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.     

神经模糊组合预报冷连轧机轧制力

采用Elman动态递归网络方法,以生产实测数据为基础,建立了冷连轧机轧制力预报模型。在此基础上,提出了将基于误差反馈和专家经验的闭环模糊控制引入轧制力预报中,用于修正预报输出、提高预报精度和鲁棒性的设想。仿真结果表明,该方法是有效的,预报精度优于传统方法。预报结果的相对误差限制在±4%以内,实现了冷连轧机轧制力的高精度预报。     

扩展卡尔曼滤波在中厚板轧制道次修正中的应用

大量中厚板轧制的现场实践表明,高精度的厚度尺寸必须通过稳定的在线道次辊缝修正获得.扩展卡尔曼滤波在轧制道次修正中的应用,不但解决了仪表反馈数据的处理问题,并为道次状态的更新提供了一个更为精确的预报模型.对轧制过程中主要模型进行线性化的推导,使得该预报模型可以准确地预报轧制过程中的关键参数,并可通过这些关键参数计算出后续道次的辊缝修正值.研究结果应用于安钢中板厂后,厚度控制命中率提高了14.2%     

基于人工神经网络的中厚板精轧机轧制力预报

采用人工神经网络方法,以生产实测数据为基础,建立了高精度的中厚板精轧机轧制力预报模型。     

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.     

修正遗传神经网络预测中厚板轧机轧制力

在实际生产过程中,传统轧制力数学模型存在较大误差,影响计算精度.提出将BP网络与修正遗传算法相结合,利用BP网络的指导性搜索思想和遗传算法的全局搜索能力预测中厚板轧机轧制力,并建立预测模型.同时,根据模型编制相应的程序及界面.以邯钢中板厂、普阳中板厂现场数据为基础,通过数据优选,选择较优数据进行离线轧制力预测,预测精度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,能够满足生产需要.     

单位宽度轧制力对热轧带钢凸度的影响规律

为了建立高精度的热轧带钢凸度计算数学模型 ,根据带钢凸度计算理论 ,采用影响函数法开发了四辊轧机带钢凸度影响率计算软件 ,系统地分析了单位宽度轧制力、轧辊直径和压下量对单位宽度轧制力影响率的影响规律·结果表明单位宽度轧制力影响率随带钢宽度的增加呈抛物线变化 ;轧辊直径和压下量对单位宽度轧制力影响率有一定的影响 ;建立了高精度单位宽度轧制力影响率的数学模型 ,确定了单位宽度轧制力影响率基本值及工作辊直径、支撑辊直径、压下量对单位宽度轧制力影响率修正系数的 6次拟合系数 ,为板形控制系统模型的建立及参数优化提供了理论依据     

带钢热连轧换规格轧制力自学习优化

热连轧带钢生产过程中,轧制力预报精度直接影响到带钢厚度的精度,而轧制力预报精度很大程度上依赖于轧制力自学习.针对换规格时轧制力预报精度偏低的问题,通过对产生轧制力偏差的原因分析,引入基于钢种变形抗力的抛物线偏差曲线的概念、机架设备自学习系数和机架设备状态影响系数.现场实际应用效果表明:换规格后的首块钢的轧制力预报精度与传统方法相比,带钢头部的轧制力预报相对误差减小4%,满足自动厚度控制系统的控制要求,提高了带钢的产品质量,取得了良好的经济价值,适于工业推广.     

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.     

冷连轧过程控制轧制力模型综合参数自适应

轧制力模型是冷连轧过程控制系统的基本模型,影响其预报精度的主要因素是材料的变形抗力和摩擦因数. 本文采用参数自适应方法来提高轧制力的预报精度. 在对轧制力模型进行自适应过程中,将材料的变形抗力作为轧制过程模型的整体属性,各机架根据累计变形程度确定各自的变形抗力. 在此基础上,将摩擦因数看成是各机架的单体属性,各机架取不同的模型参数. 实践证明,这种综合考虑变形抗力和摩擦因数的参数自适应方法可以对二个参数同时进行修正,能有效提高轧制力模型的预报精度.     

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。     

角平分屈服准则解析热轧厚板展宽轧制力

根据厚板轧制变形特点,提出了适用于展宽轧制阶段的二维流函数速度场。利用角平分屈服准则对提出的速度场进行解析求得了内部变形功率表达式。采用共线矢量内积法与积分中值定理分别求得了摩擦功率与剪切功率表达式。经总功率泛函最小化获得了轧制力矩与轧制力的解析解。与国内某厂320 mm板坯的实际轧制数据比较表明,该解析解具有较高的预测精度,最大误差不超过10.45%。轧制工艺参数分析表明,随着压下率的增加或几何因子的减小,轧制力矩与轧制力增加;摩擦系数对轧制力矩和轧制力的影响较小。     

冷连轧机轧制力在线计算模型

通过将轧制变形区离散化的方法,在考虑变形区内横截面上张应力、摩擦应力等影响因素沿带钢轧制方向分布规律及其与带钢厚度及压下量的关系的基础上,采用数学模型和神经网络相结合的方法计算了金属变形抗力,建立了冷连轧机轧制力在线计算数学模型. 经大型工业轧机生产实践数据检验,该冷连轧机在线轧制力计算模型预报误差控制在6.1%以内,满足模型在线控制要求,可提高在线控制轧制力模型的计算精度.     

20MnSi钢静态再结晶模型及其在棒材热连轧中的应用

开发出20MnSi钢的静态再结晶数学模型,与实测相比该模型不但具有较高的精度,而且与棒材热连轧时变形奥氏体的再结晶规律符合得较好;本文阐述了该模型在控制轧后铁素体的晶体大小及轧制力能参数预报等方面在生产实际中的成功运用。     

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.     

偏心轴类零件楔横轧轧制区轧制力差的影响因素

两轧辊在轧制区的轧制力不对称性是偏心轴类零件两辊楔横轧轧制成形的一个显著特征. 利用有限元法计算了偏心轴类零件楔横轧成形中轧制区轧制力差,并对其影响因素进行了较为系统全面的分析,阐明了影响因素对轧制力差的影响机理,最后还综合分析了各影响因素对轧制力差的影响程度.     

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。     

薄板冷轧过程中宽展的变化规律及其影响因素

基于金属流动原理,采用显式动力学有限元软件ANSYS/LS-DYNA模拟薄板轧制过程,研究轧制力、摩擦系数、压下率对轧件宽展变化的影响。结果表明,摩擦系数越大,轧件宽展也越大;轧件的最大宽展随着轧制力的增加而增大,轧制力对轧件后端部分宽展影响程度较大;压下率增大,轧件宽展随之增大,轧件各部分宽展的不均匀程度也在增加。