轧制力预报中的神经网络和数学模型

采用ＢＰ神经网络方法预报热连轧精轧机组轧制力·通过训练数据预处理、利用遗传算法优化网络结构和参数、按钢种划分训练样本等方法,提高了网络的预报精度,优于传统的数学模型方法·ＢＰ神经网络与数学模型相结合的综合神经网络方法,进一步提高了轧制力的预报精度·预测结果与实测数据比较表明,相对误差基本在±７％以内,实现了精轧机组轧制力的高精度预报     

基于神经网络的热轧带钢宽度预报与设定

研究带钢热连轧生产线中成品带钢的宽度预报与设定.由于精轧道次带钢宽度变化与板坯化学成分、立辊侧压量、厚度压缩比、钢板温度、速度及张力等因素有关,所以在宽度预报中,按照轧制顺序将整个轧制过程分为两部分:狗骨轧制和随后的精轧道次,前者用数学机理模型建模,后者引入主成分分析-径向基函数(PCA-RBF)神经网络建模.应用效果表明,经过训练的神经网络模型能够有效提高带钢宽度的预报精度,减小成品带钢的宽度波动.     

热连轧粗轧区FES宽展模型及其优化

为了满足某厂1580热连轧机宽度控制精度需求,提高宽展模型的广泛适用性,利用ANSYS/LS-DYNA有限元软件,对热轧粗轧区立轧--平轧过程进行了模拟.根据模拟数据,系统地分析了轧件宽度、厚度、轧辊直径、立辊侧压量和厚度压下量对"狗骨"宽展、自然宽展和绝对宽展的影响规律.利用模拟数据并结合现场数据构造了FES(finite element simulation)"狗骨"宽展模型和自然宽展模型,并建立了PSO-BP神经网络(粒子群BP神经网络).最后,FES宽展模型与PSO--BP神经网络相结合预报第1、3和5道次的宽展,其预报值与实测值误差在1mm以内的均达到了99%以上,达到了宽度控制的精度要求.     

热连轧数据采集的多样本处理策略

热连轧带钢生产过程中，实测数据的处理方式影响到模型自学习的精度，最终影响到产品的控制精度.为解决此问题，建立了针对实测数据的多样本处理策略，采用变异系数的方式排除了高离散性的数据，并通过数据映射的方式将采集到的有效数据进行同步，最终获得了高可信度的自学习源数据，大大提高了模型自学习的有效性及预报精度.将该多样本处理策略应用到国内某热连轧生产线的精轧机组，现场实际应用效果表明:带钢头部的轧制力预报精度达到了233%，满足了自动厚度控制系统的控制要求，提高了产品的质量.     

基于人工神经网络的CSP精轧机组轧制压力预报

采用BP人工神经网络的方法,以CSP热连轧六机架精轧机组生产实测数据为基础,建立了高精度的热连轧精轧机组轧制压力预报模型.结果表明,该模型训练平均误差分别为4.63×10-4和8.35×10-4,预报平均误差分别为±2.2%和±1.6%.     

热连轧宽度自适应模型优化

为提高热连轧粗轧宽度控制精度,提出了一种宽展模型参数自适应方法.该方法将宽展模型中自然宽展系数和狗骨宽展系数作为待优化参数向量,以此为基础对自适应目标函数进行构建,并使用Nelder-Mead算法进行目标函数的最优化求解,得到了满足条件的最优化参数向量,进而完成了宽展系数的优化,提高了轧件的宽度控制精度.本方法已应用于某850 mm热轧粗轧控制系统中,并与传统自适应模型精度进行比较,采用所提出的参数自适应方法后,宽度模型预测值与实测值的偏差由3.05 mm降至1.28 mm,有效地提高了宽度质量.     

热连轧带钢终轧温度的影响因素

在传统传热模型基础上开发了带钢热连轧精轧温度控制模拟软件,系统地分析了穿带速度、带钢粗轧出口温度、带钢机架间厚度、水冷换热系数和工作辊材质等7种因素对带钢精轧出口温度的影响规律;确定了影响带钢终轧温度的主要因素;使用现场实测数据对模拟软件计算精度进行了检验,表明开发的精轧温度控制模拟软件计算精度较高.为建立高精度热连轧带钢温度在线控制模型提供了理论依据.     

基于主成分分析协同随机森林算法的热连轧带钢宽度预测

为提高热连轧粗轧带钢生产过程中换钢种、换规格及换辊后的首块带钢宽度设定模型精度,本文提出一种基于主成分分析协同随机森林(PCA-RF)算法的宽度预测模型.采用主成分分析法对数据样本合理分析,通过计算特征值、主成分贡献度及累计贡献度进行特征选择.在PCA筛选的变量数据集上训练最佳随机森林宽度预测模型.同时,使用支持向量机回归(SVR)、K-最近邻(KNN)模型进行对比验证.通过实际应用表明,PCA-RF各道次宽度模型R-squared值控制在99.9%~1,且96%以上样本点预测误差在-5~5mm,从而证明该模型实现了换钢种、换规格及换辊后的首块钢宽度的高精度预测.     

结合模型自学习的BP神经元网络的轧制力预报

为了改善传统轧制力模型的预报精度,首次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·分析国内宝山钢铁集团(公司)2050热连轧机组上的精轧轧制力模型及其自学习方法,可知通过自学习后的预测轧制力具有较高的精度,为此将自学习后的模型预测轧制力作为BP神经元网络的一个输入项进行网络的训练,通过大量在线数据分析,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很大简化·这种方法为人工智能预测轧制力的研究提供一个新的思路·     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

Prediction of the Charpy V-notch impact energy of low carbon steel using a shallow neural network and deep learning

The impact energy prediction model of low carbon steel was investigated based on industrial data. A three-layer neural network, extreme learning machine, and deep neural network were compared with different activation functions, structure parameters, and training functions. Bayesian optimization was used to determine the optimal hyper-parameters of the deep neural network. The model with the best performance was applied to investigate the importance of process parameter variables on the impact energy of low carbon steel. The results show that the deep neural network obtains better prediction results than those of a shallow neural network because of the multiple hidden layers improving the learning ability of the model. Among the models, the Bayesian optimization deep neural network achieves the highest correlation coefficient of 0.9536, the lowest mean absolute relative error of 0.0843, and the lowest root mean square error of 17.34 J for predicting the impact energy of low carbon steel. Among the variables, the main factors affecting the impact energy of low carbon steel with a final thickness of7.5 mm are the thickness of the original slab, the thickness of intermediate slab, and the rough rolling exit temperature from the specific hot rolling production line.     

基于遗传神经网络的钢管壁厚预测模型的研究

为解决钢管热轧过程荒管壁厚难以计算的问题,首先利用遗传算法优化了BP神经网络,在这种遗传神经网络算法的基础上建立了钢管轧制前毛管温度、长度、外径、轧辊转速、芯棒直径五项工艺参数与钢管轧制后荒管壁厚之间的数学模型.经过测试,基于遗传神经网络的钢管壁厚预测模型的壁厚预测误差远小于常规壁厚公式的计算误差,为设计更合理的设置毛管参数提供了科学的依据,对钢管热轧工艺水平的提高的具有重要意义.     

基于有限元数值模拟的宽厚板热轧过程宽度控制ANN模型

利用商业有限元分析软件DEFORM-3D,建立宽厚板热轧过程中立辊侧压和随后平轧过程的三维热力耦合刚塑性有限元模型.模拟了不同板坯厚度、板坯宽度、立辊压下量和平辊压下率条件下320种立辊侧压和随后平轧过程,探讨了不同工艺参数对调宽效率的影响规律.模拟结果表明,调宽效率随着板坯宽度和立辊压下量的增加而升高,随着板坯厚度和平辊压下率的增加而降低.基于上述有限元数值模拟结果,借助BP人工神经网络,建立了热轧宽厚板立轧-平轧宽度控制模型,经测试,模型预测的调控效率与有限元数值模拟结果符合很好.将宽度控制模型用于宽厚板实际热轧过程的有限元数值模拟,模拟轧件宽度与实测宽度吻合很好.     

基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

基于量子LM神经网络和粗糙集的石油储层识别方法研究

提出一种量子LM（Levenberg Marquardt,LM）神经网络与粗糙集相结合的智能识别方法,以替代传统的统计识别方法和工程应用中以单一智能控制为基础的识别方法．基于LM神经网络的技术方案可以整理测井定位数据,提高预测的准确性;量子计算具有并行和类映射的优势;通过削减冗余信息和简化信息量,粗糙集可以降低量子LM神经网络的复杂性,缩短数据处理时间,削减神经网络的负担．通过在石油储层识别实践中的应用证明：该方法可以有效提高计算速度和识别精度,降低成本．     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。