共查询到18条相似文献,搜索用时 140 毫秒
1.
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%。 相似文献
2.
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%。 相似文献
3.
为了进一步提高热连轧精轧机组轧制力的设定精度,采用小波神经网络建立轧制力预报模型。并采用改进的快速BP算法来训练网络。仿真结果表明:建立的轧制力预报模型的预报值与实际值之间的相对误差在±6%以内,且学习算法收敛速度快。 相似文献
4.
5.
6.
7.
基于粒子群优化为过程神经元网络提出了一种新的学习算法.新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化.新算法不依赖于函数梯度信息,不需要手动调节网络结构.粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能.两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度. 相似文献
8.
9.
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%。 相似文献
10.
11.
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。 相似文献
12.
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。 相似文献
13.
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%。 相似文献
14.
以前馈式BP神经网络为基础,收集挑选轧机生产过程中对板形有影响的轧制因素作为模型输入参数,板凸度作为输出参数,利用SQL、Matlab及数据提取软件进行数据收集存储、管理、运算,建立神经网络热轧板凸度预报模型。通过大量样本训练,该系统已初步具备了预测板形质量的能力,且误差较小。系统应用后,提高了板形质量,降低了生产成本。 相似文献
15.
采用了一种基于贝叶斯方法的前向神经网络训练算法以提高网络的泛化能力,并在网络的目标函数中引入了表示网络结构复杂性的惩罚项,避免了网络的过拟合。采用Levenberg Marquardt算法训练网络,并使用Gauss Newton的数值方法来近似求解Hessian矩阵,以减少计算量,从而提高了网络的收敛速度。将上述网络应用于冷轧过程的轧制力预报中,预报结果的精度远远高于解析模型,与基于传统BP神经网络的冷轧轧制力预报模型相比,在收敛的速度和预报的精度上均优于后者。 相似文献
16.
A combination of finite element method and neural network methods was used for rapid prediction of the roll force during skin pass rolling of 980DP and 1180CP high strength steels. The FE based commercial package DEFOEM-2D was used to develop a mathematical model of the skin pass rolling operation. Numerical experiments were designed with different process parameters to produce training data for a neural network algorithm. The friction coefficient was considered as an input parameter in the neural network but it was optimised using an iterative method employing an equation that relates the friction coefficient to the rolling force. The load prediction method described in this paper is sufficiently rapid that it can be used in real-time as an adjustment tool for skin pass rolling mills with error within 10% (based on plant data from POSCO). 相似文献
17.
18.
为了提高2 250 mm CVC四辊热轧机板形控制精度,使用非线性有限元软件MSC Marc建立了动态刚性轧辊-弹塑性轧件耦合模型,分析了带钢金属的横向流动规律。为提高精度,采用静态弹性辊系-弹塑性轧件耦合模型得到有载辊缝形状作为动态仿真的初始辊形。分析发现,金属横向流动值随着距轧件中心距离的增大逐渐增大;摩擦力是影响不同厚度间金属横向流动差别的重要因素;金属的横向流动量与压下率、弯辊力、来料凸度以及窜辊量呈线性关系。为了定量分析各因素与横向流动的关系,建立了各因素的影响系数函数,并进行正交试验及方差分析判断交互关系,最后建立插值计算模型,并通过仿真结果验证了其正确性,为相应轧机的在线板形控制提供参考。 相似文献