基于改进径向基神经网络的中厚板厚度预测

针对中厚板轧制过程中厚度计模型预测轧机出口实时厚度精度不高的问题，提出一种麻雀搜索算法(sparrow search algorithm, SSA)优化径向基(radial basis function, RBF)神经网络的中厚板厚度预测模型。通过SSA对RBF神经网络的参数进行优化，提高模型的预测精度。根据现场实际采集的数据，结合产线的工艺布局，对数据进行时空坐标转换后代入模型进行训练。通过多种规格中厚板厚度数据仿真验证，SSA-RBF模型预测精度可以控制在0.075 mm以内，预测效果好于反向传播(back-propagation, BP)神经网络和广义回归神经网络(generalized regression neural network, GRNN),模型预测精度可以满足实际轧制的精度要求。     

基于GRNN神经网络的4200轧机宽展模型

 轧制过程中,针对4200轧机在轧件宽展变化自动预测和控制,分析了轧制过程中宽展变化的影响因素。在神经网络技术和现场实测数据的基础上,利用Matlab人工神经网络工具箱,应用GRNN广义回归神经网络建立宽展变化预测模型来提高轧制宽展变化预测的精度。结果表明,该方法建立的模型可以实现对宽展变化的预测,其预测精度有较大提高。     

基于RBF神经网络的中厚板轧机的温降模型

 基于Matlab神经网络工具箱,采用改进的径向基函数(RBF)网络优化计算4200中厚板轧机的轧制温度。通过径向基层散布常数的人工调整以及神经元的自适应调整,提高了收敛速度,确定了最佳的网络结构形式。网络预测结果与在4200中厚板轧机上实测的轧件温度进行了对比,预测精度很高,表明了该网络模型的优越性。该模型可为以温度参数为主要控制对象实行自动化生产的4200轧机提供可靠的参数,也可为人工神经网络在其它自动控制方面的应用提供参考。     

基于模糊理论的中厚板轧制力学习算法

由于传统的中厚板轧制力计算模型结构简单,并且要测量模型中的一些参数较困难,即使采用一定自适应技术,也难以适应不断提高的中厚板尺寸精度的要求。为了提高中厚板轧机的轧制力预设定精度,笔者采用基于模糊理论计算轧制力参数算法,利用现场采集的数据进行了计算。结果表明,该方法的预测精度优于传统数学模型,预测结果的相对误差基本限制在±6%范围内。     

结合模型自适应的神经元网络在中厚板轧机轧制力预报中的运用

在中厚板生产过程中,用传统轧制力模型预报中厚板轧机轧制力时存在着较大的误差.为了提高中厚板轧机轧制力的预报精度,采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报.应用结果表明,采用本方法预报轧制力时精度优于传统的数学模型,相对误差可以控制在±3%以内.     

中厚板轧制过程中高精度的轧制力预测模型

结合首钢3500mm轧机改造项目，根据中厚板轧制工艺的特点，对影响轧制力的因素进行了详细的解析，包括变形区影响函数、变形率函数和变形速率影响函数等，给出了中厚板轧制过程中高精度的轧制力计算数学模型。分析了残余应变对轧制力计算的影响，得到了不同钢种的残余应变计算模型和轧制力在线计算时的修正策略。现场在线应用结果表明：给出的轧制力模型具有良好的预测精度，预测误差可以控制在5％以内。     

中厚板轧制过程中的辊缝设定模型及其应用

结合首钢3500mm轧机改造项目，根据中厚板轧制工艺的特点，详细分析了中厚板轧制过程中辊缝设定模型的各种影响因素，并给出了相应的高精度补偿模型，如轧机的自然刚度、油膜厚度变化等。分析了轧件入口厚度偏差对辊缝设定的影响及其在线消除。现场的在线应用结果表明：运用给出的辊缝设定模型，可以大幅提高中厚板轧机的辊缝设定精度，为厚度精度的提高和AGC控制打下了良好的基础。     

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。     

基于神经网络的中厚板轧机轧制力模型

 以4200轧机大规模测试得到的实验数据为基础，利用Matlab人工神经网络工具箱，建立了该轧机轧制力的预测模型。通过对该网络隐层神经元个数的调整，提高了收敛速度，使轧制力的预测精度大为提高。     

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%。     

中厚板轧机工作辊磨损预报模型的研究

本文分析中厚板轧机工作辊磨损的特点，提出一套针对于中厚板轧制工艺的轧辊磨损预报模型及其参数解析方法．通过仿真试验与实测数据的对比证实该模型具有一定的精度，可以用于生产实践．     

基于模糊聚类的BP神经网络模型预报中厚板轧制力

以实测数据为基础,在中厚板轧制设定中采用BP神经网络的方法取代传统的轧制力数学模型,并对神经网络输入项和训练样本进行分析,将传统轧制力模型的自学习过程引入神经元网络用于轧制力预报,改善预报精度.采用模糊聚类分析方法,科学选取学习样本,解决了由于样本多学习速度慢的问题.通过在线数据分析,可知这种方法对轧制力的预报精度有很大改善,而且神经元网络的结构也得到简化.此方法可以作为神经元网络应用的一个拓展.     

厚度控制技术在中厚板轧制生产中的应用

本文探讨了影响中厚板厚度波动的因素，结合安钢中板厂2800mm轧机按合同轧制一批交货重量不大于理论重量船板的生产实践，总结了实际生产中实现高精度厚度控制的有效方法。     

基于神经网络和遗传算法的冷连轧机FGC控制

 冷连轧机动态变规格技术是全连续冷连轧生产的核心技术之一,是一个具有多变量耦合和非线性时变特性的复杂过程。这使得采用常规的控制理论进行控制器设计变得非常复杂和困难。以国内某厂1250 mm冷连轧机组为研究对象,采用神经网络并结合遗传算法建立控制模型,实现冷连轧机的动态变规格的智能控制。实际生产应用表明该控制模型精度高、稳定性好。     

热轧钢板头部弯曲行为的人工神经网络预报模型

根据单机架2500四辊可逆式轧机钢板轧制的实测数据,采用人工神经网络方法建立了钢板头部弯曲行为预报模型。结果表明,轧制过程钢板头部弯曲的人工神经网络计算值与实测值符合;当轧件上下表面温度相差较大时,上下表面温差、变形区形状特征和变形程度是影响轧件头部弯曲的主要因素。对于厚的成品板,减小道次压下量可减小弯曲;对薄成品板,增加道次压下量可减小弯曲。     

预防中厚板轧制头部下扣途径探讨

中厚板热轧过程中的头部弯曲是一个极其复杂的多元非线函数关系。通过 机上模拟及生产数据的人工神经网络分析,找出了关键因素与弯曲方向、程度的相关关系,从而对因变量实施有效的控制与调节,解决了改造的新轧机轧件头上扣难题。     

模糊神经网络融合建模方法及其在轧制力控制中的应用

针对目前热轧中神经网络控制模型不能满足一些特殊轧制规律钢种精度要求的问题,在深入研究现有热轧模型建立与优化的基础上,结合模糊控制技术,提出在神经网络的基础上建立基于模糊规则补偿模型的融合建模方法。针对两类特殊钢种的特性,详细阐述了基于模糊规则补偿模型的建立及实际应用过程,并根据实际生产经验给出建模中规则库的建立过程。实际生产过程应用结果表明,所提出的模糊神经网络融合建模方法可以有效提高轧制力计算精度和厚度控制精度,从而提高热轧带钢产品质量。