基于线型激光的热轧带钢表面在线检测系统

针对基于面阵CCD摄像机的热轧带钢表面缺陷检测系统所存在的问题,提出采用线阵CCD摄像机作为热轧带钢的表面图像采集装置,将激光线光源作为照明光源,解决了高温环境下的远距离均匀照明问题.采用这种图像采集方式可以使系统的精度达到0.5mm以上.针对热轧带钢表面存在的氧化铁皮、水及光照不均等问题,提出了对于不同缺陷类型建立单独的缺陷检测算法的思想.目前已经建立了纵裂与边裂的检测算法,对这两类缺陷的检出率达95%以上.     

基于MA-FOSELM-OTF的海洋养殖环境数据在线预测

为降低过时海洋养殖环境数据对后续学习的影响和解决单一模型随机初始化输入权重的问题,提出一种基于MA-FOSELM-OTF的海洋养殖环境在线预测模型.采用模型平均化(model averaging, MA)算法对全在线顺序极限学习机(fully online sequential extreme learning machine, FOSELM)进行集成,以降低输入权重初始化引起的随机性;在FOSELM中引入过时遗忘机制(obsolete to forget, OTF),对过时的数据进行遗忘加权,降低其对顺序学习的影响;利用FOSELM递推计算所得输出结果集成所有输出结果,取其平均值作为MA-FOSELM-OTF在线预测模型的最终输出.结果表明,MA-FOSELM-OTF在海洋养殖环境数据在线预测任务中的预测性能优于其他对比模型,可为海洋养殖预警平台提供参考.     

基于随机森林的热轧带钢质量分析与预测方法

以某钢铁企业的热轧带钢生产实际数据作为分析对象,基于改进的随机森林算法分析工艺参数与产品质量间的隐含关系,进行影响产品质量关键工艺参数的特征提取,建立热轧带钢产品缺陷预测模型.实验结果表明,对非平衡数据集进行平衡处理可以提高样本预测精度;采用CART与C4.5相结合的方法比单一方法可以进一步提升预测精度;同时根据特征的高相关与低相关特性,将互信息作为评价指标应用于特征选择,可以提升随机森林算法的分类效果.在以上三种改进策略下,热轧带钢缺陷的识别率得到明显提高.     

基于信息融合的带钢厚度预测控制

通过把轧制力方程和厚度控制方程在小范围内线性化、离散化,用递推最小二乘法辨识出系统的状态空间模型.给出了基于Kalman滤波法的最优信息融合算法,并针对热连轧这个复杂的多变量系统设计了异步信息融合估计算法.将模型用于热连轧机带钢厚度预测中,同时也预测带钢塑性系数Q.最后把实时预测出的带钢出口厚度和带钢塑性系数应用于带钢热连轧厚度控制系统,提高了带钢厚度质量.     

减少热轧带钢氧化铁皮的对策

结合济钢1700热连轧厂带钢氧化铁皮的现状,对热轧带钢氧化铁皮进行形貌观察、成分分析。通过对热轧带钢氧化铁皮形成的原因进行分析,提出减少热轧带钢氧化铁皮的措施。     

热轧带钢轧后冷却控制系统优化

为提高热轧带钢超快冷出口温度和卷取温度控制精度,针对超快冷生产调试过程中出现的问题,对轧后冷却控制系统进行了优化.针对超快冷出口纵向温度偏差较大的问题,提出超快冷换热系数多点自学习方法;采用有限差分方法,分析带钢超快速冷却后的返红现象,并在此基础上提出一种超快冷出口返红补偿方法;提出了对进入冷却区的带钢样本段进行温度再计算的方法,来消除速度波动对轧后冷却温度控制精度的影响.现场应用结果表明,优化后超快冷出口温度和卷取温度控制精度均明显提高.     

基于GA-BP神经网络与敏感性分析的带钢厚度预测

为提高带钢厚度预测精度,构建了融合GA-BP神经网络和敏感性分析的T-GA-BP预测模型。首先通过循环迭代方式确定较优的BP神经网络隐含层的层数与节点数,再采用遗传算法对BP网络的权阈值进行优化。在此基础上,利用Tchaban算法进行敏感性分析,研究输入层中各工艺参数对带钢厚度的影响程度,筛选出重要参数作为新的输入样本来训练T-GA-BP神经网络模型,以降低网络复杂度。采用实际生产数据进行测试,结果表明,T-GA-BP模型的带钢厚度预测精度要高于BP、GA-BP、RBF、Elman神经网络等其他优化模型。同时,工艺参数敏感性分析结果可为轧制工艺调控方案的制定提供参考。     

热轧带钢轧后冷却控制及其自学习方法

热轧带钢轧后冷却过程中卷取温度的控制精度是保证带钢表面质量和板形良好的一个关键因素,因此温度控制精度的核心是冷却过程控制模型的建立,同时新的数学模型应该具有自学习功能以提高控制精度.以此为出发点,建立了具有非线性结构特征的热轧带钢冷却过程控制的数学模型,并对新模型的自学习能力进行了研究,使该模型能够不断地修正其关键参数以提高温度控制精度,从而增强了模型的自适应性.通过对该冷却过程数学模型的现场实际应用,验证了该冷却数学模型的卷取温度控制能够达到较高的精度,为提高带钢产品质量奠定了基础.     

复杂制造系统中的热轧带钢力学性能预测的深度学习模型

钢铁工业向智能制造转型升级过程中对相关模型的精度提出了更高的要求,传统的热轧板带力学性能预测模型已很难满足现场需要,基于多层网络的深度学习模型在实际应用中往往受到数据不足、调参困难等限制,而且选择的有限个离散工艺参数很难准确反映板带的实际加工过程。为了应对这些问题,本文提出了一种新的基于gcForest框架的板带力学性能输入数据采样方法,该方法根据热轧板带生产这类工序流程复杂且工艺路径及参数对产品质量异常敏感的特点,设计了一种基于时间-温度-形变的三维连续时序过程数据采样方式,并将多粒度扫描得到的局部历程信息与板坯的基础信息（化学成分和典型工艺参数）进行融合,使下一环节的输入同时具备局部特征和全局特征;此外,在多粒度扫描结构中设计了可变窗口的子采样方案,使具有不同维度的输入数据通过多粒度扫描结构后能够得到相同维度的输出特征,使级联森林结构能够的正常训练。最后,在3个钢种的实际生产数据上进行实验评估,结果表明,这种基于gcForest的力学性能预报模型综合性能更好,而且调参容易,在样本较少的情况下也能保持很高的预测精度。     

基于结构自组织ELM的铝热连轧轧制力预测

轧制力在铝热连轧中起着重要作用,针对热轧过程中的非线性、参数强耦合性等因素使得其难以建模的问题.本文提出一种具有拓扑结构自组织的极限学习机(Topology Self-Organizing Extreme learning machine,TSO-ELM)算法,解决了ELM的结构设计问题,实现了结构和参数的自组织.根据现场数据,使用TSO-ELM算法进行铝热连轧轧制力预测,结果表明该算法与人工蜂群算法优化反向传播神经网络(Artificial bee colony algorithm optimized Back-propagation neural network,ABC-BP)和增强型增量极限学习机(Enhanced random search based incremental extreme learning machine,EI-ELM)算法对比,其训练速度和精度都得到了一定的提高.     

基于卷积神经网络的热轧带钢力学性能预报

为解决热轧带钢力学性能预报精度的问题,本文提出了一种将一维数值型数据转换为二维图像型数据的建模方法,基于LeNet-5和GoogLeNet卷积神经网络,构建了一种新型的热轧带钢力学性能预报模型,并利用实际生产数据对模型的适用性进行了测试。结果表明,所建模型的抗拉强度预报误差为2.49%,均方根误差为19.15 MPa,预测精度高于BP神经网络和单独的LeNet-5和GoogleNet卷积神经网络模型,所建模型的有效性和准确性均得到了验证。     

基于减法聚类的带钢厚度数据驱动建模

针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象,提出了一种基于减法聚类的带钢厚度数据驱动在线建模方法.首先通过减法聚类将输入空间划分为一些小的局部空间,在每个局部空间中用最小二乘支持向量机建立子模型,子模型加权输出作为带钢厚度的离线模型;然后当在线数据不断增加时,通过在线减法聚类算法实时调整局部空间,子模型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识,子模型的预测输出作为模型的最后输出.实验结果表明,该方法具有良好的预测精度和较强的在线学习能力.     

SS400热轧板结疤缺陷的成因分析

采用金相分析法,对某厂生产的SS400热轧板结疤缺陷的成因进行了分析.结果表明,该类型热轧板的结疤缺陷成因是由于加热炉工艺制度不合理造成的.通过对加热炉负荷、加热时间和铸坯温度等进行调整,使该类缺陷得到了有效控制,且缺陷发生率明显降低.     

基于贝叶斯神经网络的带钢厚度预测与控制

采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量.     

基于小波神经网络的船舶运动预报

利用残值学习算法进行小波节点的选择,利用Akaike 准则确定预测模型的结构,采用误差反传方法在线调整网络连接参数.通过建立的自适应神经网络模型有效辨识船舶操纵运动动态.船舶航向预报仿真结果显示,基于小波神经网络的船舶航向预测器可以较高精度预报船舶操纵运动过程中船舶航向的变化.     

基于改进集成学习算法的在线空气质量预测

为了实现空气质量的在线预测,提出了一种基于XGBoost算法的改进集成学习算法OPGBoost。首先对PI(plant information)实时数据库系统进行二次开发,构成大数据挖掘与分析平台,运用数据融合工具对原始数据进行预处理,并采用Boruta算法进行特征选择,从而构造出包含更多属性特征量的有效数据集。然后对XGBoost算法中的一阶和二阶导数进行优化,并通过时间滑动窗口和衰减函数机制获取训练数据以及训练模型的权重,最后采用Bagging集成学习策略构成OPGBoost组合模型。实验结果表明,针对基于PM2.5浓度和AQI表征的空气质量预测,本文方法与4种已有算法相比在准确性和实用性方面具有明显的优势,能够较精确地预测未来1、12、24h的空气污染情况。