Model of Aluminium Foil Rolling Force Based on Neural Networks

Based on the principle of BP neural networks, the rolling force model is established after thoroughly analyzing and reprocessing the data of 1 350 mm aluminium foil mill. It states that the difference between the output of artificial neural networks rolling force model and the real value is in the order of 3 percent. The model reflects the real feature of process.

基于改进SSA-GA-BP神经网络的热连轧轧制力预测

针对热连轧过程传统轧制力模型不能准确反映实际轧制力的问题,提出了群智能优化算法优化机器学习的热连轧轧制力预测模型。以某热连轧生产线数据为基础,利用随机森林算法进行输入特征的重要性排序,选取重要度较大的参数作为BP神经网络的输入参数,并采用Pauta法则对原始轧制数据进行预处理,基于GA-BP模型建立了精度良好的轧制力预测模型,并采用改进的麻雀搜索算法对GA-BP模型进行了二次优化。将建立的改进SSA-GA-BP模型与传统轧制力模型、BP神经网络模型以及未二次优化的GA-BP模型进行对比。结果表明,改进的SSA-GA-BP模型较其他模型具有较高的预测精度和良好的泛化能力。

冷连轧轧制力深度神经网络模型泛化能力并行优化

为了更好调控冷连轧板厚参数,设计了一种冷连轧轧制力深度神经网络模型,增强了冷连轧模型的控制效果。选择2030冷连轧结构进行研究,对多输入多输出(MIMO)深度神经网络(DNN)进行预处理,针对多线程CPU与GPU实施了优化,对比了神经网络模型和冷连轧系统Siemens模型误差。研究结果表明:L-M算法表现出了更优的收敛稳定性、测试和验证性能、梯度下降趋势,并且收敛速度也更快。以随机方式选择200个数据并测定泛化性能测试得到,L-M算法获得了比SCG算法更大的相关系数。都是随着隐含层数的增加,获得了性能更优的神经网络模型,并且都会增加训练时间。从各项模型指标分析,L-M算法都比SCG算法的性能更优。构建神经网络轧制力模型总共包含二个隐含层、节点数介于17~30、通过L-M算法进行训练。采用神经网络轧制力模型得到的结果与实测值之间的误差比Siemens机理模型和测试值的误差更低。

基于人工神经网络铝箔轧机轧制力模型

采用BP神经网络原理对1350mm铝箔轧机轧制数据重新处理，建立了基于人工神经网络的轧制力模型.结果表明，用人工神经网络轧制力模型的计算值与实测值相比较偏差＜3％.该模型较真实地反映了轧制过程的特征.

基于神经网络的冷连轧机轧制力预报模型

为了提高冷连轧机轧制力预报精度,提出一种解析数学模型结合神经网络校正模型的计算方法,建立冷连轧机轧制力预报模型。采用径向基函数的局部映射和全局线性映射相结合的神经网络校正模型求解带钢变形抗力和轧制变形区的摩擦因数;并采用轧制变形区离散化方法分析轧制变形区内张力、摩擦力及金属变形抗力等在带钢轧制方向上的分布规律,从而建立轧制力在线计算数学模型。现场实测数据离线仿真结果表明,采用此基于神经网络的冷连轧机轧制力预报模型预测轧制力,其预测误差小于8.9%,此模型能用于指导生产实践。

基于遗传神经网络的冷连轧机轧制压力模型

对鞍钢冷轧厂四机架冷连轧机轧制压力模型进行了认真分析，指出了其存在的缺陷．把遗传算法（GeneticAlgorithms，简称GA）和神经网络有机结合，设计出了具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及GA-BP算法联合进行网络权值修改几种功能的遗传神经网络，建立了基于遗传神经网络的新冲连轧机轧制压力模型．通过原模型计算值、新模型计算值与实测值之间的对比分析可知，遗传神经网络模型计算精度优于传统轧制力模型．

基于数据库的神经网络轧制力建模

冷连轧过程控制的轧制力模型对于提高轧制精度和降低生产成本具有重要的意义,而传统的轧制力模型结构简单,精度较低,即使在实际生产中采用自适应技术,也无法满足高精度轧制的需要。为此针对5机架冷连轧机,提出并联结构的BP神经网络模型;采用Levenberg-Marquardt算法进行训练,确定网络的结构和参数;在数据库中建立钢种与神经网络的结构和参数一一对应的关系表,保存网络训练结果。对神经网络模型的仿真测试表明该神经网络轧制力模型有较强的泛化能力,收敛速度快,不易陷入局部最优,精度明显高于传统的轧制力模型。

修正遗传神经网络预测中厚板轧机轧制力

在实际生产过程中,传统轧制力数学模型存在较大误差,影响计算精度.提出将BP网络与修正遗传算法相结合,利用BP网络的指导性搜索思想和遗传算法的全局搜索能力预测中厚板轧机轧制力,并建立预测模型.同时,根据模型编制相应的程序及界面.以邯钢中板厂、普阳中板厂现场数据为基础,通过数据优选,选择较优数据进行离线轧制力预测,预测精度优于传统的数学模型,预报精度的相对误差可以控制在4%以内,能够满足生产需要.

基于人工神经网络的扁钢轧制力模型

根据BP人工神经网络算法原理，结合某厂型钢轧机轧制扁钢时的轧制力实测数据，对扁钢轧制力进行建模．结果表明，神经网络用于轧制力建模是可行的，所建模型系统误差＜1％，模型计算值与实测值的偏差＜4％，较好地反映了实际轧制过程的特征．

基于BP神经网络的CSP生产线轧制力预测模型

使用数学模型和BP神经网络相结合的方法对轧制力进行预测。与大多数神经网络仅选取轧制变量作为输入量不同,该BP神经网络增加了喷油量和轧制力模型计算值作为输入变量以考虑摩擦对轧制力的影响,避免过大的轧制力预测偏差,从而形成了11×7×1的网络结构,并和轧制力模型组合构成CSP生产线轧制力预测模型。结果表明:该神经网络模型预测值与实测平均值的平均相对误差仅为1.08%,轧制力模型的平均相对误差为6.32%,该神经网络对轧制力实测平均值的跟踪能力更好,有较高的工程应用价值。

中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型。以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MAT-LAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络。模型的综合采用加法和乘法两种方式。结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好。

基于神经网络的轧制力预报模型

采用了BP神经网络对热轧无缝钢管穿孔过程中轧制力进行预测,在BP算法学习过程中引入了附加动量法和自适应学习速率,结合Levenberg-Marquardt优化方法,加快了学习时的收敛速度,试验证明,取得了良好的学习和测试效果。研究结果可为斜轧穿孔工具设计和工艺调整提供一定的理论依据,对解决生产中出现的实际问题、开发新产品和新工艺提供有效的指导。

基于人工神经网络的铝箔轧制力模型

应用人工神经网络的理论和方法建立了某厂铝箔轧机的轧制压力模型。所用数据全部取自现场，采用Ｂ－Ｐ学习算法，为轧制压力建模探索了一种新的途径。

深度神经网络轧制力建模及其并行优化研究

冷连轧过程控制的轧制力模型是整个轧制过程计算机控制的基础。为提高5机架2030冷连轧系统轧制力模型的精度和适用性,提出了多输入多输出深度神经网络轧制力模型的数据预处理、建模和并行优化方法。对含有不同隐含层数和节点数的神经网络,采用不同训练算法(SCG算法和L-M算法)与不同优化方法(多线程CPU、单GPU和多线程CPU+GPU),研究了神经网络结构、训练算法和优化方法对神经网络轧制力模型的性能、训练时长、线性相关系数的影响。研究结果表明:含有2个隐含层、采用L-M算法和多线程CPU优化方法可获得综合性能最优的神经网络轧制力模型;神经网络轧制力模型的计算误差远小于在线使用的Siemens轧制力模型的计算误差。

融合工业大数据的热轧厚板轧制力模型研究

目的针对传统解法建立的轧制力模型精度不足的问题,建立一个轧制力整合模型。方法对工业大数据进行归一化处理,系统优化了神经网络模型的结构形式,建立了一个神经网络模型。在此基础之上,利用误差间距补偿的方法实现神经网络模型与已有理论模型的有机融合,从而最终获得了轧制力的整合模型。结果通过与已有的轧制力模型进行对比,表明所提出整合模型预测结果与实测值吻合更好,其中轧制力误差为?4.09%,轧制力矩误差为?4.01%。结论该模型整合方法能够实现理论模型与神经网络模型的优势互补,从而给出物理概念与预测精度均可靠的计算结果。

基于神经网络与线性回归的轧制力预报

通过将SIMS轧制力计算公式进行相应简约化处理,避免了模型软件在该公式计算时的重复迭代求解,缩短了计算时间,因此更适合在线软件计算。利用现场实际生产数据反向回归出变形抗力模型中的系数,提高了模型中系数的准确性。用神经网络对变形抗力与应力状态系数的乘积加以修正,进一步提高了轧制力预报的精度。预测结果与实测数据比较表明,轧制力预报误差基本在±5%以内,满足了轧制力预报的精度要求。

热连轧轧制力贝叶斯神经网络预测与模型优化

采用贝叶斯神经网络预测精轧轧制力,从实测数据中抽取出700组数据作为样本集,其中610组数据作为训练样本,用于网络模型的训练,剩余的90组数据作为测试样本。选取C、Si、Cu、Mn含量,轧件出口厚度,入口厚度,轧件宽度,轧制时间,压下率以及轧制温度作为输入层神经元数,轧制力为输出层神经元。贝叶斯网络轧制力预测误差基本分布在[-200,200],比传统计算误差大为减小。采用乘法网络进行轧制力的预测模型优化,优化后预测误差为正态分布,误差基本分布在-4%~6%,误差为0的样本数能达到20%,误差在±2%之内的样本数能达到70%,预测精度比加法网络稍有改善,比传统网络预测精度大幅提高。

基于改进遗传算法的BP神经网络控制器

BP神经网络是一种按误差逆传播算法训练的多层前馈网络,其与遗传算法的结合可以得到一种拥有良好的全局优化搜索和局部时频特性的学习训练途径。针对BP网络的不足,提出了一种基于改进遗传算法的BP神经网络控制器,此方法可以克服基本遗传算法收敛速度慢,容易陷入"早熟"收敛,计算稳定性不好等一系列问题,进一步提高了BP神经网络控制器的性能。最后通过对轧制力模型的预报仿真,证明了控制器的有效性。

基于生产大数据的薄带钢平整机轧制力设定计算模型

基于镀锌线平整机生产大数据,进行了神经网络模型、回归分析模型、网络模型与回归分析模型相结合的混合算法模型的平整机轧制力预测模型的分析与比较。结果表明,与BP神经网络模型和基于径向基函数RBF神经网络模型相比,广义回归GRNN神经网络模型最优,预测结果相对偏差的标准差在12%左右。神经元网络与数学模型结合的混合算法模型的预测精度比单纯网络模型或回归模型的低。多元线性回归模型优于偏最小二乘回归法模型,除少数钢种外,其预测结果相对偏差的标准差在13%以下,且易于实现,适用性强。将多元线性回归参数的数学模型在平整机上进行了初步应用,结果表明该模型具有一定的应用前景。

模糊神经网络融合建模方法及其在轧制力控制中的应用

针对目前热轧中神经网络控制模型不能满足一些特殊轧制规律钢种精度要求的问题,在深入研究现有热轧模型建立与优化的基础上,结合模糊控制技术,提出在神经网络的基础上建立基于模糊规则补偿模型的融合建模方法。针对两类特殊钢种的特性,详细阐述了基于模糊规则补偿模型的建立及实际应用过程,并根据实际生产经验给出建模中规则库的建立过程。实际生产过程应用结果表明,所提出的模糊神经网络融合建模方法可以有效提高轧制力计算精度和厚度控制精度,从而提高热轧带钢产品质量。