基于PIO-RBF神经网络斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大,但其设定值精度不高的问题,提出了基于鸽群算法改进RBF神经网络斜轧穿孔机调整参数预测模型。首先,综合分析了传统的二辊斜轧穿孔调整参数数学模型并确定了主要特征参数,其次,建立了两辊斜轧穿孔时轧机参数(轧辊间距、导板间距和顶头前伸量)的RBF神经网络预测模型,并提出鸽群算法优化RBF神经网络的中心、方差(宽度)和隐层与输出层之间的连接权值。针对某厂采集的304L管的生产数据,对提出的预测模型进行了训练和验证。通过与基于聚类分析的RBF神经网络模型对比,将经PIO-RBF神经网络模型预测得到的轧机调整参数(轧辊间距、导板间距和顶头前伸量)数据与实际数据比较,其相对误差均可控制在9%以内。结果表明,由PIO-RBF神经网络建立的预测模型对轧辊间距、导板间距及顶头前伸量具有较高的预测精度且适用性强。

基于深度神经网络的斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大,且传统机理公式计算的设定值精度不高的问题,提出了基于深度神经网络的斜轧穿孔机调整参数预测模型。首先,综合分析了传统的调整参数的数学模型,并在此基础上确定了调整参数的主要影响因素。依据现场收集的数据集,训练了二辊斜轧穿孔时轧机参数的深度神经网络预测模型。在训练深度神经网络时,运用小批量梯度下降法和Adam算法相结合的方法进行了梯度估计修正,优化了训练速度。仿真结果表明:经深度神经网络模型预测的轧机调整参数与实测数据比较,预测模型的R-squared值控制在0.98左右,调整参数的相对误差均可控制在5%以内。相比于传统数学模型,该预测模型具有更高的预测精度,能够实现轧机调整参数高精度预测并用于指导生产。