基于MIC和IPSO-RELM的带钢热镀锌板锌层厚度预测

针对带钢热镀锌板锌层厚度偏差易受产线多变量强耦合和测厚仪滞后时间长等因素影响的问题,提出一种基于最大信息系数(MIC)以及改进的粒子群算法优化正则化极限学习机(IPSO-RELM)的带钢锌层厚度预测方法。首先,采集生产过程数据进行相关预处理;然后,利用MIC法对各参数变量进行重要性排序,确定影响锌层厚度的关键因素;最后,将筛选的变量作为输入项建立RELM预测模型,并通过IPSO算法优化模型的随机性参数,有效提高了模型的稳定性和预测精度。结果表明:所建立模型预测结果的拟合决定系数R^(2)为94.66%,预测误差在-4~4 g/m^(2)的样本点命中率达到96%,且模型的3项评价指标均优于其他对比算法,证明了所提方法预测精度高,可为带钢热镀锌板产品质量的提升奠定基础。

蚁群优化算法协同深度极限学习机的热连轧宽度预测模型

热连轧粗轧生产过程中,为解决换规格后宽度设定精度低的难题,提出了一种蚁群优化算法协同深度极限学习机(ant colony optimization deep extreme learning machine,ACO-DELM)的热连轧粗轧宽度预测方法.该方法将蚁群优化算法应用于DELM网络中,以提高其预测精度和泛化能力.先利用数据预处理方法对原始数据进行异常值的剔除和数据归一化.然后,使用蚁群优化算法对DELM的隐藏层节点数、迭代次数进行优化,在隐藏层节点数达到95个、迭代次数为480次时,DELM模型的预测性能最佳,其在预测不同规格带钢平均宽度时,决定系数R^(2)达到0.9989,97.98%的样本点预测误差分布在-7~7 mm.应用结果表明,与传统的深度极限学习机(DELM)、卷积神经网络(CNN)等模型相比,ACO-DELM模型在预测精度和泛化能力上有明显的提升,可有效应用于热轧带钢的平均宽度预测.

基于随机森林与支持向量机的热轧带钢凸度加权预测模型研究

针对传统带钢凸度预测方法预测精度低、速度慢的问题,建立了基于随机森林和支持向量机的热轧带钢凸度加权预测模型。采用改进长鼻浣熊算法分别对随机森林、支持向量机和随机森林与支持向量机加权预测模型的参数进行优化,提高凸度预测精度。以某公司热轧1 580 mm生产线实测数据进行凸度预测仿真研究,随机森林与支持向量机加权预测模型的均方根误差为2.23μm,与随机森林模型、支持向量机模型预测精度进行比较,加权预测模型的精度分别提高了7.08%、2.62%。

基于LED光源的热轧带钢表面质量在线检测系统的开发与应用

针对热轧带钢表面缺陷检测需求,采用机器视觉技术自主开发了热轧带钢表面检测系统。该系统采用高速线阵CCD摄像机获取高质量的带钢图像,配以自主研发的超高亮度LED光源,解决了高温带钢成像中远距离均匀照明的问题。系统中采用高效的图像处理和目标识别算法,保证了实时处理图像并准确识别表面缺陷种类。上线8个多月的运行结果证明:系统具有良好的缺陷检出与分类准确率,兼具实时性和可靠性。

全液压地下卷取机卷筒压力分布研究

为了研究全液压地下卷取机在胀径阶段热轧带钢层间的应力和卷筒压力的分布规律,在考虑带钢不同厚度、不同卷取层数和摩擦影响的前提下,推导了热轧带钢在胀径前,卷筒压力的递推公式。计算结果表明:随着带钢层数的增加,带钢的法向应力有增大的趋势;随着带钢厚度的增加,带钢的拉应力有减小的趋势。研究结果对于研究卷筒的胀径过程和提高带钢的卷取质量有参考价值。

基于改进ABC算法的铝热连轧规程优化设计

铝热连轧的轧制过程复杂,但良好的轧制规程是铝带材质量和轧机低功耗的有力保障。该文在轧制规程设定中提出以预防打滑为主的多目标函数,建立了基于最小二乘支持向量机的轧制力模型来取代传统模型,有效提高了轧制力预报的精度。并采用ABC(人工蜂群)算法对轧制规程进行优化,算法在初始化时引入了混沌序列以增强其遍历性,变量更新时采用了更合理的变尺度操作方法,不仅能够防止陷入局部极值点,而且可避免盲目搜索,大大提高了进化速度。该轧制规程在"1+4"铝热连轧改造现场精轧部分的应用中效果理想,对二级的设定计算具有指导意义。

基于数据驱动的热连轧厚度建模与控制方法

针对轧机厚度机理模型逐渐不满足现有的控制精度要求的现象,提出了一种基于数据驱动的热轧带钢厚度预测与控制方法.该方法通过对输入空间数据进行在线聚类划分,在各子空间使用最小二乘支持向量机(least square support vector machine,LS-SVM)在线算法建立非线性模型,并预测系统的输出值,利用预测控制方法求得控制量,根据控制器加权策略得到全局控制量.仿真结果证明了该方法的有效性.

我国宽带钢热连轧过程控制系统现状及展望

从系统设计和模型技术两方面概括分析了我国宽带钢热连轧过程控制系统的发展现状。针对目前许多热轧生产线过程控制系统更新改造的需求,提出了一种基于通信网关的新旧系统并行的调试方案,实施后可降低项目改造的风险和工期。同时分析了组织性能预报和大数据等技术的可能应用场景,指出这将是过程控制系统今后重要的发展方向。

改革开放30年:中国的双辊式带坯铸轧产业从零到全球王国

中国对铝带坯双辊式连续铸轧技术的研发始于上世纪60年代初期,1983年5月研制成Φ980 mm×1 600 mm原型机,同年8月通过冶金工业部科技司组织的专家组的鉴定,标志着中国的双辊式铝带坯连续铸轧技术进入成熟阶段。经过25 a的发展,中国双辊式铝带坯连续铸轧产业取得了举世瞩目的成就,成了此产业的王国。2008年底,保有的这类铸轧机达460台左右,占全球这类铸轧机的58%,总生产能力约4 100 kt/a,2008年的产量约3 500 kt,但单台铸轧机的产量比国外同类铸轧机的约低30%。在这460台铸轧机中有12台引进的,进入21世纪以来中国就再也没有引进了。从2001年起中国制造的铸轧机开始出口,走向世界。在中国所需要的铝板带箔中约有82%可用铸轧带坯生产,用铸轧带坯法生产供冷轧用的带坯与用铸锭热轧生产带坯相比具有许多优点,宜大力发展,前者占的比例最好能达到60%,而用原铝生产的带坯又应占主导比例。

基于STMR-CNN的热轧带钢表面缺陷检测

为了提高工业热轧带钢表面缺陷检测的检测精度,将深度学习研究领域的前沿技术应用于带钢表面缺陷检测.提出了一种以Swin Transformer作为骨干特征提取网络,级联多阈值结构作为输出层的热轧带钢表面缺陷检测算法.将Transformer结构应用于带钢表面缺陷检测领域,与单纯基于卷积网络的深度学习目标检测算法相比,能够达到更加精确的检测效果.首先,使用Swin Transformer作为骨干特征提取网络代替常规的残差网络结构,增强特征网络对隐含在图像中的深层语义信息的摄取能力.其次设计多级联检测结构,设置逐级的IoU阈值,实现检测精度与阈值提升的权衡.最后使用柔性非极大值抑制(Soft-NMS)、FP16混合精度训练和SGD优化器等训练策略加速模型收敛和提升模型性能.实验结果表明:本文算法在工业热轧带钢数据集(NEU-DET)上相较于YOLOv3、YOLOF、DeformDetr、SSD512和SSDLit等深度学习算法都有更好的检测效果,在裂纹(crazing,Cr)、夹杂(inclusion,In)、斑块(patches,Pa)、麻点(pitted surface,PS)、压入氧化铁皮(rolled-inscale,RS)、以及划痕(scratches,Sc)等表面缺陷检测中训练速度和检测精度都有显著的提升,漏检率显著降低.

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。

基于机器视觉的带钢表面缺陷检测研究进展

热轧带钢是钢铁行业的主要原材料之一,其表面质量控制一直是生产过程智能检测的重点任务。针对带钢表面缺陷自动在线检测逐步取代人工检测的现状,概述带钢表面缺陷检测方法,着重阐述基于机器视觉的表面缺陷检测方法,比较分析传统机器视觉、深度学习方法在带钢表面缺陷检测的应用,探讨带钢表面缺陷检测中存在的关键技术问题,并对其未来发展趋势做展望。传统机器视觉的带钢缺陷检测方法检测速度较高,但精度较低;主流深度学习的缺陷检测方法检测精度高,但速度较慢。如何在保证检测实时性的前提下提高算法的准确性和鲁棒性,不仅是自动化和智能化检测的发展趋势,也是基于机器视觉部署在实际工业现场的关键所在。

1700热连轧紧急停车控制系统

唐钢1700热轧生产线采用了目前国际上较先进的德国西门子TDC控制技术,由于轧制过程自动化程度很高,为确保设备稳定运行,急停系统便成为整个轧制过程控制中一个重要组成部分。结合实际,介绍了热连轧生产线的紧急停车控制系统的硬件配置、软件配置、控制原理及与HM(I人机接口)服务器的通讯等。生产实际表明,在采用此紧急停车控制系统后,设备运行准确、可靠。

800mm铜板带热轧机主机的配置特点

中色科技设计的800mm二辊可逆铜带热轧机组是1300mm铜热轧机组、1000mm铜热轧机组的姊妹机组。本文结合作者工作实践,论述了800mm铜带热轧机组主机的设计特点,介绍了主机的主要性能参数,主机的主要组成情况,以及轧机生产操作的主要流程。这台轧机主机在前两套轧机的基础上承继优点,改进不足,设备配置更为合理,自动化程度更高。本台轧机的宽幅比前两套窄,适合轧制铁青铜、镍白铜、铍青铜板带材。机型虽与前两套相似,但因为轧制材料、轧材宽度的不同,所以又拥有许多独特的设计。针对铜热轧氧化皮多、轧制温度难以控制的特点,本台轧机进行了改进设计。在减轻设备重量、增加重要设备寿命方面进行了切实可行的优化。

热轧带钢气动式打捆机控制优化

针对热轧带钢打捆机故障率高的现象,对打捆机PLC程序进行了优化控制,达到了提高打捆机作业率、降低运行成本及维护成本的目的。

基于机器学习的热轧带钢力学性能预测模型及应用

以所收集380CL和SPA-H两个钢种的热连轧工业生产大数据为样本,采用多元线性回归、BP神经元网络、随机森林与XGBoost这4种机器学习算法建立带钢力学性能预测模型,并对预测结果的偏差进行了比较。结果表明,随机森林算法的预测精度高于其它算法,屈服强度、抗拉强度和伸长率的预测偏差的标准差分别为15 MPa、12 MPa和2.3%。以样本性能均值为基数,满足±3σ标准要求的预测相对误差分别可以达到15%、7%和22%。该算法可以应用于热轧带钢在线性能预测模型中,作为监控、分析带钢力学性能及优化工艺的有效工具。基于随机森林算法开发的热轧带钢力学性能在线预测模型已经在首钢京唐钢铁联合有限责任公司2250热轧生产线上得到实际应用。

基于CPA-OSELM的热轧带钢厚度在线预测

为解决自动厚度控制(automatic gauge control, AGC)系统反馈滞后、耦合强、厚度偏差大等问题,提出了一种基于食肉植物算法(carnivorous plant algorithm, CPA)的在线顺序极限学习机(online sequential extreme learning machine, OSELM)预测算法。首先,基于从现场采集的相关数据,建立了OSELM在线厚度预测模型。然后为了提高模型的准确性及稳定性,采用CPA方法优化OSELM的权重和偏置。在此基础上,运用自学习方法进一步提高模型的预测精度。最后,通过实验验证基于CPA-OSELM预测模型的有效性。实验结果表明:基于CPA-OSELM的方法能够对不同规格带钢的出口厚度进行高精度在线预测,预测结果可用于提升AGC模型的控制精度,为提升带钢产品质量奠定基础。

基于S7-300的自动打捆机的控制及其应用

这篇文章介绍了自动打捆机在太钢热连轧厂2250生产线中的应用,在分析了打捆机的系统结构和控制流程的基础上,介绍了西门子S7-300系列PLC控制系统的软硬件结构,并就使用过程中产生的故障进行了分析,提出了一些改进的方法。

2250mm热轧带钢塔形产生原因及控制措施

针对包钢2 250 mm热轧带钢卷取过程中易产生塔形、溢出边等问题,从卷取区域设备和工艺控制等方面进行研究讨论。对各种塔形进行分类、产生的原因进行分析,采取相应控制措施,减少带钢塔形,改善钢卷外观质量。从而提高热轧成品卷的合格率和成材率,达到降本增效的目的。

机器人在太钢热连轧厂喷号机中的应用

介绍了热连轧厂自动喷号机的构成及其主要的控制功能,阐述了ABB机器人控制系统在其中的应用。