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.     

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.     

基于多模态和加权支持向量机的热轧轧制力智能预报

为了提高热轧生产过程精轧机组的轧制力预设定精度,需要对轧制力进行高精度的预报.本文通过机理公式计算出轧制力的近似值,然后采集大量的实际生产数据修正轧制力预报值.首先利用聚类方法区分不同的生产状态,其次在相同生产状态下采用加权最小二乘支持向量机计算轧制力的修正系数,最后采用乘法方式修正轧制力,达到高精度的轧制力预测.结果表明,轧制力预报的平均相对误差为3.2%,满足现场的生产要求.     

基于数据挖掘技术的负荷预测模型

为有效选取预测变量和训练模式、提高预测精度，提出了一个基于数据挖掘技术的负荷预测模型．该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量，再选取与预测日相似的训练模式，最后用神经网络对负荷进行预测．实际运行结果表明将该模型应用于电力系统负荷预测是可行的，其与传统的神经网络预测模型相比具有更高的预测精度.     

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·     

带钢热连轧机组温度模型及其自学习方法

介绍了带钢热连轧机组温度模型以及目前常用的温度模型自学习方法.针对目前常用的温度模型自学习方法的不足,提出了一种分区补偿法用于温度模型自学习,该方法按一定的分配系数将终轧温度偏差分配到各冷却区段,温度偏差分配系数可以根据各机架轧制力情况进行调节,所以在保证终轧温度预测精度的同时,也提高了轧制力的预测精度.这种新型的温度模型自学习方法被成功地应用于天津荣程750 mm精轧机组,取得了较好的应用效果.     

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.     

热轧中板轧制变形规程的优化设计

研究热轧中板轧制变形规程的在线优化设计,包括轧制前的预计算以及轧制中的在线修正. 在轧制数学模型基础上,将轧制规程优化设计分为负荷分配道次和板形道次. 在板形道次,给出其线性规划数学模型,并利用单纯形算法求解,分析了不同约束集对最优规程的影响并进行了仿真,确定了最佳约束集. 轧制过程中利用实测数据进行模型自适应及规程在线修正. 经若干中板厂应用结果表明,该方法节约轧制时间且板形良好,异板差0.1 mm之内的命中率大于95%,成材率提高0.5%.     

热轧窄带钢辊缝预设及头尾厚差预报

在实测的基础上得到了适于窄带热轧生产线的辊缝预报模型。经生产性试验表明，本研究给出的辊缝预设值与现场实测非常接近，将其作为控制窄带精度的手段，可取代目前对人工经验“试调”的依赖，具有重要的实际应用价值；对轧件头尾厚度差的计算不但考虑了奥氏体再结晶软化程度对轧机负荷的影响，还考虑了轧辊弹性压扁与轧制压力的耦合对压力及辊缝的综合影响，从而显著提高了带钢头尾厚差的预报效果。这对控制带钢的通条尺寸、提高产品精度具有重要意义。     

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.     

轧制速度加载方式对轧机振动特性的影响研究

带钢在轧制过程中表面会产生振痕,严重影响带钢表面质量及后续使用,但由于复杂多变的轧制工况,轧制参数加载方式对轧机振痕振动的影响仍是目前存在的难题之一。文章建立了森吉米尔二十辊轧机耦合动力学模型,研究了轧制速度在加载过程中对轧机振动特性的影响。利用现场试验验证了模型的有效性和分析过程的合理性。为合理优化轧制参数加载方式,抑制或消除振痕振动,对提高带钢表面质量和经济效益提供了重要的理论与实践支撑。     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

轧制工艺参数对钢板平面形状的影响

利用有限元法计算软件ANSYS/LS DYNA,对不同工艺参数的立辊轧边、展宽轧制及精轧的中厚板生产过程进行了模拟计算·由模拟计算知,随立辊侧压量增大,展宽轧制后板坯前端由凸鼓形向凹鼓形变化,后端始终为凸鼓形,展宽轧制后轧件切头尾长度及宽度波动量先减小后增加,精轧后轧件宽度波动变化与展宽轧制时相似·展宽比大时,立辊轧边对减少宽度波动量效果较好;要得到好的轧后平面形状,应使展宽轧制后的钢板边部保持平直或微凸·模拟计算结果为合理匹配立辊侧压量、展宽比及精轧延伸率,提供了理论参考·     

组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

BP神经网络在电力系统短期负荷预测中的应用

电力系统短期负荷预测是电力生产部门的重要工作之一，本文利用BP神经网络进行电力系统短期负荷预测时，根据影响因素确定了模型构成，并对输入变量选择进行了讨论，典型算例的计算表明该方法是有效的。     

可变参数动态灰色预测模型的建立与实证研究

在固定参数动态灰色预测模型基础之上进行改进,提出了可变参数动态灰色预测模型.固定参数动态灰色预测模型的参数值为0.5,可变参数动态灰色预测模型的参数值由预测对象的影响因素来决定.根据对我国集成电路产业的应用研究,说明了可变参数动态预测模型具有更好的预测精度.同时,针对可变参数动态灰色预测模型的计算量很大的特点,应用Java编制了应用软件,可以方便快捷地进行运算,有利于该模型的应用推广.     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

轴向受载的高速滚动轴承动态特性分析

根据Hertz接触理论和刚性套圈理论,建立了轴向受载时高速滚动轴承的力学模型,得到了组成该模型的动态特性方程组。针对传统Newton-Raphson迭代方法对所建立的动态特性方程组求解过程中对初值敏感、不易收敛和振荡的问题,提出了基于遗传算法的求解方法,并将所得结果与传统Newton-Raphson方法结果进行了对比。结果表明,遗传算法可以有效求解高速滚动轴承的动态特性方程组,避免了传统方法的缺点,提高了编程效率。     

智能组合预测法在短期电力负荷预测中的应用研究

提出将Kohonen网络、Elman神经网络和遗传算法结合起来建立一种智能组合预测模型,此模型能够综合各种单一预测模型的优点,内在结构随时间的推移不断变化,符合电力负荷的特点,提高了负荷预测的精度.文中给出了三种网络模型进行短期电力负荷预测的仿真结果比较,从而验证了智能组合预测模型的合理性和良好的应用前景.