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.     

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。     

基于海洋捕食者算法和ELM的空气质量指数预测

针对极限学习机(Extreme Learning Machine,ELM)模型参数选取敏感问题,文章提出一种改进的海洋捕食者算法(Improved Marine Predator Algorithm,IMPA)优化极限学习机的权重和偏置。首先,针对海洋捕食者算法初始种群的多样性不足,运用准反射学习策略生成高质量的初始猎物种群。其次,引入柯西变异策略更新种群,增强算法的全局寻优能力。然后,运用纵横交叉策略对猎物种群进行修正,进一步提高算法搜索精度。最后,将改进后的海洋捕食者算法优化极限学习机的权重和偏置,构建了一种IMPA-ELM预测模型用于空气质量指数预测。实验结果表明,IMPA-ELM预测模型在空气质量指数预测精度上有所提高。     

基于MA-SVM算法的冷轧轧制力预测模型

针对传统轧制力预测模型计算误差大、泛化性能差的问题,提出了一种基于蜉蝣算法优化支持向量机的冷轧轧制力预测模型。该模型在支持向量机的基础上,引入蜉蝣算法对支持向量机的参数进行优化,解决了手动调参不确定性大且耗费时间的问题。本文采用某五机架冷连轧机组生产现场数据对轧制力进行测试,结果表明：本文所选模型轧制力预测值与实际值误差在±5%的准确率为98.5%,模型误差小,具有较好的泛化性能,具有广阔的应用前景。     

基于小波能谱熵和改进ELM的转辙机故障预测

为了进一步提高铁道转辙机故障预测精度和维修效率,提出了一种基于小波能谱熵和改进极限学习机(Extreme Learning Machine, ELM)的转辙机故障预测方法.首先,将采集到的转辙机功率数据用完备集合经验模态分解方法进行预处理;然后,计算各个固有模态函数的小波能谱熵值,通过核主元分析原理方法将多维特征数据降至1维,构建转辙机的退化性能指标,得出失效阈值;最后,利用自适应鲸鱼优化算法对ELM预测模型的权值和阈值进行全局寻优,以获得最优的预测模型,实现对转辙机故障趋势的预测.用Matlab软件对新方法进行实例分析,并与支持向量机和ELM模型进行对比.仿真结果表明,与传统预测模型相比,基于改进ELM模型均方误差更接近于0,决定系数更接近于1,表明该模型预测精度更高,性能更佳,证明了该方法应用于转辙机故障预测的可行性.     

基于多神经网络的热连轧轧制力预计算

提出使用BP、RBF混合网络建立的多神经网络来预报热连轧轧制力。工程实例说明,相对于传统数学模型和单神经网络建立的数学模型,多神经网络在预报精度和网络冗余方面占有较大优势。文中建模方法也为．研究多变量复杂工程提出了一条新思路。     

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.     

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。     

热连轧轧制力模型系数回归的新方法

热连轧过程中,为了提高轧制力预设定精度,提出一种新的修改轧制力模型参数的方法·利用ＢＰ神经网络对以往的大量生产数据进行训练、预测·对ＢＰ神经网络的预测结果利用最小二乘法,回归出轧制力模型中的温度相关系数ｍ１和变形速度相关系数ｍ３·现场生产实验证明,应用修改后的轧制力模型系数,提高了轧制力预设定精度,从而使头部厚度精度有较大提高·对于象本溪钢铁公司热连轧厂这样的老企业,这种新方法更具有在线应用的可行性·     

热连轧机轧制力成比例负荷分配的CLAD算法

为了实现热连轧精轧机组负荷分配的在线优化设定,提出一种轧制力成比例负荷分配的新算法CLAD算法(change load ratio by adjusting draft).其要点是通过调整压下量的偏差来使当前轧制力与目标轧制力的偏差最小化.根据轧制力成比例原则建立非线性方程组,结合假设条件,将系数矩阵简化为对角阵,经数学推导给出了新算法的迭代公式和收敛条件.提出一种经验插值法确定初始值,使得负荷分配迭代计算能快速收敛.对宝钢典型轧制案例的模拟计算验证了新算法具有计算速度快、收敛性好等优点,可用于在线计算.     

热轧带钢轧制力模型自学习算法优化

根据轧制数量、测量数据质量和轧制力预报误差的影响,建立了轧制力自学习速度因子优化模型. 在长期自学习的判定条件中综合考虑了规格分档的变化以及厚度、宽度的改变量,减少了换规格的次数. 长期自学习系数计算时利用了从前一块钢数据中分离出的设备状态信息,从而改善了模型自学习的连续性. 离线仿真分析结果表明,轧制力计算精度相对于自学习算法优化前有较大的提高.     

热连轧轧制力计算精度模拟软件的开发

开发一种提高轧制力计算精度的软件。该软件可方便地引入操作者的经验及现场测量数据，在工程应用中能有针对性地校正轧制力模型，且简便实用。     

一个典型的自组织结构

首次指出了物理上一个典型的自组织结构。即金属材料疲劳过程的第2阶段，形成了一个典型的自组织结构。     

中厚板轧制力自学习过程层别跳变的自整定方法

在中厚板轧制力预报过程中,为防止自学习系数沿着厚度层别发生跳变,提出了中厚板轧制力自学习过程层别跳变的自整定方法.针对厚度层别表中的每一个厚度节点计算其半宽带,然后根据半宽带计算厚度节点的有效区域,最后找到当前轧制厚度的有效区域并确定它所对应厚度节点的权值,从而得出自整定后的自学习系数.实际应用结果表明,应用该方法后轧...     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50％、57.5％、70％和72.5％;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85％和82.5％,且该模型具有极快的运算时间,仅需0.1s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.     

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.     

基于自组织邻域结构的微粒群算法

通过构建自组织邻域结构来保持群体多样性,以克服微粒群算法(PSO)易局部收敛的缺点.模拟动物群体趋利避害的行为选择机制,以微粒的适应值择优建立自组织邻域结构的连接.实验结果表明,基于自组织邻域结构的微粒群算法(SONPSO)优于微粒群算法、基于环形结构和动态环形结构的微粒群算法.     

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·     

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.