CN114091352A - 基于Elman神经网络的热连轧出口板凸度动态预测方法 - Google Patents
基于Elman神经网络的热连轧出口板凸度动态预测方法 Download PDFInfo
- Publication number
- CN114091352A CN114091352A CN202111454865.1A CN202111454865A CN114091352A CN 114091352 A CN114091352 A CN 114091352A CN 202111454865 A CN202111454865 A CN 202111454865A CN 114091352 A CN114091352 A CN 114091352A
- Authority
- CN
- China
- Prior art keywords
- hot continuous
- convexity
- outlet plate
- continuous rolling
- rolling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 158
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005299 abrasion Methods 0.000 claims abstract description 20
- 238000004801 process automation Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 229910000831 Steel Inorganic materials 0.000 claims description 32
- 239000010959 steel Substances 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000013000 roll bending Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Metal Rolling (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
本发明公开了基于Elman神经网络的热连轧出口板凸度动态预测方法，涉及轧制过程自动化生产技术领域。包括确定包括机架轧辊磨损量在内的热连轧出口板凸度影响因素，采集热连轧生产线中与热连轧出口板凸度相关的实测数据与过程自动化级计算数据；计算各机架的轧制公里数，将各机架的轧制公里数代替热连轧出口板凸度的影响因素中的各机架的轧辊磨损量；将实测数据及过程自动化级计算数据与各机架轧制公里数组合在一起构成数据集，从数据集中划分出部分数据作为训练数据集；利用训练数据集对Elman神经网络训练，获得热连轧出口板凸度的动态预测模型，利用该模型对热连轧出口板凸度进行动态预测，可精准地预测热连轧出口板凸度，对更精准的板形控制提供保障。
Description
技术领域
本发明涉及轧制过程自动化生产技术领域，具体涉及一种基于Elman神经网络的热连轧出口板凸度动态预测方法。
背景技术
热轧带钢以其硬度低、易于加工、具有良好的韧性及延展性等良好的性能广泛应用于建筑、桥梁、船舶制造等领域，同时也为冷轧过程提供原料。对于热轧带钢在产品性能、表面质量、板形控制等方面的要求逐步提高，尤其是板带材的外形尺寸，而其中板形是衡量板带钢质量的重要指标之一，板形控制也是影响板带钢轧制的关键技术。近些年来，国内外针对热连轧板带钢轧制过程做了大量研究工作。如有限元法的出现解决了部分经典轧制理论无法解决的问题，但在实际热连轧带钢轧制过程较为复杂，具有强耦合、多变量、非线性、时变性等特点，难以通过有限元精准表述出这些特点，并且在热连轧生产过程中，轧制工艺比较复杂，存在不确定的未知因素，难以建立出精确的数学模型。同时随着轧制的不断进行热连轧出口板凸度会受到轧辊磨损、轧制力、弯辊力等多因素的影响，除了传统预测模型考虑的因素外，还应考虑到随时间变化的轧辊磨损，而在实地现场的轧制过程中，轧辊磨损难以实时测量，不便于直接输入，也并未采用可代表轧辊磨损变化趋势的重要指标作为输入。因此，需要考虑多方面因素，采用基于大量数据的人工智能手段对板带钢板形进行预测并提高其预测精度，使得现场能够进行较为精准的控制。
发明内容
针对上述现有技术存在的不足，本发明提供了一种基于Elman神经网络的热连轧出口板凸度动态预测方法，旨在采用生产线相关的实测数据及过程自动化级计算数据构建热连轧出口板凸度的动态预测模型，将轧制公里数作为代表轧辊磨损变化趋势的一项重要指标输入到模型中，对热连轧出口板凸度进行动态预测。
为实现上述目的，本发明提供以下的技术方案：
一种基于Elman神经网络的热连轧出口板凸度动态预测方法，该方法包括如下步骤：
步骤1：确定包括机架轧辊磨损量在内的热连轧出口板凸度的影响因素，并根据所述影响因素采集热连轧生产线中与热连轧出口板凸度相关的实测数据及过程自动化级计算数据；
步骤2：将按序依次轧制带钢的过程看作与出口板凸度相关的动态问题，计算各机架的轧制公里数，将各机架的轧制公里数代替热连轧出口板凸度的影响因素中的各机架的轧辊磨损量；
步骤3：将步骤1中采集到的实测数据及过程自动化级计算数据与步骤2中获得的各机架轧制公里数组合在一起构成数据集，从该数据集中划分出部分数据作为训练数据集。
步骤4：利用训练数据集对Elman神经网络进行训练，获得热连轧出口板凸度的动态预测模型；
步骤5：利用热连轧出口板凸度的动态预测模型对热连轧出口板凸度进行动态预测。
进一步地，根据所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，所述影响因素包括轧件变形抗力、轧件出口宽度、轧件出口厚度、轧件入口温度、轧件出口温度、轧件热膨胀量、机架轧辊磨损量、机架轧制力、轧件出口速度、机架弯辊力。
进一步地，根据所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，所述实测数据包括末机架的轧件出口板凸度、末机架的轧件出口宽度、第一机架的轧件入口温度、末机架的轧件出口温度、各个机架的轧制力、各个机架的弯辊力、末机架的轧件出口厚度、各个机架的轧件出口速度。
进一步地，根据所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，所述过程自动化级计算数据包括各个机架的轧件变形抗力、除末机架外其他各机架的轧件出口厚度、轧制过程轧件的热膨胀量。
进一步地，根据所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，所述计算各机架的轧制公里数的公式为：
上式中，Si为第i道次带钢的轧制公里数，m为在一个换辊周期内轧制带钢的总数，li,k为第i道次中轧制第k块钢的轧后长度；
上式中，l、b、h为带钢轧后长度、宽度、厚度，L、B、H为带钢轧前长度、宽度、厚度，i为轧制的不同道次。
进一步地，根据所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，在所述步骤4中利用训练数据集对Elman神经网络进行训练时，输出层神经元的传递函数采用purelin函数。
进一步地，根据所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，在所述步骤4中利用训练数据集对Elman神经网络进行训练时，中间层神经元的传递函数采用tagsig函数。
进一步地，根据所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，在所述步骤4中利用训练数据集对Elman神经网络进行训练时，采用traingdx作为网络训练函数。
总体而言，通过本发明所构思的以上技术方案较现有技术具有以下有益效果：采用Elman神经网络，在输入变量中加入轧制公里数这一随时间变化的数据对Elman神经网络进行训练建立轧制过程中热连轧出口板凸度的动态预测模型。该模型将按序依次轧制带钢的过程看作与出口板凸度相关的动态问题，将轧制公里数作为代表轧辊磨损变化趋势的一项重要指标输入到模型中。通过对照试验确定神经网络的模型参数，使得模型能够更精准地预测热连轧出口板凸度，对更精准的板形控制提供保障。
附图说明
图1为本实施方式基于Elman神经网络的热连轧出口板凸度动态预测方法的流程示意图；
图2为Elman神经网络原理图；
图3为Elman神经网络训练流程示意图；
图4为热连轧出口板凸度的动态预测模型与现有GA-BP网络模型的预测效果对比图；
图5为热连轧出口板凸度的动态预测模型与现有Elman神经网络模型的预测效果对比图。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰，下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的核心思路是：1、采集大量生产线相关的实测数据及过程自动化级计算数据用于构建热连轧出口板凸度的动态预测模型；2、将依次轧制带钢的过程看作随时间变化的动态问题；3、考虑到轧制过程中轧辊磨损对板凸度的影响，且随着轧制过程的不断进行，轧制公里数会不断增加，会加速轧辊磨损程度，因此将轧制公里数作为代表轧辊磨损变化趋势的一项重要指标输入到模型中对出口板凸度进行动态预测。
本实施方式以国内某热连轧生产线为例对本发明方法进行详细描述，该生产线为精轧八机架连轧生产线。图1是本实施方式基于Elman神经网络的热连轧出口板凸度动态预测方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤1：确定包括机架轧辊磨损量在内的热连轧出口板凸度的影响因素，并依据所述影响因素采集热连轧生产线中与热连轧出口板凸度相关的实测数据及过程自动化级计算数据；
采集热连轧生产线中与热连轧出口板凸度相关的实测数据及过程自动化级计算数据作为实验数据，式(1)为热连轧出口板凸度的机理公式，以此为依据并结合热连轧轧制工艺，确定以下热连轧出口板凸度的影响因素影响因素，分别为轧件变形抗力、精轧轧件出口宽度、精轧轧件出口厚度、精轧轧件入口温度、精轧轧件出口温度、精轧轧件热膨胀量、精轧机架轧辊磨损量、精轧机架轧制力、精轧轧件出口速度、精轧机架弯辊力。从现场提取数据，其中实测数据包括末机架(本实施例中末机架为精轧F8机架)的轧件出口板凸度、末机架的轧件出口宽度、第一机架(本实施例中第一机架为精轧F1机架)的轧件入口温度、末机架的轧件出口温度、各个机架(本实施例中为精轧F1-F8机架)的轧制力、各个机架的弯辊力、末机架的轧件出口厚度、各个机架的轧件出口速度，过程自动化级计算数据包括各个机架的轧件变形抗力、除末机架外其他各机架的轧件出口厚度、轧制过程轧件的热膨胀量。
式中，C为板凸度，P为轧制力，F为弯辊力，KP、KF分别为轧机横向刚度、弯辊横向刚度，ωc为可控辊型，ωH为热辊型，ωW为磨损辊型，ωO为初始辊型，Δ为入口带钢凸度，E0、EC、E∑为相应系数。
步骤2：将按序依次轧制带钢的过程看作与出口板凸度相关的动态问题，计算各机架的轧制公里数，将各机架的轧制公里数代替热连轧出口板凸度的影响因素中的各机架的轧辊磨损量；
在步骤1所述热连轧出口板凸度的影响因素中精轧各机架轧辊磨损量无法实时测量，且由于轧制过程中轧辊磨损的不均匀分布也无法通过机理公式求得精准数据。由式(1)、式(2)可得，在其他条件不变的情况下板凸度与轧辊磨损之间呈线性关系，轧辊磨损量与轧制公里数之间呈线性关系，因此，选用可反映出各机架轧辊磨损量规律的各机架轧制公里数代替各机架轧辊磨损量作为热连轧出口板凸度的影响因素之一。
将按序依次轧制带钢的过程看作与出口板凸度相关的动态问题，在轧制过程中，一个换辊周期内所轧制的带钢近似看作为一个随着时间进行的动态问题，所述的轧制公里数随着轧制带钢数量的增加而增加，因此轧制公里数计算公式可基于秒流量相等原理表示为式(3)、式(4)。以某一换辊周期为例，在该期间共轧制133块钢，部分的具体数据如表1所示，在表1中F1至F8代表精轧第一至第八机架。
上式中，Wi为第i道次的轧辊磨损量，P′为修正后的轧制力，B*为板带宽度，ld为接触弧长度，L为轧制长度，DWR为工作辊直径，HR为工作辊硬度，HIN为带钢入口厚度，HOUT为带钢出口厚度，f为前滑值，aW、bW为磨损量换算系数的工作辊直径项和常数项；α、β为与轧制力、磨损距离有关的经验系数，m为在一个换辊周期内轧制带钢的总数。
上式中，l、b、h为带钢轧后长度、宽度、厚度，L、B、H为带钢轧前长度、宽度、厚度，i为轧制的不同道次。
上式中，Si为第i道次带钢的轧制公里数，m为在一个换辊周期内轧制带钢的总数，li,k为第i道次中轧制第k块钢的轧后长度。
表1某换辊周期内部分具体数据
步骤3：将步骤1中采集到的实测数据及过程自动化级计算数据与步骤2中获得的各机架轧制公里数组合在一起构成数据集，从该数据集中划分出部分数据作为训练数据集。
在本实施例中，将步骤1中采集到的实测数据及过程自动化级计算数据与步骤2中求得的精轧各机架轧制公里数组合在一起构成本实例的数据集，并依照时间先后顺序以7:3的比例划分训练数据集以及测试数据集。
步骤4：利用步骤3获得的训练数据集对Elman神经网络进行训练，获得热连轧出口板凸度的动态预测模型；
所述Elman神经网络的原理及流程分别如图2和图3所示。Elman神经网络的非线性状态空间表达式为：
y(z)＝g(w3x(z)) (5)
x(z)＝f(w1xc(z)+w2(u(z-1))) (6)
xc(z)＝x(z-1) (7)
式中，y为m维输出结点向量；x为n′维中间层结点单元向量；u为r维输入向量；xc为n′维反馈状态向量；w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值；g(*)为输出层神经元的传递函数，本实例采用的是purelin函数；f(*)为中间层神经元的传递函数，本实例采用的是tagsig函数。
所述Elman神经网络相关参数选取的方法是采用步骤3所述训练集与测试集进行训练、测试，以步骤3所述数据集中的精轧F8机架的轧件出口板凸度这一变量作为模型的输出变量、以包含轧制公里数在内的其余变量作为模型的输入变量，再利用控制变量法通过不同训练函数对泛化性能的影响不同来选择Elman神经网络的训练函数，再经由不同中间层神经元个数所产生的误差不同来选取中间层神经元个数，同理，根据不同最大迭代次数所产生的误差不同来确定模型中采用的最大迭代次数，进而建立Elman神经网络热连轧出口板凸度预测模型。本实例中采用traingdx作为网络训练函数，将中间层神经元个数设置为15，将该网络的最大迭代次数设置为2000。
步骤5：利用热连轧出口板凸度的动态预测模型对热连轧出口板凸度进行动态预测。
对热连轧出口板凸度的动态预测模型的预测性能进行评估，方法为将本实施方式的热连轧出口板凸度的动态预测模型与传统的GA-BP神经网络模型的预测性能进行对比，以及对本实施方式的热连轧出口板凸度的动态预测模型与现有的Elman神经网络模型的预测性能进行对比，经由性能指标平均绝对误差MAE、相关系数R、均方误差MSE、均方根误差RMSE等评估预测结果，分析预测精度，误差指标表达式为：
式中，yi为实际值，y′i为预测值，
为均值。
其中，上述预测结果如表2所示，预测效果对比图如图4和图5所示。
表2热连轧出口板凸度的动态预测模型的预测性能
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，该方法包括如下步骤：
步骤1：确定包括机架轧辊磨损量在内的热连轧出口板凸度的影响因素，并根据所述影响因素采集热连轧生产线中与热连轧出口板凸度相关的实测数据及过程自动化级计算数据；
步骤2：将按序依次轧制带钢的过程看作与出口板凸度相关的动态问题，计算各机架的轧制公里数，将各机架的轧制公里数代替热连轧出口板凸度的影响因素中的各机架的轧辊磨损量；
步骤3：将步骤1中采集到的实测数据及过程自动化级计算数据与步骤2中获得的各机架轧制公里数组合在一起构成数据集，从该数据集中划分出部分数据作为训练数据集；
步骤4：利用训练数据集对Elman神经网络进行训练，获得热连轧出口板凸度的动态预测模型；
步骤5：利用热连轧出口板凸度的动态预测模型对热连轧出口板凸度进行动态预测。
2.根据权利要求1所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，所述影响因素包括轧件变形抗力、轧件出口宽度、轧件出口厚度、轧件入口温度、轧件出口温度、轧件热膨胀量、机架轧辊磨损量、机架轧制力、轧件出口速度、机架弯辊力。
3.根据权利要求1所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，所述实测数据包括末机架的轧件出口板凸度、末机架的轧件出口宽度、第一机架的轧件入口温度、末机架的轧件出口温度、各个机架的轧制力、各个机架的弯辊力、末机架的轧件出口厚度、各个机架的轧件出口速度。
4.根据权利要求1所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，所述过程自动化级计算数据包括各个机架的轧件变形抗力、除末机架外其他各机架的轧件出口厚度、轧制过程轧件的热膨胀量。
5.根据权利要求1所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，所述计算各机架的轧制公里数的公式为：
上式中，Si为第i道次带钢的轧制公里数，m为在一个换辊周期内轧制带钢的总数，li,k为第i道次中轧制第k块钢的轧后长度；
上式中，l、b、h为带钢轧后长度、宽度、厚度，L、B、H为带钢轧前长度、宽度、厚度，i为轧制的不同道次。
6.根据权利要求1所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，在所述步骤4中利用训练数据集对Elman神经网络进行训练时，输出层神经元的传递函数采用purelin函数。
7.根据权利要求1所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，在所述步骤4中利用训练数据集对Elman神经网络进行训练时，中间层神经元的传递函数采用tagsig函数。
8.根据权利要求1所述的基于Elman神经网络的热连轧出口板凸度动态预测方法，其特征在于，在所述步骤4中利用训练数据集对Elman神经网络进行训练时，采用traingdx作为网络训练函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111454865.1A CN114091352A (zh) | 2021-12-01 | 2021-12-01 | 基于Elman神经网络的热连轧出口板凸度动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111454865.1A CN114091352A (zh) | 2021-12-01 | 2021-12-01 | 基于Elman神经网络的热连轧出口板凸度动态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114091352A true CN114091352A (zh) | 2022-02-25 |
Family
ID=80306231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111454865.1A Pending CN114091352A (zh) | 2021-12-01 | 2021-12-01 | 基于Elman神经网络的热连轧出口板凸度动态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091352A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115034121A (zh) * | 2022-08-11 | 2022-09-09 | 太原科技大学 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
| CN115062431A (zh) * | 2022-06-27 | 2022-09-16 | 东北大学秦皇岛分校 | 一种基于CS-Elman神经网络模型的热轧板凸度预测方法 |
| CN115062431B (zh) * | 2022-06-27 | 2024-05-31 | 东北大学秦皇岛分校 | 一种基于CS-Elman神经网络模型的热轧板凸度预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2736233A1 (de) * | 1976-08-13 | 1978-02-16 | Ishikawajima Harima Heavy Ind | Verfahren und vorrichtung zur steuerung der oberflaechenballigkeit und der form von walzgut |
| CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
| CN109558677A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种基于数据驱动的热轧板凸度预测方法 |
| CN112037209A (zh) * | 2020-09-02 | 2020-12-04 | 上海大学 | 一种钢板轧辊磨损量预测方法及系统 |
| CN112170501A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种轧辊磨损凸度和热凸度的预测方法 |
| CN112749505A (zh) * | 2020-12-16 | 2021-05-04 | 太原科技大学 | 一种机理融合数据的热轧带钢截面形状预测方法 |
-
2021
- 2021-12-01 CN CN202111454865.1A patent/CN114091352A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2736233A1 (de) * | 1976-08-13 | 1978-02-16 | Ishikawajima Harima Heavy Ind | Verfahren und vorrichtung zur steuerung der oberflaechenballigkeit und der form von walzgut |
| CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
| CN109558677A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种基于数据驱动的热轧板凸度预测方法 |
| CN112037209A (zh) * | 2020-09-02 | 2020-12-04 | 上海大学 | 一种钢板轧辊磨损量预测方法及系统 |
| CN112170501A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种轧辊磨损凸度和热凸度的预测方法 |
| CN112749505A (zh) * | 2020-12-16 | 2021-05-04 | 太原科技大学 | 一种机理融合数据的热轧带钢截面形状预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱从波: "热轧板型控制", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅰ辑》, 15 March 2004 (2004-03-15), pages 8 - 11 * |
| 黄亚飞等: "神经网络在热轧板凸度预报模型中的应用", 《山东冶金》, 31 December 2010 (2010-12-31), pages 1 - 3 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115062431A (zh) * | 2022-06-27 | 2022-09-16 | 东北大学秦皇岛分校 | 一种基于CS-Elman神经网络模型的热轧板凸度预测方法 |
| CN115062431B (zh) * | 2022-06-27 | 2024-05-31 | 东北大学秦皇岛分校 | 一种基于CS-Elman神经网络模型的热轧板凸度预测方法 |
| CN115034121A (zh) * | 2022-08-11 | 2022-09-09 | 太原科技大学 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
| CN115034121B (zh) * | 2022-08-11 | 2022-10-25 | 太原科技大学 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
| CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
| CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
| CN112170501B (zh) | 一种轧辊磨损凸度和热凸度的预测方法 | |
| CN108637020A (zh) | 一种自适应变异pso-bp神经网络带钢凸度预测方法 | |
| JP5003483B2 (ja) | 圧延ラインの材質予測および材質制御装置 | |
| CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
| WO2022116571A1 (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
| CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
| Hwang et al. | Hybrid model of mathematical and neural network formulations for rolling force and temperature prediction in hot rolling processes | |
| CN111570533B (zh) | 热轧卷取温度与终轧温度对平整变形抗力影响预测方法 | |
| CN112037209A (zh) | 一种钢板轧辊磨损量预测方法及系统 | |
| CN102069095A (zh) | 一种基于统计学习的精轧终轧温度预测和控制方法 | |
| CN111790762B (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
| CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
| CN114818456B (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
| CN116259379A (zh) | 一种热轧带钢形变性能的在线智能预测方法及预测系统 | |
| CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
| CN117655118B (zh) | 多模融合的带钢板形控制方法和装置 | |
| Langbauer et al. | Development of an artificial neural network (ANN) model to predict the temperature of hot-rolled steel pipes | |
| CN114888092A (zh) | 一种基于跨工序数据平台的冷轧变形抗力预测方法 | |
| CN114764547A (zh) | 融合机理与深度学习的加热炉钢坯温度预测方法及装置 | |
| Ma et al. | Effect of strip profile of hot-rolled silicon steel on transverse thickness difference of cold-rolled strip |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |