共查询到19条相似文献,搜索用时 140 毫秒
1.
2.
3.
4.
为了改善国内某钢铁厂炉卷轧机的轧制力模型的预报精度,提出将结合热模拟实验建立的传统轧制力模型计算值作为Elman神经网络的一个输入项,将传统数学模型预报的轧制力与实测轧制力的相对误差作为此神经网络输出项的方式构建网络模型,通过大量的在线数据分析,这种将神经网络与传统数学模型相结合的方法明显地改善了轧制力的预报精度。该神经网络模型可为以轧制力为主要控制目标的炉卷轧机的过程自动化系统提供可靠的模型参数。 相似文献
5.
冷连轧机轧制力人工神经网络预报 总被引:2,自引:0,他引:2
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,此网络参量可自适应调整,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. 相似文献
6.
《钢铁研究学报》2020,(5)
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
7.
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
8.
9.
10.
11.
轧制力预测中RBF神经网络的组合应用 总被引:1,自引:0,他引:1
传统的数学模型无法达到冷连轧控制的尺寸精度要求。针对传统轧制力模型的固有缺陷,为提高冷连轧机组轧制力计算精度,合理选择、更新和预处理训练样本,采用RBF神经网络预测冷轧带钢屈服应力并把它用于传统轧制力计算模型,获得较高的轧制力预测精度。而后使用RBF长期数据修正网络和RBF短期数据修正网络得到长期数据修正网络和短期数据修正网络的修正系数,对轧制力计算值进一步修正,从而进一步提高轧制力预报精度。上述方法直接用于某冷连轧机组,轧制力预测误差在±6%之内。这充分证明RBF网络可以成功用于轧制过程控制并满足实际生产的需要。 相似文献
12.
13.
以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。 相似文献
14.
过程控制系统要求数学模型能正确反映规律性,运算简单,并且有较高的预报精度。轧制力计算模型是过程控制数学模型的核心,轧制力的计算精度直接影响到板形与板厚控制的精度。为了提高轧制力计算的精度,通过对冷轧轧制力特点的分析和计算模型的研究,我们在现有Hill公式的基础上,考虑张力对计算冷轧带钢轧制力的影响并借助于自学习计算功能,通过添加张力影响因子和模型自学习系数对Hill公式进行了改进,在保证轧制力预报精度的同时实现轧制力的在线计算。实际数据测试结果表明轧制力在线计算模型的预报精度误差在±5%以内。 相似文献
15.
在双辊铸轧过程中,铸轧力的控制是铸轧过程稳定进行和提高薄带质量的关键.为了控制铸轧力,必须建立铸轧力计算数学模型,本文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,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,融入"奥克姆剪刀"理论,避免了网络训练的过拟合.将上述网络应用于铸轧过程的铸轧力计算,具有很高的计算精度,同时在收敛速度、稳定性和泛化能力方面都优于传统的BP神经网络. 相似文献
16.
17.
变异PSO算法协同神经元网络在轧制力预报中的应用 总被引:1,自引:0,他引:1
为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO) 神经元网络早熟收敛问题,采用一种自适应变异的粒子群优化算法训练神经元网络,根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数,按照权重梯度方向进行变异操作,并首次将该方法应用到热连轧机组轧制力预报中。通过攀钢热轧板厂现场数据运算表明,该方法的预报误差平均值比传统数学模型低165%,比BP神经元网络低055%,收敛速度比BP神经元网络提高了约1/4,为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法。 相似文献
18.
19.
攀枝花钢铁(集团)公司热轧板厂三期技术改造后,精轧设定模型精度受粗轧中间坯厚度、宽度和温度等参数影响较大,造成轧制参数预报精度下降,为此,于2007年采用精轧自适应穿带模型对轧制力、辊缝、轧制速度进行补偿,提高精轧设定模型对轧制力、出口厚度等轧制参数的预报精度. 相似文献