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%.     

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     

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·     

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。     

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。     

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％.     

基于径向基神经网络的薄板平整轧制力预报模型

冷轧薄板在平整轧制时具有轧件厚度薄、压下率小的特点,其平整轧制力往往计算困难,精度难以保证.针对上述情况,提出一种基于参数修正的轧制力数学模型来计算其平整轧制力.同时,为进一步提高计算精度,运用RBF(Radial Basis Function)神经网络来预测该平整轧制力数学模型的计算误差,并将该误差与数学模型的计算值相结合,完成对其的修正.离线仿真结果表明,薄板平整轧制力数学模型在经过自身修正参数及RBF神经网络的2次修正后,计算精度可达到6%以内,具有较高的工程应用价值.     

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。     

基于RBF神经网络的热连轧精轧厚度的预报

采用RBF神经网络方法建立热连轧精轧的厚度模型,通过比较有、无理论模型输入的神经网络厚度模型确定出理论数据在神经网络应用中的重要性。通过比较BP神经网络和RBF神经网络分别建立的厚度模型凸现出RBF神经网络厚度模型的优越性,并在应用过程中解决了过拟合问题。     

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.     

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.     

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     

基于遗传算法的热连轧机负荷再分配

以工业轧机为对象,根据热连轧板形前馈的特点,研究提出了基于遗传算法的轧制力负荷再分配的模型.实验数据对比分析结果表明,使用该策略能够获得良好的板形及生产的平稳过渡,可用于热连轧生产.     

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.     

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.     

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.