支持向量机与神经网络相结合的板带凸度预测

为提高热轧生产过程中板带凸度的预测精度,提出了一种将粒子群优化算法(particle swarm optimization,PSO)、支持向量回归(support vector regression,SVR)和BP神经网络(back propagation neural network,BPNN)相结合的板带凸度预测模型。采用PSO算法优化SVR模型的参数,建立了PSO-SVR板带凸度预测模型,提出采用BPNN建立板带凸度偏差模型与PSO-SVR板带凸度模型相结合的方法对板带凸度进行预测。采用现场数据对模型的预测精度进行验证,并采用统计指标评价模型的综合性能。仿真结果表明,与PSO-SVR、SVR、BPNN和GA-SVR模型进行比较,PSO-SVR+BPNN模型具有较高的学习能力和泛化能力,并且比GASVR模型运算时间短。

基于柔性转子动力学建模的热轧板带凸度在线预测模型

现代加工技术的发展对金属板带产品的质量标准要求越来越高,因此在板带轧制过程中对板形进行控制具有重要意义。板带凸度是描述轧制过程板形的重要参数。提出一种基于柔性转子动力学建模的低阶板带凸度在线预测模型,结合动力学机理建模和数据挖掘技术,计算速度快,既能弥补解析模型精度不足的缺点,也能解决智能方法不能适应轧制条件变化的问题。结合铝板带四连轧机组在线实测数据进行模型建立以后,实现对轧制过程板带凸度的预测并得到验证,测试结果表明,模型的预测精度较高,较低的模型阶数适合于轧制过程板带凸度的在线控制器设计。

热轧板带凸度影响因素的敏感性分析

基于支持向量机方法,针对热轧工艺生产过程中的板带凸度进行影响因素敏感性分析。采用支持向量机建立工艺参数与板带凸度的关系模型,引入Morris及Variance-based敏感性分析方法,获得影响板带凸度的关键因素。研究结果表明:基于支持向量机建模的Morris及Variance-based敏感性分析方法可以准确定位关键因素,为实现热轧过程中的生产控制提供指导。

差动式板材凸度在线激光检测技术的研究

本文提出了一种基于激光检测技术的高精度、稳定性好的板带凸度在线检测技术的方法,给出了工作原理,并完成了初步实验验证。研究对于提升我国板带生产线的自动化程度、改进与提高板带的产品质量、增强市场竞争力具有重要的的学术意义和工程意义。

板材凸度激光在线检测系统误差分析

本文提出了一种基于激光检测技术的高精度、稳定性好的板带凸度在线检测技术的方法,分析了该方法的XYZ三个轴方向的安装误差及同步精度对凸度测量精度的影响,对于提升我国板带生产线的测量精度和产品质量有重要意义。