共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
本文研究了不同Ti含量对钒钛微合金化汽车大梁钢力学性能的影响。试验结果表明,在本试验范围,Ti范围(0.02-0.15%)对强度的影响分三个阶段:微Ti时(〈0.04%),强度变化较小;在0.04-0.08%范围,强度随Ti含量增加而显著升高;Ti达0.08-0.15%时,强度增加趋平缓。不同Ti含量范围,Ti的主要作用机理不同:微Ti时起细化晶粒作用,较高Ti时起强烈沉淀强化作用,同时改善硫化物 相似文献
5.
薄板坯连铸连轧生产冷轧用低碳热轧带钢的力学性能 总被引:4,自引:1,他引:3
综述了板坯连铸连轧生产冷轧用低碳热轧带钢力学性能偏高的现状以及性能强化机理.讨论了性能软化的途径.指出通过提高钢的纯净度、降低夹杂物含量、采用铁素体温度范围轧制、高温卷取(≥700 ℃)工艺以及硼微合金化等措施,可以得到屈服强度不超过255 MPa的冷轧用低碳热轧带钢,并生产出合格的冷轧深冲板. 相似文献
6.
7.
介绍基于遗传算法BP神经网络建立的热轧带钢力学性能预报模型,对某带钢厂产品的力学性能预测结果:与检测数据对比,屈服强度、抗拉强度、延伸率最大误差分别为2.6%,2.4%,3.1%,并提出改进措施。 相似文献
8.
9.
使用VAI-Q Strip 系统首次实现热轧带钢力学性能的全面控制 总被引:5,自引:2,他引:3
VAI-Q Strip(热轧带钢综合质量系统)是一种独特的计算机辅助质量控制系统,已在奥钢联林茨钢厂7机架热带轧机上成功实施。在1997年中期以来的稳定面连续的运行中,系统的预测功能在卷取后立即对带钢力学性能进行准确的在线预测。目前,系统的功能已扩展到可对带钢质量参数进行全自动在线控制,并且自2000年1月以来已在林茨厂热带轧机上成功运行。 相似文献
10.
介绍了达涅利实时在线带卷质量预测评估(DANIELI-CQEOnline)系统模型组件。运用该系统针对低碳钢、高碳钢、高强度低合金钢进行了大量的力学性能预测评估,系统输出数值与实际检验结果进行了对比,结果显示预测评估数值与实验结果相当吻合。 相似文献
11.
针对水梁印识别困难且工作量大问题,提出一种基于改进降噪自编码器半监督学习模型的热轧带钢水梁印识别算法。该算法在降噪自编码器(Denoising auto-encoder, DAE)的基础上对编码层的每一层添加随机噪声,在隐藏层后添加分类层,并对数据添加伪标签,在解码的同时进行分类训练,使得DAE具有半监督学习能力。通过提取热轧带钢粗轧出口温度数据中的温差特征,用相应特征对模型进行训练。实验结果表明,算法能够准确识别出带钢的水梁印,在模型精确度上,与主流分类识别模型对比,提出的模型在带标签样本数量较小时,分类精度相比其他模型高5.0%~10.0%;在带标签样本数量较大时,提出的模型分类精度达到93.8%,现场能够根据模型的识别结果提高生产效率。 相似文献
12.
GLOSP模型是以宝钢2050 mm热轧产线的实际生产数据为基础,历经10年的探索与研究,从实际应用的角度研制出的一个全局通用型热轧带钢力学性能预报模型.提出了一种GLOSP模型的适用性分析方法,该方法通过设置分组变量以剔除一些可见因素造成的干扰,并在各分组内分别对力学性能实测值、预报值与其关键自变量进行线性回归,进而根据相应线性回归系数的相似度进行模型的适用性分析.应用实践表明,该方法不仅有效,还为模型的跨产线应用提供了方便. 相似文献
13.
钢铁工业在智能制造转型升级过程中对产品性能预报技术提出了越来越高的要求。针对目前带钢力学性能预报模型普遍存在精度和适应性不高的问题,提出了一种基于改进堆叠自编码器的力学性能预报深度学习模型。结合CSP热连轧实际工艺流程,模型中设置多个分别代表不同工序的自编码器进行堆叠,同时将各工序的过程参数逐步输入对应的自编码器,实现对带钢组织演变过程的数据建模,并利用降噪自编码器(DAE)和稀疏自编码器(SAE)解决数据噪声大、过拟合等问题,提高力学性能预测精度,改善模型的适应性。结果显示,这种基于堆叠自编码器的力学性能预报模型综合性能更好。 相似文献
14.
15.
通过把轧制力方程和厚度控制方程在小范围内线性化、离散化,用递推最小二乘法辨识出系统的状态空间模型.给出了基于Kalman滤波法的最优信息融合算法,并针对热连轧这个复杂的多变量系统设计了异步信息融合估计算法.将模型用于热连轧机带钢厚度预测中,同时也预测带钢塑性系数Q.最后把实时预测出的带钢出口厚度和带钢塑性系数应用于带钢热连轧厚度控制系统,提高了带钢厚度质量. 相似文献
16.
厚度是热轧产品关键质量指标之一,带钢头部厚度预测精度直接影响自动厚度控制(AGC)的控制效果,进而影响产品质量和成材率。热轧生产过程复杂多变,大量冗余工艺特征严重影响厚度预测建模效果。为提高预测模型精度,采用层次聚类和互信息相结合的方法进行特征选择,分别基于深度神经网络(DNN)、极端梯度提升(XGBoost)、支持向量机回归(SVR)以及梯度提升决策树(GBDT)建立带钢头部厚度预测模型,通过平均绝对误差(EMA)、均方误差(EMS)、最大百分比误差(EMAP)以及决定系数(R2)对模型的泛化能力进行评估。结果表明,在所建的预测模型中,DNN预测模型具有比其他模型更优的预测精度,测试集数据的EMA、EMS、EMAP和R2分别为0.015 4、0.000 3、0.004 4、0.992 1,并有97.15%的数据预测偏差小于0.03 mm,最大偏差小于0.04 mm。最后采用机器学习模型解释方法SHAP进行特征分... 相似文献
17.
针对某钢厂冷轧工序电镀锌等钢种表现出的中间浪板形缺陷,通过长期的跟踪对比分析,认为电镀锌钢种冷轧中间浪缺陷与热连轧生产线的热轧带钢板廓凸度有关。为明确热轧带钢凸度与冷轧中间浪之间的对应关系,统计分析了热轧带钢凸度情况,表现出冷轧中间浪问题的热轧带钢凸度值C40均为50μm以上,而且现场实际生产的热轧带钢C40大于50μm的比例达到了44.07%,因此提出热轧带钢C40过大是产生冷轧中间浪的一个主要原因;分析了热轧凸度仪数据处理计算过程对实测凸度值的影响规律,并将凸度仪的在线测量值与人工离线测量值进行对比,发现离线测量凸度均大于在线测量凸度,偏差平均值为10μm左右,因此提出热轧现场凸度仪因数据处理过程中存在的误差,导致实际生产的带钢凸度较测量值偏大是产生冷轧中间浪的另一个主要原因。针对热轧产品凸度过大,综合生产稳定性、改进过渡性原则,提出了将原凸度目标50μm设定为30μm的“小凸度”控制策略,并投入工业生产实践,热轧带钢凸度得到有效控制。分别连续统计实施“小凸度”轧制策略前后各5个月的实际生产数据,发现电镀锌钢种因存在... 相似文献
18.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
19.
20.
超快冷技术是用新一代TMCP工艺理念开发低成本高性能钢铁材料的核心。热轧板带钢轧后工艺控制点温度的控制精度是保证带钢性能和质量的关键因素。基于前期开发的装备和工艺建立了超快冷自适应控制系统模型,并对模型的自适应功能进行了研究,旨在进一步提高轧后工艺控制点温度的控制精度。通过对模型结构的优化设计、模型自学习控制策略的研究及模型自学习系数加权平滑的处理,增强了模型自适应功能。该控制系统已经成功应用于热轧板带钢生产线。现场实践表明,该系统轧后工艺温度控制达到了较高的精度,为产品质量的提高及新产品的开发提供了有力的保证。 相似文献