人工神经网络在热轧宽厚板力学性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型，在此基础上，利用神经网络对热轧管线钢力学性能进行了预测，并将预测结果与生产数据进行了比较，同时，还利用神经网络对生产工艺参数进行了优化，计算结果表明，神经网络预测值与实测值之间接相对误差可以控制在11.6%以内，这对现场进行力学性能预测和工艺参数优化具有较强的现实意义。     

基于神经网络的热轧产品性能预报与参数优化

以实际生产数据为基础,建立热轧产品性能预报神经网络模型;通过BP网络实现逆映射,建立工艺参数设计的神经网络模块.试验结果表明,产品性能神经网络模型与工艺参数优化神经网络模型十分可靠,为解决热轧产品性能预报与工艺优化设计问题提供科学的途径.     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

宝钢2050热轧短行程控制模型研究

为提高热轧带钢短行程控制精度，将折线模型改进为光滑模型，研究了短行程控制的多项式模型和RBF神经网络模型，进行了仿真分析，并投入现场使用。     

神经网络结合数学模型预测带钢卷取温度

提出了一种与传统数学模型相结合的神经网络建模方法，用于预测热轧带钢的卷取温度。文中以实际生产数据为实例进行了计算，证明效果良好，有在线实际应用的前景。     

带钢温度模型及其自适应修正

探讨了针对热轧过程中与温度相关的各种物理现象的数学模型。在此基础上，提出了一种通过在线自适应及神经网络修正物理模型的方法，从而使带钢的计算温度更接近于实际温度。     

基于热轧工艺参数的冷轧变形抗力预报建模研究

变形抗力作为冷轧工艺设定中重要的材料和控制参数，计算精度直接影响到轧制力设定精度，继而影响带钢平坦度等质量指标的控制精度。针对变形抗力机制模型设定精度低、无法考虑热轧过程参数遗传影响等问题，采用鲸鱼优化算法(WOA)优化BP神经网络建立预测模型(WOA-BP),并通过现场收集的热、冷轧历史过程工艺参数对模型进行训练。WOA-BP模型预测结果表明，平均绝对值误差为10.42,平均绝对百分比误差为1.22,平均均方根误差为13.13,均优于BP神经网络模型，弥补了BP神经网络处理复杂的非线性问题训练时间长、预测精度低等缺点。与传统依托冷轧单工序建立的机制模型相比，考虑热轧工艺参数后，变形抗力预测误差由±15%降低至±6%,应用于L2级系统模型设定后，轧制力精度平均提高了2.09%。     

概率神经网络在热轧轧制节奏评价中的应用

将概率神经网络建模方法与预测思想相结合用于热轧轧制节奏评价,研究并建立了基于PNN神经网络的热轧轧制节奏评价模型。基于涟钢2250mm热轧厂的实测数据,将建立的PNN网络轧制节奏评价模型用于生产实际,并将结果与BP神经网络进行对比。结果表明,该模型具有便捷、快速、预测精度高、泛化能力强的特点,可代替现有的基于经验公式和经验数据的评价方法,同时为轧制节奏的优化和生产效率的提高提供了参考,具有重要的现实意义。     

热轧带钢精轧机组的厚度设定与控制新技术

综述了目前在提高厚度精度方面所采用的新技术、新方法、尤其是神经网络，模糊控制等人工智能新技术在厚度设定方面的应用。为热轧带钢精轧机组厚度设定模型的研究提供了全新的方法，促进了现场厚度控制精度进一步提高。     

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。     

基于组织 性能预测的集装箱热轧板工艺优化

 针对产品的性能要求制定合理的热轧工艺,提出将组织性能预测与控制技术应用于热轧工艺的优化设计。基于大量生产数据,建立了包含10个BP神经网络的模型组以描述化学成分、工艺和力学性能的对应关系,屈服强度、抗拉强度和伸长率的预测精度分别达到了±6%、±6%和±4%。结合多目标粒子群优化算法,针对客户对性能的需求,在化学成分和工艺约束已知的条件下,对热轧工艺进行了优化计算。工艺优化计算结果与现场生产数据吻合良好,验证了工艺优化设计的有效性,从而为热轧最优工艺设计提供指导。     

退火炉内罩中气体流动及钢卷传热的数值模拟

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%。     

BP神经网络和弹跳方程在铝热连轧厚度预报中的综合应用

采用BP神经网络方法建立了铝热连轧精轧机组出口厚度预测模型，采用试错法解决了中间隐层最佳隐层单元数的问题，采用回归法确定了轧机的相关弹性系数，建立了轧机的弹跳方程数学模型。通过比较有、无传统弹跳方程数学模型输入的神经网络厚度预测模型，确定了弹跳方程对神经网络在热连轧厚度预报应用中的重要性，提出了BP神经网络与数学模型相结合的综合网络方法。相比全部使用整体神经网络，中间隐层最佳隐层单元数减小，网络结构得以简化，网络负担减小，网络的泛化能力也得到加强，同时也进一步提高了预报精度。预测结果与实测数据对比表明，相对误差在1％以内，实现了高精度预报，为铝热连轧出口厚度预报提供了一条准确高效的新途径。     

基于神经元网络和粒子群优化算法的轧制工艺—性能优化

为了达到厚板生产中的强度和屈强比等性能指标,本文在用神经元网络对屈服强度和抗拉强度建模的基础上,结合粒子群优化算法对粗轧开轧温度、中间坯厚度、终轧温度、终冷温度及冷却速率等生产工艺参数进行了优化。优化结果与实验室热轧实验及工业试生产结果的对比表明,本模型能有效地优化厚板生产过程的工艺参数,从而为优化工艺或柔性化生产工艺的设计提供指导。     

神经网络在冷轧301S不锈钢极薄带材表面硬度预测中的应用

 基于现场生产冷轧极薄不锈钢带材表面硬度极难控制的问题,针对301S不锈钢的冷轧生产工艺进行了研究,分析了不锈钢冷轧生产过程中影响表面硬度的相关工艺参数,得出材料的抗拉强度、轧制速度、轧制油温度和压下率是影响轧后材料表面硬度的关键因素。利用BP神经网络建立了预测表面硬度的非线性映射模型,并根据此模型得出了预测数据的趋势图谱。研究结果表明,压下率的变化对冷轧不锈钢表面硬度的调节能力最强,而其他参数对硬度的影响为10HV左右。经检验,模型的预测值和实测值的相对误差为-2.63%~2.76%,预测结果准确率高,可以用于产品质量的现场在线控制。     

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。