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     

遗传算法优化神经网络的热轧带钢弯辊力预报模型

针对传统弯辊力预设定模型的缺陷和带钢热连轧轧制特点，利用某钢铁公司1580mm热轧线生产数据，对精轧机组末机架进行了基于遗传算法优化神经网络的弯辊力预报模型研究.以大量实际数据作为神经网络训练输入，充分考虑了输入参数之间的影响作用，模型结构简单、容易实现，其整体性能用平均绝对百分误差、均方根误差和相关系数R评价.通过将预测结果与实测结果比较，验证了模型的精度.研究发现，提出的弯辊力预测模型相比于传统模型可实现高度非线性拟合，适用于提高热轧带钢头部板形控制精度，为实际弯辊力设定提供指导和试验基础.     

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·     

基于小波分析的多RBF神经网络轧制力设定模型

带钢热连轧生产过程中,轧制力预设定时的轧制力信号影响因素多、关联复杂,难以建立精确的机理模型.为此,文中应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的子信号,并建立了一个多RBF神经网络模型.模型中每个子网络分别对一个子信号进行建模,最后将各子网络输出综合为轧制力设定信号.各个子信号的影响因素不同,每个子模型输入参数和输出参数亦不同,从而能真实地反映轧制力变化的内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP神经网络的10%降低到了5%.     

基于自适应模糊神经系统的热轧精轧机组动态设定系统

应用自适应模糊神经网络控制技术,建立了热带精轧机组动态设定系统,该系统根据前两个机架实测的轧制力和设定计算的轧制力间误差预测带钢可能出现的厚度偏差,根据模糊神经网络的预测结果修正后续机架的辊缝值,提高带钢头部厚度精度·文中以实际数据对系统进行了校验,取得了良好的效果·基于自适应模糊神经系统的热轧精轧机组动态设定系统@张晓峰@王哲@王国栋@刘相华     

基于小波多分辨分析的新型多RBF网络轧制力设定模型

带钢热连轧生产过程中,影响因素多、关联复杂,轧制过程控制的精确模型难以建立,其中轧制力的预设定是重要问题之一,各种影响因素都会在轧制力的波动中有所体现.本文应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的不同频率成分子信号,并建立了一个多RBF网络模型,模型中每个子网络分别对一个信号成分进行建模,最后子网络输出被综合为轧制力设定信号.因为各个子信号影响因素不同,所以每个子模型输入参数不同，输出参数也不同,能真实地反映轧制力变化内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP网络的10％降低到了5％.     

基于多模态和加权支持向量机的热轧轧制力智能预报

为了提高热轧生产过程精轧机组的轧制力预设定精度,需要对轧制力进行高精度的预报.本文通过机理公式计算出轧制力的近似值,然后采集大量的实际生产数据修正轧制力预报值.首先利用聚类方法区分不同的生产状态,其次在相同生产状态下采用加权最小二乘支持向量机计算轧制力的修正系数,最后采用乘法方式修正轧制力,达到高精度的轧制力预测.结果表明,轧制力预报的平均相对误差为3.2%,满足现场的生产要求.     

热轧非稳态过程轧制力自学习模型优化

为提高热连轧非稳态过程轧制力的预测精度,提出了一种轧制力自学习模型优化方法. 将模型自学习系数分解为层别学习系数和轧制状态学习系数,表征机架间轧制力预报偏差的遗传特性及实际轧辊状态对模型预报的影响.在系数更新过程中,根据层别距离分别对学习系数进行更新,减小了轧制规格切换时轧制力的预报误差.所提方法已成功应用于某热连轧过程,与原模型相比,优化后的自学习方法的预测偏差从2.8%降低到1.4%,均方差从3.3%降低到1.7%,有效提高了非稳态过程轧制力的预测精度和鲁棒性.     

热轧带钢精轧过程高精度轧制力预测模型

轧制力模型的计算精度直接影响热轧带钢厚度控制精度,目前大多数轧制力模型都把轧制压力分解成应力状态影响系数和变形抗力的乘积.选用与西姆斯公式吻合较好美坂佳助公式作为应力状态影响系数模型,并考虑残余应变的影响,建立了高精度轧制力预测模型.分析了残余应变对普碳钢和合金钢轧制力的影响,给出了带钢热连轧机组残余应变工程计算方法.现场应用结果表明,该轧制力模型具有较高的预测精度,可以满足在线要求.     

基于神经网络与线性回归的轧制力预报

通过将SIMS轧制力计算公式进行相应简约化处理,避免了模型软件在该公式计算时的重复迭代求解,缩短了计算时间,因此更适合在线软件计算.利用现场实际生产数据反向回归出变形抗力模型中的系数,提高了模型中系数的准确性.用神经网络对变形抗力与应力状态系数的乘积加以修正,进一步提高了轧制力预报的精度.预测结果与实测数据比较表明,轧制力预报误差基本在±5％以内,满足了轧制力预报的精度要求.     

热连轧精轧机组预设定和自适应研究

以某厂热连轧精轧设定模块为研究对象,在其原有设定模型中添加了另外一种变形抗力模型,通过计算机编写程序,创建回归系数文件,修改输入计算模块,用新添加变形抗力模型回归过的钢种系数对现场生产中与其相近的钢种进行设定计算,比较变形抗力模型添加前后的轧制力预测值偏差。结果表明:添加变形抗力模型后的轧制力计算可以得到比较满意的精度;平滑系数在自适应学习中是十分关键的影响因素,在总结了精轧机组自适应模块中平滑系数的影响因素后,建立平滑系数的动态优化模型,通过编程读取实测数据计算轧制力,比较优化前后的轧制力误差,结果表明对于精轧机组自适应过程,动态优化平滑系数更有助于提高轧制力模型预报精度。     

模糊小脑模型神经网络在多辊冷连轧机轧制力预报模型中的应用

针对宽带钢多辊冷连轧机组特点,为提高轧制力的预报精度,在结合传统轧制压力模型的基础上把模糊算法和神经网络有机结合,设计出基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型.通过对传统轧制力模型计算值、小脑模型预报计算值与实测值进行对比分析可知,基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型具有较高的计算精度,更适合于多辊轧机在线计算机过程控制的应用,满足现场在线生产的要求,取得良好的板形板厚控制效果.     

基于GRNN的中厚板轧机压力预测模型

为了实现中厚板轧机在轧制过程中的压力变化自动预测和控制,分析了轧制过程中压力变化的影响因素,在神经网络技术和现场实测数据的基础上,利用Matlab人工神经网络工具箱,应用广义回归神经网络建立压力变化预测模型来提高轧制压力变化预测的精度.经过对现场实测数据的处理,分析了工作辊直径和初始板坯宽度对轧制压力网络模型精度的影响.指出随着工作辊直径的增大,网络的精度逐渐降低;随着选用初始板坯宽度的增大,网络模型的精度逐渐增高.结果表明:该方法建立的模型可以实现对压力变化的预测,且预测精度有较大提高.     

热连轧机轧制力和轧制力矩模型研究

研究了一种适用于热连轧机的新型高精度轧制力和轧制力矩模型,建立了一个轧制力功系数和轧制力矩功系数的新型指数公式,将两个系数的表达式统一起来,仅含"压下率"和"压扁半径与出口厚度之比"两个影响因子,形式简洁,物理意义明显.给出了新型指数公式中待定参数的确定方法,求得的待定参数值对不同钢种和不同精轧机架具有通用性.预测实践表明,新型轧制力和轧制力矩模型提高了热连轧过程中轧制力和轧制力矩的预报精度,可用于热轧板带生产线精轧机架的在线控制.     

带钢热连轧过程轧制力有限元模拟

应用DEFORM-2D软件对带钢热连轧过程的轧制力进行了有限元模拟,并与宝钢轧制力模型进行了比较。模拟结果表明,有限元模型计算的轧制力与现场实测数据接近,且计算精度高于宝钢轧制力模型,该模拟对现场轧制工艺参数的调整优化有重要的参考价值。     

BP神经网络预测高水分农产品物料比热的探索

高水分农产品物料的比热是农产品加工工程研究和农产品加工设备设计中的重要热特性参数之一．预测精度关系到所设计加工设备的质量、性能的优劣．本文建立了高水分农产品物料比热的ＢＰ神经网络模型,比较了二元回归模型和ＢＰ神经网络模型对高水分农产品物料比热的预测效果,得到ＢＰ神经网络模型的预测精度高于二元回归模型．     

基于人工神经网络的扁钢轧制力模型

根据ＢＰ人工神经网络算法原理,结合某厂型钢轧机轧制扁钢时的轧制力实测数据,对扁钢轧制力进行建模,结果表明,神经网络用于轧制力建模是可行的,所建模型系统误差〈１％,模型计算值与实测值的偏差,４％,较好地反映了实际轧制过程的特征。     

基于神经网络的冷连轧机轧制力预报模型

为了提高冷连轧机轧制力预报精度，提出一种解析数学模型结合神经网络校正模型的计算方法，建立冷连轧机轧制力预报模型。采用径向基函数的局部映射和全局线性映射相结合的神经网络校正模型求解带钢变形抗力和轧制变形区的摩擦因数；并采用轧制变形区离散化方法分析轧制变形区内张力、摩擦力及金属变形抗力等在带钢轧制方向上的分布规律，从而建立轧制力在线计算数学模型。现场实测数据离线仿真结果表明，采用此基于神经网络的冷连轧机轧制力预报模型预测轧制力，其预测误差小于8．9％，此模型能用于指导生产实践。     

热轧机组轧制负荷的自适应模糊预测

针对传统轧制负荷模型的固有缺陷，为了提高精轧机组轧制负荷预设定精度，提出一种将基于误差反馈和专家经验的闭环模糊控制引入轧制负荷预测系统中的新方法，用于修正预测输出、提高预测精度和鲁棒性的设想。离线仿真表明：采用本文所述的方法，预测精度优于传统方法。预测结果的相对误差限制在5%以内。     

BP神经网络预测高水分农产品物料比热的探索

高水分农产品物料的比热是农产品加工工程研究和农产品加工设备设计中的重要热特性参数之一。预测精度关系到所设计加工设备的质量、性能的优劣。本文建立了高水分农产品物料比热的ＢＰ神经网络模型,比较了二元回归模型和ＢＰ神经网络模型对高水分农产品物料比热的预测效果,得到ＢＰ神经网络模型的预测精度高于二元回归模型。