融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。

极片颗粒轧制过程的数值模拟与试验研究(英文)

对电池极片轧制过程中电性浆料颗粒的致密化过程进行研究。对极片轧制机理进行了理论分析,并描述了电性浆料颗粒在运动中的基本参数,建立受力方程,分析出稳定轧制的基本条件;利用相关参数进行动态模拟仿真,采用理论分析与数值模拟以及试验验证相结合的方法得到结果验证。结果表明:电池极片电性浆料颗粒相对密度与极板厚度存在一定的关系。该研究验证了电池极片在整个轧制过程中电性浆料颗粒的致密化规律,另一方面通过探究电池极片的密度均匀性和厚度一致性对电池品质的影响,为电池生产提供了指导。

镁合金轧制工艺探讨

本文主要对镁合金板材的深加工进行工艺方面的探讨和浅析,通过对镁合金的材料性能、温度控制、轧制工艺方法等的简析和讨论,同时也对该类产品的知识产权方面做了简要的描述。为镁合金板材在轧制工艺方法的深入研究上提供了理论依据。

热连轧带钢厚度缺陷溯源研究及应用

在带钢热连轧生产过程中,终轧厚度精度是体现带钢产品质量的关键指标之一。带钢厚度控制过程涉及多个模型,具有多变量、强耦合、非线性等复杂性,是热连轧带钢L2过程控制精度的最终体现。实际生产中,厚度缺陷时有发生,形成缺陷的原因复杂多样,目前主要依赖事后的人工分析,其难度大、效率低。为此,研发了热连轧带钢厚度缺陷的自动溯源模型,针对轧制完成后出现头部厚度缺陷的带钢产品,识别和分析厚度缺陷的形成机理,追溯和确定导致厚度缺陷的主要原因。融合资深数模专家的分析经验,通过深入挖掘带钢厚度控制背后的模型机理、理顺带钢厚度与各轧制参数之间的耦合关系,建立了热轧带钢厚度缺陷溯源的分析流程,构建了以辊缝模型设定不准、轧制力模型不准、轧制模型参数设定异常为核心的分析模块。最后,将国内某1780 mm热连轧机组连续3个月生产的带钢数据用于模型性能测试,结果表明,带钢厚度缺陷溯源的准确率达到90.27%,基本满足实际生产需求,实现了热连轧带钢厚度缺陷的自动溯源,大大提高了厚度缺陷溯源的分析效率。