基于聚类特征选择的热轧过程带钢头部厚度预测

厚度是热轧产品关键质量指标之一,带钢头部厚度预测精度直接影响自动厚度控制(AGC)的控制效果,进而影响产品质量和成材率。热轧生产过程复杂多变,大量冗余工艺特征严重影响厚度预测建模效果。为提高预测模型精度,采用层次聚类和互信息相结合的方法进行特征选择,分别基于深度神经网络(DNN)、极端梯度提升(XGBoost)、支持向量机回归(SVR)以及梯度提升决策树(GBDT)建立带钢头部厚度预测模型,通过平均绝对误差(E_MA)、均方误差(E_MS)、最大百分比误差(E_MAP)以及决定系数(R²)对模型的泛化能力进行评估。结果表明,在所建的预测模型中,DNN预测模型具有比其他模型更优的预测精度,测试集数据的E_MA、E_MS、E_MAP和R²分别为0.015 4、0.000 3、0.004 4、0.992 1,并有97.15%的数据预测偏差小于0.03 mm,最大偏差小于0.04 mm。最后采用机器学习模型解释方法SHAP进行特征分...     

酒钢CSP轧机的板带厚度控制

热轧带钢厚度精度一直是提高热轧带钢产品质量的主要目标，而自动厚度控制是热轧带钢自动化首先要实现的功能。结舍酒钢CSP轧机的特点，着重介绍了其自动厚度控制的先进设计理念和控制方法。     

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。     

980MPa级汽车用高强钢冷轧厚度波动原因分析及解决方案

从热轧及冷轧工艺参数与设备运行情况入手,分析了DP980高强双相钢冷轧环节带钢头部和尾部厚度波动大的原因。认为热轧带钢在冷却过程中组织及性能差异,是造成带钢头部与尾部厚度波动的主要原因。采用U型冷却方式后,热轧带钢组织和性能更加均匀,避免了带钢长度方向的强度差异造成的冷轧厚度波动。     

热轧带钢精轧机组的厚度设定与控制新技术

综述了目前在提高厚度精度方面所采用的新技术、新方法、尤其是神经网络，模糊控制等人工智能新技术在厚度设定方面的应用。为热轧带钢精轧机组厚度设定模型的研究提供了全新的方法，促进了现场厚度控制精度进一步提高。     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

热连轧带钢厚度缺陷溯源研究及应用

在带钢热连轧生产过程中,终轧厚度精度是体现带钢产品质量的关键指标之一。带钢厚度控制过程涉及多个模型,具有多变量、强耦合、非线性等复杂性,是热连轧带钢L2过程控制精度的最终体现。实际生产中,厚度缺陷时有发生,形成缺陷的原因复杂多样,目前主要依赖事后的人工分析,其难度大、效率低。为此,研发了热连轧带钢厚度缺陷的自动溯源模型,针对轧制完成后出现头部厚度缺陷的带钢产品,识别和分析厚度缺陷的形成机理,追溯和确定导致厚度缺陷的主要原因。融合资深数模专家的分析经验,通过深入挖掘带钢厚度控制背后的模型机理、理顺带钢厚度与各轧制参数之间的耦合关系,建立了热轧带钢厚度缺陷溯源的分析流程,构建了以辊缝模型设定不准、轧制力模型不准、轧制模型参数设定异常为核心的分析模块。最后,将国内某1 780 mm热连轧机组连续3个月生产的带钢数据用于模型性能测试,结果表明,带钢厚度缺陷溯源的准确率达到90.27%,基本满足实际生产需求,实现了热连轧带钢厚度缺陷的自动溯源,大大提高了厚度缺陷溯源的分析效率。     

梅钢热轧厚度控制过程

热轧带钢厚度精度一直是热轧带钢产品质量的重要指标,而厚度控制技术是实现轧制高精度热轧产品的重要手段。介绍了梅钢热轧产线的厚度控制系统,阐述了模型厚度设定程序及控制方法,包括厚度计AGC、前馈AGC、流量AGC、监控AGC的应用,并分析了几种厚度异常原因和解决措施。     

冷轧带钢表面粗糙度预测模型研究

为了满足冷轧带钢厂对于带钢表面粗糙度预测与控制的需要,把遗传算法和神经网络结合起来形成GA-BP算法,利用遗传算法对神经网络的结构参数和性能参数进行优化,建立了一种新的冷轧带钢表面粗糙度预测模型,并应用于宝钢2030冷连轧机带钢表面粗糙度预测,预测模型具有较高的学习精度和较好的泛化能力.     

冷轧无取向硅钢横向厚度差控制技术

 针对某1 420 mm冷轧厂无取向硅钢投产后出现硅钢横向厚度差较大、难以达到下游客户要求的问题,对该厂热轧来料对冷轧生产无取向硅钢的适应性和UCM轧机板形调控性能进行分析。通过现场工业试验和辊系变形有限元仿真,研究了热轧、冷轧主要工艺参数对硅钢横向厚度差的影响,并优化相关工艺参数,最终提出满足客户需求的冷轧无取向硅钢横向厚度差控制技术方案。该技术方案应用于现场生产后,无取向硅钢横向厚度差控制在10 μm以内的命中率从应用前的不到60%上升到100%,而7 μm以内的命中率达到90%以上。     

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%。     

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%。     

基于优化RT-PLS的热轧带钢头部厚差诊断研究

摘要：头部厚度偏差是热轧带钢的重要产品质量指标,在板带轧制厚度控制中起着重要作用。实际生产中,基于多种原因带钢头部厚度常会出现偏差超限现象。为了分析头部厚差超限的主导原因,采用偏最小二乘法,结合马氏距离相对变换和潜变量优化选取方法,建立了基于优化相对变换偏最小二乘法(Relative Transformation Partial Least Squares,RT-PLS)的带钢头部厚差诊断模型。实例表明：优化RT-PLS诊断模型能够准确查找出导致带钢头部厚差超限的主要特征参数,指导生产现场的调节,成功降低了后续带钢的头部厚差,使厚度命中率由92.18%提升至97.13%,为带钢头部厚差的诊断研究提供了一种有效的诊断方法。     

高强DP钢的关键轧制技术开发与应用

为了解决高强钢生产过程中的诸多问题，从热轧、冷轧制中存在的问题以及工序管理控制的角度出发，制定了先进高强钢关键轧制技术研究方案，最终解决了热轧带钢性能稳定性控制、带头上翘、冷轧带钢厚度波动、冷轧板形突变等问题。另外，在热轧轧制工艺、温度精准控制、冷轧轧制力模型优化，一级AGC厚度自动控制系统开发、全流程压下负荷分配优化等方面开展了大量研究工作，积极探索创新，开发了一系列先进高强钢轧制关键技术，并在产线生产中得到应用，取得良好效果。     

Online mechanical property prediction system for hot rolled IF steel

Abstract

Traditionally, mechanical property estimation is carried out by destructive testing, which is costly and time consuming. Sometimes, the time schedule in the mill is so tight that coils are dispatched, while the samples are still under investigation; thus, knowledge of the strip quality immediately after rolling without mechanical testing can save a lot of time and money. As the rolling process is complex and final mechanical properties of steel depend on many parameters, it is almost impossible to develop an accurate first principle based mathematical model, so an artificial neural network based model to predict the mechanical properties of hot rolled steel strip has been developed. This paper describes the neural network based online system that helps in predicting mechanical properties of interstitial free (IF) steel strip and also elaborates how this models can help in capturing various metallurgical phenomena during rolling.     

冷轧退火板DP钢成材率低原因分析

摘要：以冷轧退火板DP980为研究对象,结合生产过程中的工艺过程参数,利用金相显微镜、电子显微镜、显微硬度计、室温拉伸试验机对热轧卷、冷硬卷、退火卷试样的显微组织、硬度、强度、伸长率等进行了分析。结果表明,热轧卷生产过程中,为了控制带尾抛钢稳定性而降低卷取速度,导致带尾卷取温度较低,力学性能不均,遗传到冷轧工序转变为厚度波动。目前,冷轧各工序通过切头尾的方法,对于此问题进行控制,也就导致了DP钢成材率较低。     

热卷箱在2250热连轧不锈钢带生产中的应用

热卷箱是置于热连轧钢带生产线上粗轧机与精轧机之间,将中间坯卷取和开卷的一种设备。通过设备和工艺攻关,太钢2250热连轧生产线成功地应用热卷箱规模化生产热轧2～5.2 mm 300系和400系不锈钢带,提高了钢带的表面质量和生产效率。文中探讨了热卷箱应用于不锈钢带生产的优劣势和生产中易出现的划伤和花印等问题。