五机架冷连轧机轧制人工神经网络预报

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，该网络μ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。     

3500mm宽厚板轧机的刚度测定与实际应用

宽厚板轧制时,各道次轧制力工作点的变化很大,从15 000~65 000 kN不等,在各个轧制力工作点轧机刚度各不相同。为了准确计算不同轧制力工作点的辊缝弹跳量,对应的轧机刚度必须精确测量。本文通过压靠法测定了不同压力点的轧机刚度,采取分段线性回归的方法,得出了不同轧制力区间的轧机刚度值,使辊缝弹跳计算的精度显著提高。     

宽厚板厂立辊轧机轧制能力研究

立辊轧机是现代宽厚板生产的重要设备。为提升5 m立辊轧机能力,实现钢板减边量的增加,对轧机的轧制力、轧制力矩、减边量关系进行了分析讨论,进而提出了合理的轧制力和轧制力矩增大范围,并对提高轧制力和力矩后的轧机主要承载部件及传动系统进行了安全校核计算。根据计算结果分析,轧机在不进行较大改动的情况下,轧制力增加到8 000 kN,轧制力矩增加28%是较为合理的方案。     

中板轧机参数相关分析和轧制力矩计算

通过对四辊可逆轧机轧制过程测量数据的分析，初步探讨了轧机系统轧制力，牌坊拐角应力、轧制力矩、主电机电流、转速和轧机辊缝诸参数之间的相关特性，分析了用主电机电流和轧制力估计轧制力矩的精度。     

五机架冷连轧机轧制力人工神经网络预报

采用改进的 BP网络 L evenberg- Marquardt优化算法对冷连轧机轧制力进行快速预报 ,该网络 μ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     

铝冷轧机的板形控制模型

开发了带有中间辊弯辊装置的六辊轧机板形控制数学模型并将其用于铝冷轧机的板形控制系统。该模型是根据生产轧机的实验结果研制的，通过控制各执行机构的特性差，就能获得高的板形控制能力。该数学模型体现了轧制力变化对板形的影响，因此，采用该模型能预先控制铝轧制特有的加减速时随着轧制力变化而产生的板形不良。     

中厚板轧机两侧刚度差异对辊缝设定的影响

中厚板轧机两侧刚度的差异会导致轧制过程中轧辊发生倾斜，给辊缝的设定带来困难。为此，作者首先将S1ms轧制力公式简化成道次压下量的简单函数，然后利用该函数分析了中厚板轧机驱动侧和操作侧的刚度差异引起的轧辊倾斜对轧制力分布的影响。发现：如果轧机两侧刚度差异不大，则轧辊倾斜前后的轧制力分布曲线的积分值相等，而且轧制中心线的辊缝位置基本没有变化。根据该结论给出了实测刚度曲线的拟合方法，利用该拟合曲线进行辊缝设定可以避免刚度差异带来的影响。另外，还可将该拟合曲线作为虚拟测厚仪来计算轧件的道次出口厚度。     

轻型薄壁H型钢轧制条件研究

我国轻型薄壁H型钢市场日益加大，有些型钢厂欲建设新轧机，生产该产品。生产轻型薄壁规格，应该使用连轧机。为此，就轻型薄壁H型钢轧制的轧制规程、精轧温度，轧制力进行了实验研究。研究结果表明：由于轧辊冷却水的作用，在连轧机上，薄壁H型钢的腰部温度不高于UEU往复可逆连轧机。使用UEU强力往复可逆连轧机，比常规的连轧机更适用于轧制轻型薄壁H型钢。     

基于蚁群算法的神经网络冷连轧机轧制力预报

 为提高冷连轧机轧制力的预报精度和预报速度,用蚁群算法和神经网络相结合的方法进行轧制力预报模型设计。根据轧制原理建立了BP神经网络冷连轧机轧制力预报模型,以网络权值和阈值为自变量,网络预报误差为目标函数,通过蚁群多代运算,找出预报误差全局最小值,再将相应的权值和阈值输入网络进行训练。应用某厂1450 mm冷连轧机的实测数据进行离线计算的结果表明,该方法能够防止BP网络陷入局部极小点,且收敛速度快,可作为轧制力预报的新方法在实际应用中加以推广。     

650mm×4型钢轧机力参数试验

对两列型钢轧机力参数进行测定，得出两列型钢轧机单根轧制４个典型品种时的负荷率居中下限。交叉轧制的最大轧制力矩负荷率居中上限；一列轧机交叉轧制时的最大轧制力负荷率超设计能力。两分轴扭矩分配不均匀。     

矿井涌水量预测的PCA-GA-ELM模型及应用

为了快速有效地预测矿井涌水量,并进一步提高预测的准确性,在分析矿井涌水量影响因素的基础上,提出一种将主成分分析法（PCA）、遗传算法（GA）与极限学习机（ELM）相结合的矿井涌水量预测新方法。根据矿井涌水实例数据,综合选取9个主要因素作为矿井涌水量的预测指标,通过PCA对数据进行降维预处理,并针对ELM算法的不足,结合GA算法对其进行优化训练,建立矿井涌水量预测的PCA-GA-ELM模型。对模型进行训练及检验,并将PCA-GA-ELM模型与GA-ELM模型、单一ELM模型的预测结果进行对比分析,其预测结果与实际情况更吻合。该模型预测效果优于GA-ELM模型和ELM模型,可对矿井涌水量进行更准确有效的预测,提供科学的参考依据,指导矿山生产。     

热风炉煤气消耗量中期预测模型

在钢铁生产过程中,副产煤气占钢铁企业总能耗的40%,因此,准确预测副产煤气的消耗量可以为钢铁企业煤气系统的优化调度提供科学的指导。热风炉是副产煤气系统的最大用户之一,由于工作周期频繁调整导致副产煤气消耗量波动剧烈,预测难度较大。针对现有预测模型预测提前量较短的问题,建立了基于时间序列的BP神经网络预测模型,在保证较高的预测精度的前提下将预测提前量延长至30 min。以现场采集的热风炉煤气数据作为数据样本进行实例分析,发现训练样本为2 000组、预测样本为30组时预测效果最好,平均误差绝对值可达4.04%。此外,还对不同预测模型进行对比,结果表明本模型最适合热风炉煤气消耗量的中期预测。     

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DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。     

焦炭质量预测模型的建立

根据宣钢焦化厂配煤炼焦的实际情况,利用回归分析法建立了焦炭质量预测模型。选择配合煤的质量指标来预测焦炭质量,并指导配煤,以获得稳定的焦炭质量,并通过检验应用于实际生产。     

Modifications of the Personal Orientation Inventory for improved specific trait prediction

Describes a 6-step method of improving the Personal Orientation Inventory's specific trait prediction capability. Results indicate that the potential for specific trait prediction was improved, although global prediction capability was not significantly changed. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

基于机器学习的钢铁轧制过程性能预测

 为了实现快速的热轧工艺优化设计,基于工业数据的钢铁材料性能预测引起了研究者的极大关注,对利用机器学习进行钢铁材料轧制过程性能预测的研究进展进行了梳理。首先介绍了钢铁材料轧制过程性能预测常用的主流机器学习算法,其中包括人工神经网络、模糊神经网络、支持向量机、随机森林、智能优化算法等。其次,分别对钢铁材料轧制过程性能预测建模方法研究进展和模型应用情况进行了综述。最后,对钢铁轧制过程性能预测研究进行了展望,指出了数据质量的改善、小样本数据建模、建模数据加密、模型可解释性研究、钢铁材料组织预测和利用模型进行有效的工艺优化设计等可能发展方向。     

烧结系统智能制造与大数据技术应用探讨

 为了提升烧结工序的智能制造水平,系统总结了近几十年来烧结系统模型的研究进展。针对当前烧结终点预报、烧结矿成分和质量预报以及烧结配料优化模型存在的问题,开展了基于大数据、集成学习和深度学习等技术的烧结系统参数预报与优化研究,并着重介绍了模型在预报精度及泛化能力提升方面取得的成效。基于上述烧结系统参数预报模型,提出了现场应用烧结过程参数预报与优化系统系统的硬件结构设计和软件结构设计方法。最后从钢铁行业需求出发,剖析了先进信息化技术与工业自动化装备深度融合是提升烧结系统智能制造水平的重要途径,并探讨了大数据及人工智能技术在铁前烧结领域的研究方向和应用前景。     

基于多类别生产状态的烧结矿转鼓指数预测模型

将烧结生产大数据与机器学习算法相结合,提出了一种多类别生产状态下预测烧结矿转鼓指数的研究方法.通过数据采集、整合及预处理操作,共获得特征参数65种.以烧结终点位置(BTP)为基础,采用试验研究及可视化分析等方法将转鼓指数划分为2个类别.基于分类别转鼓指数数据集,使用特征选择算法计算了特征参数的重要排序,确定最佳特征参数...     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法(KPCA)、改进粒子群算法(IPSO)与最小二乘支持向量机(LSSVM)相结合的充填管道磨损风险预测新方法.通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPS...