平底椭圆孔型在连轧厂棒材生产中的应用

通过对连轧厂应用平底椭圆孔型生产实践的分析，在轧制速度较低的情况下，椭圆－立椭圆孔型系统中以平底椭圆代替弧底椭圆可简化轧机调整，提高孔型通用性及降低生产成本。     

棒材连轧生产孔型CAD系统

介绍了棒材连轧生产的计算机辅助孔型设计系统的功能，特点，采用的主要模型以及相关问题的技术处理方法。系统实用，可靠，操作方便，设计结果符合生产要求。     

连轧棒材孔型系统的改进

本文介绍了柳钢小型轧钢厂连轧棒材生产线的孔型系统的配置和共用性改进。     

棒材连轧生产线切分轧制实践

本文介绍了柳钢小型厂切分轧制的孔型设计，导卫装置的设计特点，以及生产应用情况，并针对生产中出现的一系列问题所采取的改进措施。     

连轧棒材的轧制质量改进

分析连轧棒材轧制质量存在的问题，并详细说明其改进具体措施和效果。     

小型棒材连轧生产系统

本文着重阐述了小型棒材生产轧机、工艺布置、轧机类型的选择、机组特点及孔型系统，对特定工艺参数配置下的孔型选择作了介绍。     

通用软件在连轧孔型设计中的计算应用

本文介绍了贵阳钢厂三轧分厂半连续小型轧机改造情况及通用软件Ｅｘｃｅｌ在孔型系统设计中的应用。     

EXCEL在螺纹钢连轧孔型设计中的计算应用

本文介绍了三轧分厂在进行了螺纹钢工艺确定，孔型设计的基础上，利用了EXCEL通用计算软件完成了φ12螺纹钢连轧轧制程序表的计算应用。     

连轧棒材厂连轧工艺及孔型系统简介

概述了攀长钢连轧棒材厂棒材线的生产工艺以及孔型设计的基本情况,并简要叙述了连轧棒材线的主要配套设施,为大家进一步了解连轧棒材厂的情况提供了基础资料,为进一步优化连轧棒材生产线工艺及配置打下理论基础。     

GCr15轴承钢棒材连轧过程的有限元模拟

通过Gleeble-1500热模拟试验机对GCr15轴承钢(/%:0.99C,0.31Mn,0.24Si,0.010P,0.003S,1.44Cr,0.01V)热轧材进行800~1 150℃,变形速率0.1~3 s~(-1),变形量0.7的等温压缩变形试验。采用已建立的Hensel/Spittel变形抗力模型,运用LARSTRAN/SHAPE有限元模拟软件对200 mm×200 mm连铸方坯连轧Φ70 mm GCr15轴承钢棒材10道次热连轧过程进行三维热力耦合有限元模拟。通过分析各道次轧件温度场、应力应变场、宽展及轧制力参数的变化规律,预测了轧件在第5道次最有可能在角部出现裂纹,因此在轧制过程应减小第5道次变形量,防止产生裂纹;各道次出口处轧件横截面宽度、高度尺寸的模拟值与实测值的相对误差分别为0.40%~5.90%和0.28%~6.11%。     

人工神经网络在中厚板轧机轧制力预报中的应用

在实际生产过程中 ,传统轧制力模型在计算中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 ,提出了一种将人工神经元网络用于轧制力预报数学模型中 ,进行轧制力预设定。离线仿真表明 ,采用本文所述的方法 ,预报精度要优于传统的数学模型 ,预报精度的相对误差可以控制在± 4 %以内     

神经网络在奥氏体钢设计中的应用

采用人工神经网络分别对奥氏体钢的相变临界点Ｍｓ、Ｍｅｓ，力学性能和化学成分间的关系建立了非线性网络模型，并通过试验数据验证了这些模型的正确性。此方法不同于以线性回归为基础来推导得到经验公式。它具有容错性好，通用性强等优点，神经网络的应用为材料的设计与应用提供了一种较为可靠的新途径。     

基于Elman神经网络的炉卷轧机的轧制力预报

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。     

遗传神经网络在平整轧制力预报中的应用

研究了平整轧制力设定的人工智能实现方法,采用改进的混合GA－BP遗传神经网络算法建立了平整轧制力预报模型。传统数学模型与遗传神经网络方法获得的统计数据表明,该遗传神经网络方法所得预报值优于传统方法。     

基于贝叶斯方法的神经网络应用于冷轧轧制力预报

 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。     

应用RBF神经网络预测冷连轧机轧制力

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预测精度,使用一种RBF算法的人工神经网络预测冷轧带钢屈服应力,把预测值用于传统数学模型中计算轧制力;并在此基础上,组合使用机架相关网络(RBF类型)、速度相关网络(RBF类型)修正轧制力计算值.应用结果表明,此方法满足生产的需要,预报最终误差范围为±6.5%.     

热轧轧制力小波神经网络预报模型的研究

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。     

基于蚁群算法的神经网络冷连轧机轧制力预报

 为提高冷连轧机轧制力的预报精度和预报速度,用蚁群算法和神经网络相结合的方法进行轧制力预报模型设计。根据轧制原理建立了BP神经网络冷连轧机轧制力预报模型,以网络权值和阈值为自变量,网络预报误差为目标函数,通过蚁群多代运算,找出预报误差全局最小值,再将相应的权值和阈值输入网络进行训练。应用某厂1450 mm冷连轧机的实测数据进行离线计算的结果表明,该方法能够防止BP网络陷入局部极小点,且收敛速度快,可作为轧制力预报的新方法在实际应用中加以推广。     

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。     

人工神经网络在钢铁工业中的应用

人工神经网络因其具有较强的非线性问题处理能力且容错性强，能实现实时性应用及在线响应而得以钢铁工业中应用，本文叙述了其应用现状，分析了人工神经网络模型的优势及局限性，讨论了应用中存在的问题及未来的应用方向。