基于数据挖掘的冷轧轧制力优化方法研究

针对广泛应用的Bland-Ford-Hill冷轧轧制力工艺模型,通过挖掘现场实际数据隐含的规律,对其变形抗力和摩擦因数的模型参数进行优化,以提高轧制力计算精度。首先,推导由轧制力计算变形抗力和摩擦因数的逆计算算法,采用L-M非线性多项式回归方法对变形抗力和摩擦因数的模型参数进行优化回归计算,建立轧制力优化算法;然后,根据现场海量的实际数据,采用数据挖掘的方法,使用上述优化方法计算更加符合现场实际的变形抗力和摩擦因数的模型参数。优化结果在线运行后,轧制力精度明显提高。     

轧制力优化对20辊冷轧硅钢厚度精度的影响

轧制力是影响冷轧带钢厚度精度的关键因素。为实现高精度的冷轧带钢厚度控制,通过优化变形抗力模型参数和摩擦系数模型参数提高冷轧轧制力模型计算精度,并使用指数平滑法的自学习算法保证轧制力精度的稳定性。在首钢股份公司迁安钢铁公司20辊森基米尔轧机生产线进行S12硅钢钢种轧制力优化试验,将优化的模型参数应用于L2并投入现场生产,结果表明该优化方法不仅提高了轧制力设定精度,而且减小了冷轧硅钢的厚度超差长度,提高了成材率。     

热轧相变过程变形抗力模型研究与开发

 对精轧阶段存在相变的热轧钢种,因变形抗力随轧制温度的变化规律与常规的奥氏体轧制钢种显著不同,使得传统变形抗力模型的预报误差较大,严重影响这类钢种的轧制稳定性。为此,研发了一种热轧相变过程变形抗力模型,通过在原变形抗力模型基础上添加一个新的相变趋势项,该修正项为轧制温度的二次多项式函数,并根据钢种分类来精细优化适应不同钢种轧制的多项式待定参数。该模型目前已成功应用于涟钢CSP热连轧生产线变形抗力在线计算,实际生产应用表明,新模型上线后,变形抗力与轧制力的预报精度显著提高,轧制力模型预报误差12%以内的比例从83.3%提高到96.7%,满足了热连轧精轧相变带钢的稳定生产要求。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

提高冷轧过程控制轧制力模型的设定精度

选择考虑冷轧带钢轧制过程变形区金属塑性变形和入、出口弹性变形的Bland—Ford—Hill模型作为冷轧过程控制轧制力模型并进行分析,确定出变形抗力和摩擦系数是影响轧制力最主要的两个因素。提出用间接法（变形抗力模型和摩擦系数模型的白适应学习）和直接法（轧制力模型本身的自适应学习）来提高轧制力模型的设定精度。实际应用结果表明,上述两种方法的综合效果使轧制力模型设定精度明显提高且性能稳定,可满足在线控制的需求。     

提高轧制力设定精度的一种离线优化方法

轧制力参数设定是轧机设定模型的核心参数之一,对决定成品卷的厚度精度及板型质量至关重要。京唐酸轧二级模型计算轧制力时采用Bland-Ford-Hill公式,经分析确定影响轧制力计算精度的参数主要为变形抗力和摩擦力因数。因此提出了一种利用特定钢种的初始历史实际轧制数据离线调整其变形抗力和摩擦力因数的方法,从而提高本钢种在线轧制力模型的设定精度。实际应用表明,使用通过此方法优化后的变形抗力和摩擦力参数计算轧制力,轧制力设定模型的精度得到了明显提高,能够满足在线控制需求。     

冷轧变形抗力模型研究

冷轧轧制力计算模型是过程控制的核心和基础,而轧制力计算的基础为变形抗力,因此提高变形抗力计算精度是提高轧制力计算精度的一条有效途径。为此,笔者首先通过实际轧制力数据反算变形抗力,然后使用数据分析软件对变形抗力进行曲线拟合。由于根据曲线拟合公式计算出的轧制力与实际轧制力存在差距,因此为了提高轧制力的设定精度,根据带钢压下率对轧制力进行了补偿。现场实际应用证明,这种方法能有效提高轧制力设定精度。     

一种改进的板带在线控制算法的研究

为了提高板带轧制力的计算速度和计算精度,提出了离散块元法。该法是将变形区划分为有限离散单元,考虑剪切变形作用,经BP神经网络训练获取其各种工况下的剪切变形因数模型而建立的高速计算模型,在平面变形条件下实现了对板带轧制力的预测,经该方法建立的轧制力计算模型具有较高的计算精度和计算速度,并在现场中得到了应用。     

基于遗传神经网络的不锈钢带冷轧轧制力模型

 为了提高工厂从国外引进的以Bland Ford公式为基础的冷轧不锈钢带轧制力模型的计算精度,将基于遗传算法的BP神经网络与现有变形阻力和轧制压力解析数学模型相结合,建立了变形阻力和轧制压力修正模型。将在生产现场采集的部分过程记录数据,进行分类和预处理后作为训练样本用于训练遗传神经网络模型。将其他现场实测数据用于验证所建的轧制力模型,计算结果表明所建的轧制力模型具有较高的计算精度。     

基于BP神经网络斜轧穿孔轧制力的预测

借助Matlab工具箱中BP神经网络,对斜轧穿孔区轧制力进行预测。通过分析影响轧制力预报精度的因素及网络性能,确定了网络结构、有关参数和网络训练算法(优化BP算法),实现了轧制力的精确快速预报,预报相对误差1.67%～6.33%,平均3.735%,满足了工程计算的精度要求。     

冷连轧变形抗力模型的优化

采用原始静态变形抗力模型,并考虑入口、出口弹性变形轧制力对模型的道次影响系数,进行计算优化,建立了1个优化的变形抗力模型。2种模型的对比表明,优化的模型精度更高,提高了轧制力的计算精度。     

运用动态BP网络和数学模型预测热轧变形抗力

为了提高变形抗力预测精度,针对传统热轧变形抗力模型的固有缺陷,提出一种将动态BP神经网络与数学模型相结合的新方法.大量实验数据表明,采用这种方法,预测结果的相对误差在±6%以内,预测精度优于传统方法.     

利用人工神经网络预测钢板性能

基于神经网络原理，采用BP算法训练网络，建立热轧控制参数(轧制温度，化学成分，变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明，将神经网络模型应用于热轧控制预报，具有一定的现实意义。     

基于深度学习的热连轧轧制力预测

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%。     

基于神经网络的轧制力预报系统开发

为解决利用传统方法难以解决的轧钢过程控制,开发出基于BP神经网络的钢材轧制力预报系统软件.该预测程序是基于VC++6.0,Matlab和数据库混合编程技术基础上完成的,程序设计的核心是应用BP网络预报钢材的变形抗力,然后结合轧制力数学模型计算轧制力,最后提出了该系统在热轧生产中的在线应用方案.     

极限学习机在中厚板轧制力预报中的应用

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%。     

马钢CSP生产线MGW1300电工钢变形抗力研究

针对马鞍山钢铁股份有限公司CSP生产线7机架连轧机轧制MGW1300电工钢产品时出现的轧制力设定值与实测轧制力误差较大的问题,对影响轧制力的主要因素--变形抗力进行了研究,提出通过保证良好的板凸度指标来间接修正变形抗力理论计算值的新方法.首先根据实测轧制力采用西姆斯公式计算变形抗力初始值,然后利用三维有限元模型对变形抗力初始值进行迭代修正,使板凸度误差达到5%以内.现场应用表明,在MGW1300产品轧制过程中,用该方法得到的变形抗力修正值,提高了在线轧制力预设定模型的预设定精度,减小了厚度波动,改善了板形质量,为电工钢稳定生产提供了保证.     

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。     

多辊轧机轧制力能参数计算系统开发及应用

在研究传统与现代的各种计算模型与方法的基础上,开发了针对4辊、6辊、8辊及20辊轧机等多种机型且适用于冷、热轧多种轧制形式的力能参数计算系统。系统中引入了轧制规程预设定、等功率校正、金属热轧、冷轧变形阻力数据库等模型。轧制力能参数预报精度大大提高。经过现场测试及使用,轧制力能参数预报精度误差为10%左右,对生产实践具有一定参考价值。概要介绍了该系统的开发、应用及效果。     

一种新型的基于最小二乘回归St14钢变形抗力模型的方法

冷连轧的主要工艺参数为轧制力和前滑,而轧制力和前滑设定计算的精度取决于轧件的变形抗力和摩擦因数的精度,变形程度是影响变形抗力的一个重要因素,将所选变形抗力回归模型经过取对数等变换成线性函数,以鞍钢生产的St14钢为例,利用现场实际数据通过最小二乘来逐次拟合变形抗力回归模型中的系数。在同一轧制条件下,摩擦因数用3种不同的获得方法,其中前2种是由实测前滑值反算得到的,以使所得模型能够很好地与实际生产的数据相吻合。用回归出的3种不同变形抗力模型,分别带入轧制力迭代公式进行计算,所得轧制力基本与实测轧制力相符,其中由斯通公式拟合出的变形抗力回归模型计算出的轧制力平均误差很小,由此可以选出最优的变形抗力模型来应用于实际生产中轧制力和前滑的预设定。