中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型.以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MATLAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络.模型的综合采用加法和乘法两种方式.结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好.     

基于人工神经网络的CSP精轧机组轧制压力预报

采用BP人工神经网络的方法,以CSP热连轧六机架精轧机组生产实测数据为基础,建立了高精度的热连轧精轧机组轧制压力预报模型.结果表明,该模型训练平均误差分别为4.63×10-4和8.35×10-4,预报平均误差分别为±2.2%和±1.6%.     

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.     

基于人工神经网络铝箔轧机轧制力模型

彩用ＢＰ神经网络原理对１３５０ｍｍ铝箔轧机轧制数据重新处理，建立了基于人工神经网络的轧制务模型。结果表明，用人工神经网络轧制力模型的计算值与实测值相比偏差〈３％该模型较真实地反映了轧制过程的特征。     

利用BP人工神经网络实现对轧机轧制力的预测

将人工神网络与轧制力预测相结合,利用BP人工神经网络对4004铝合金轧机的轧制力进行预测,设计该预测模型并采用MATLAB神经网络工具箱加以实现,获得了较高的预测精度.     

中厚板轧制轧件头部弯曲模拟计算

在建立中厚板轧制轧件头部弯曲人工神经网络模型的基础上,计算分析了中厚板精轧过程上下辊转速比、压下率、来料厚度材质对轧件头部弯曲的影响,并给出了轧件头部弯曲控制参数下辊转速比和压下率的最优控制范围。     

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。     

中厚板生产的高精度轧制力短期自学习

针对国内大多数企业没有安装测厚仪的现状,提出了中厚板生产中无测厚仪下的高精度轧制力自学习模型.模型通过自然对数法进行厚度族的划分,并将用于轧制力自学习的变形抗力参数按照不同的厚度族进行区分,最后模型采用了指数平滑法对各个厚度族内的变形抗力参数进行处理.以高精度弹跳模型为基础,提出将末道次实际出口厚度锁定为目标值的思想进行了各道次变形抗力参数的回归.将该模型实际应用于国内某3 000 mm轧机的过程控制系统中,获得了良好的效果.     

基于实测值的自适应算法在中厚板轧制中的应用

提出了一种应用于中厚板轧制的道次间自适应算法，该算法以实测数据为基础，通过实测轧制力与实际计算轧制力的比值决定轧制力模型学习量的大小，做到了真正意义上的以实测数据来校正模型，从而使设定的模型有较好的自学习功能，并在实际应用中表现出较好的学习效果。     

中厚板残余应变的工程计算方法

对于合金元素较多的中厚板,如果采用TMCP轧制工艺,残余应变将使得轧制力的计算误差达到30%以上·分析常规变形抗力模型,将温度作为影响变形抗力模型的关键因素,并结合大量实验数据,得出残余应变的大致温度影响区间,并分析残余应变在该温度区间对中厚板变形抗力的影响,然后提出残余应变的建模方法和工程计算模型·通过在线应用证明,该模型大幅度提高了变形抗力计算精度,使得计算误差控制在7%以内·     

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     

神经网络辨识方法及其在轧钢控制中的应用

利用人工神经网络的辨识理论和方法,进行轧制过程数学模型参数的在线辨识与修正.首先对轧制压力模型和温度模型进行分析,得到适于应用神经网络进行辨识和修正的轧制模型函数形式,选择并比较最速下降、递推最小二乘及共轭梯度训练算法,实现了离线的和在线的仿真与应用.仿真结果表明,将人工神经网络应用于轧钢过程的轧制模型辨识可以大大提高模型预报精度.     

中厚板精轧过程的高精度温度预测模型

从设定模型角度结合中厚板精轧过程的工艺特点,分析了热辐射和对流、高压水除鳞、轧辊的热传导和塑性功对钢板温度变化的影响,得出如下结果:①钢板热辐射和对流过程可以简化成一维热传导方程,钢板的黑度可考虑成钢板厚度的函数;②高压水除鳞过程可以简化成半无限体平板的瞬态热传导模型;③轧辊的热传导过程可简化成两个半无限体之间的热传导过程,接触热阻的影响通过修正系数进行调节;④塑性功造成的温度变化必须考虑热功转化效率的影响·通过与实际数据的比较可以看出该模型具有很好的预测精度·     

中厚板轧制平面形状神经网络预报

通过神经网络的建模，利用实验数据对其进行训练，得到较回归数学模型精度更高的钢板平面形状外形曲线，若用MAS法控制平面形状的外形曲线，其精度更高。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

基于GA-BP的经济指标滚动递推预测模型

为了克服传统BP神经网络在经济预测中的不足,引入遗传算法对BP神经网络的权值进行训练,在此基础上建立互推递进遗传神经网络的预测模型,经实例测试表明该模型是可行的．     

中厚板平面形状控制的立轧参数神经网络识别

根据中厚板轧制过程平面形状立辊控制的原理和现场生产数据,采用人工神经网络方法,建立了立轧参数的识别模型,应用效果良好。并用该神经网络模型计算,得到了各影响因素驿立轧量设定值的影响。