基于粒子群算法优化支持向量机的铝热连轧机轧制力预报

为了提高热轧带材的轧制力预报精度,提出了粒子群算法和支持向量机结合的方法来预报轧制力。根据轧制原理用支持向量机建立轧制力预报的模型,通过粒子群算法优化支持向量机参数来提高预报精度。为了进一步提高轧制力预报精度,还提出了支持向量机网络与数学模型相结合的方法,对某“1+4”铝热连轧厂现场采集的5052铝合金轧制数据进行离线仿真,仿真结果可以看出支持向量机网络与数学模型结合的方法预报轧制力,提高了轧制力预报速度并使其轧制力预报精度控制在7%以内。     

轧制力模型自适应在神经元网络预报轧制力中的应用

在中厚板生产过程中,神经元网络已经运用到中厚板轧制力模型预报中,但是与实际的轧制力相比还存在着较大的误差。为了提高神经元网络预报轧制力精度,将轧制力模型的自适应过程引入到神经元网络用于轧制力预报,应用结果表明,采用本文所述的方法,神经元网络的预测精度得到很大改善,预报精度的相对误差可以控制在±3％以内。     

基于人工蜂群算法与反向传播神经网络的铝热连轧轧制力预测

在分析传统的轧制力数学模型的不足之后,提出了一种基于人工蜂群算法与反向传播神经网络相结合的铝热连轧轧制力预测方法,使用人工蜂群算法优化反向传播神经网络的初始权值和阈值。以现场采集的精轧机组数据作为训练和测试样本,并与Sims数学模型和反向传播神经网络的预测结果进行比较,实验结果表明所提方法的轧制力预测精度和误差明显优于传统算法。     

基于改进深度信念网络训练的冷轧轧制力预报

在带钢冷轧过程中,轧制力预报精度直接决定板带材的轧制精度以及产品质量。传统的基于单隐层的神经网络建模方法结构简单,对复杂函数的表达能力与泛化能力都受到一定制约;轧制现场环境复杂,数据测量存在噪声干扰,都会直接影响预报精度。针对这些问题,提出一种基于非监督学习的改进深度信念网络预测模型。深层网络的构建以及去噪机制的引入可提高系统对输入数据特征学习的能力,同时采用改进的对比散度算法对网络进行训练,提高网络训练速度。最后,利用某钢厂1200mm轧机组的实测数据对模型进行检验,对比分析3种不同模型,结果表明该模型对轧制力预测的平均相对误差控制在4.5%以内,建模所需时间相比于栈式自编码网络减少26%。     

基于万有引力算法的铝热连轧规程优化设计

提出了以预防打滑和平衡4个机架功率为目的的多目标函数,建立了一种基于支持向量回归机的轧制力模型来取代传统数学模型,有效地提高了轧制力预报的精度。同时采用万有引力算法对轧制规程进行优化,该算法不仅能够防止陷入局部极值点而且避免了盲目搜索,大大提高了进化速度。该规程应用在河南某厂“1+4”铝热连轧改造现场的精轧部分,轧制规程效果理想。     

融合工业大数据的热轧厚板轧制力模型研究

目的针对传统解法建立的轧制力模型精度不足的问题,建立一个轧制力整合模型。方法对工业大数据进行归一化处理,系统优化了神经网络模型的结构形式,建立了一个神经网络模型。在此基础之上,利用误差间距补偿的方法实现神经网络模型与已有理论模型的有机融合,从而最终获得了轧制力的整合模型。结果通过与已有的轧制力模型进行对比,表明所提出整合模型预测结果与实测值吻合更好,其中轧制力误差为-4.09%,轧制力矩误差为-4.01%。结论该模型整合方法能够实现理论模型与神经网络模型的优势互补,从而给出物理概念与预测精度均可靠的计算结果。     

基于改进鱼群算法的铝热连轧摩擦系数模型研究

铝热连轧机二级过程自动化中,存在变形区摩擦系数预报精度低的问题。通过定量分析油膜厚度、轧制温度和摩擦系数的关系,运用改进的鱼群算法回归并建立起了针对轧制现场的摩擦系数模型。将上述模型应用到铝热连轧机结果表明,新模型提高了摩擦系数的软测量精度,提高了轧制的稳定性,对以摩擦系数为基础的其他轧制模型起到了参考作用。     

基于循环自编码网络的冷轧轧制力建模方法

在钢铁冷连轧生产过程中,轧制力预测结果直接影响带材的轧制精度和产品质量。为进一步提高轧制力预测精度,同时实现模型的在线更新,避免漂移问题,提出了基于循环自编码网络的轧制力模型。首先,使用循环自编码网络对处理好的输入数据进行特征提取,为了加速网络训练,加入了小批量训练方法,然后使用高斯过程回归模型对提取到的特征进行回归拟合。仿真结果表明,该模型预测精度可达3%以内,能够实现轧制力的高精度在线预测。     

单机架炉卷轧机中变形抗力自学习模型的研究与优化

为改善轧机控制系统中变形抗力的预报精度,提高产品质量,在分析原单机架轧机控制系统数学模型的基础上,选定温度影响项的系数作为修正系数,并将原长期自学习的算法改为渐消记忆的自适应算法。实现了以实测轧制力数据动态校正变形抗力,并运用VC6.0＋＋编程实现。实际应用表明,给出的快速自学习策略优于原来的变形抗力工程计算方法,有效减少了产品的厚度误差,提高了板材的成材率和经济效益。     

基于PSO算法的GMM改进J-A磁滞模型的参数辨识与验证

为了解决现有的GMM-FBG电流传感器的磁滞非线性问题,基于经典的J-A磁滞模型提出了一种改进的适用于低频(<120Hz)条件下的J-A模型。采用粒子群(PSO)算法对改进后的J-A模型进行了分段参数辨识与优化,提高了模型的预测精度。搭建了相应的GMM-FBG交流电流传感系统实验平台,运用所提出的改进的J-A模型对GMM-FBG电流传感器进行了磁滞建模和实验验证。实验及仿真结果证实该模型具有良好的预测性,模型的预测误差在2.5%以内,传感系统的电流测量灵敏度达到0.067nm/A。     

基于ABC-LSSVM的铝热连轧板凸度软测量建模

在铝热连轧板形控制中,板凸度是铝板带的重要指标之一。为了准确预测铝热连轧板凸度,提出了一种基于人工蜂群(ABC)和最小二乘支持向量机(LSSVM)的板凸度软测量模型。由于LSSVM的精度和泛化能力取决于模型参数的选择,故引入ABC进行参数优化。根据某厂1+4铝热轧现场采集的数据验证软测量模型的预测性能,并与GA-LSSVM模型和Marquardt模型做比较,仿真结果表明:建立的ABC-LSSVM板凸度软测量模型参数优化速度快、结构简单,并且具有较高精度。     

基于改进OS-ELM的冷连轧在线轧制力预报

冷轧轧制力预报结果直接影响板(带)材轧制精度和产品质量。冷轧工艺复杂,参数耦合性强,模型不易建立且与实际偏差较大,针对这些问题,提出一种改进在线序列极限学习机。在初始训练阶段使用量子粒子群算法优化权值和阈值;在线训练阶段根据当前训练数据中隐含层对网络输出的贡献度调节网络的拓扑结构,实现了结构和参数的自组织,并结合极限学习机变形抗力子模型在线预报轧制力。实验结果表明,该自组织在线序列极限学习机在训练速度和精度方面较之人工蜂群优化的反向传播神经网络和基于增强型增量极限学习机有较大的提高。     

基于残余应力释放的航空结构件加工变形模型与结构优化方法

在毛坯成形过程中,材料力学性能的非均匀性导致铝合金厚板内产生残余应力,以致在后续切削加工过程中,随着材料的去除,残余应力的释放使得整体结构件发生变形,严重影响着整体结构件的尺寸稳定性。因此,定量化研究切削过程中残余应力释放的加工变形分析与预测是进行加工质量控制的核心环节,对于实现加工过程的高效化和精密化至关重要。通过铝厚板的材料去除转化为残余应力的释放,利用静力平衡条件将作用于整体结构件的残余应力等效为外力后,综合考虑铝厚板横向方向和轧制方向的残余应力,依据弯曲变形理论创新性地建立铝厚板内初始残余应力释放模型。残余应力释放模型不仅能够准确地计算整体结构件的加工变形,而且还能够方便地优化工艺参数完成加工变形的有效控制。根据模型计算值与有限元仿真值、实验测量值的相互比较,分析结果表明:无论是幅值还是变形曲线,计算值都与仿真值具有高度一致性,而与测量值相比,尽管在变形曲线上具有很好的吻合性,但由于残余应力的测量误差使得两者在幅值上亦存在一定误差。