热过程中加热温度过高(1200~1260℃),以及加热时间过长(超过210 min)使得富铜相在晶界处大量析出致使在热轧过程形成脱皮缺陷。通过将加热温度调整为1200~1240℃,加热时间为150~210 min后,产生脱皮缺陷的带材由7%降至0.5%以下,产品质量得到了显著的提升。