热轧带钢力学性能预报模型

合集下载

Keras深度学习框架下BP神经网络的热轧带钢力学性能预测

大多数情况下工业热轧机所测得的特定钢种的力学性能、化学成分和工艺参数的数据都不够离散，有用的数据是有限的。

因此，在有限的训练数据下，应考虑基于统计的热轧带钢力学性能预报模型。

1热轧带钢力学性能概述在预测热轧带钢力学性能的统计模型中，最常用的方法是多元回归分析法[1]，但由于线性回归模型不能描述自变量和因变量之间的复杂相关性，因此近年来通常引入神经网络方法来解决此问题。

后者虽然具有调节简单、易于实现、效率高等优势，但也存在训练数据多、计算量大、收敛速度慢、泛化能力弱等缺陷。

2BP 人工神经网络（1）基本原理。

BP 人工神经网络是应用最广泛的神经网络之一。

反向传播神经网络是向多层前向网络的单向传输，图1为BP 网络的结构。

BP 神经网络包括输入层、隐层和输出层。

对于隐藏节点或多层树节点来说，不存在任何耦合。

输入信号来自输入层的节点，依次通过隐藏层的节点，然后到达输出层的节点。

每一层的节点输出只影响下一层的节点输入[2]。

单元特征是“S 形”，但在输出层单元节点偶尔会呈现线性特征。

如果输出层不能达到预期的输出，就会转向反向传播过程，错误输出信号会沿原连接路径返回。

因此，每层的节点神经元权值可通过反复修改使总体误差达到最小。

BP 网络可以看作从输入到输出的高度非线性映射，通过简单的线性函数组合多次，被认为是近似复杂的函数。

（2）模型建立。

首先要确定BP 神经网络输入输出的参数。

原始组成和生产工艺参数是影响成品机械性能的主要因素，因此设置了重要的输入参数，包括化学成分（如碳、铝、硅、磷、锰、硫、钙含量）、进口速度、进口温度、终轧温度、卷取温度及厚度。

输出主要测量指标包括屈服强度、抗拉强度和伸长率。

然后是学习参数的确定，选取Traingdm 作为网络训练的对象。

Traingdm 的学习参数主要是学习速率（lr ）、动量因子和训练精度。

改变参数中的任意一个或两个参数都可以实现参数对性能的影响预测。

在参数训练过程中，选择初始学习精度和动量因子，lr 从0.1变化到0.9。

热轧带钢精轧过程高精度轧制力预测模型

收稿日期:2008-07-10基金项目:国家自然科学基金资助项目(50534020).作者简介:李海军(1979-),男,辽宁锦州人,东北大学讲师,博士;徐建忠(1964-),男,黑龙江双城人,东北大学教授;王国栋(1942-),男,辽宁大连人,东北大学教授,博士生导师,中国工程院院士.第30卷第5期2009年5月东北大学学报(自然科学版)Journal of Northeastern U niversity(Natural Science)Vol 30,No.5M ay 2009热轧带钢精轧过程高精度轧制力预测模型李海军,徐建忠,王国栋(东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳 110004)摘要:轧制力模型的计算精度直接影响热轧带钢厚度控制精度,目前大多数轧制力模型都把轧制压力分解成应力状态影响系数和变形抗力的乘积.选用与西姆斯公式吻合较好美坂佳助公式作为应力状态影响系数模型,并考虑残余应变的影响,建立了高精度轧制力预测模型.分析了残余应变对普碳钢和合金钢轧制力的影响,给出了带钢热连轧机组残余应变工程计算方法.现场应用结果表明,该轧制力模型具有较高的预测精度,可以满足在线要求.关键词:轧制力;热轧带钢;厚度控制;残余应变中图分类号:T G 335.52 文献标识码:A 文章编号:1005-3026(2009)05-0669-04High -Precision Rolling Force Prediction Model for Hot Strip Continuous Rolling ProcessL I Hai -j un,X U Jian -z hong ,WAN G Guo -dong(State K ey Laboratory of Rolling &A utomation,Nor theastern U niversit y,Shenyang 110004,China.Correspondent:L I Ha-i jun,E -mail:lihj @)Abstract:The precision of gaug e control of hot -rolled strip is directly affected by the calculatingprecision of rolling force model,w here the rolling pressures in the models are mostly decomposed and become the product of the influence coefficient in stress state and resistance to deformation.A high -precision rolling force prediction model was developed choosing M isaka Yoshisuke formula as the model of influence coefficient in stress state,w hich conforms w ell w ith Simon s formula,w ith the effects of residual strain considered.The influences of residual strain on the rolling force action on carbon steel and alloy steel were analyzed to g ive a calculation model for the residual strain of tandem hot strip rolling mill.T he application results show ed that the rolling force model has high prediction precision to satisfy the on -line requirements.Key words:rolling force;hot strip;g auge control;residual strain 热轧带钢的厚度精度是产品质量的重要指标之一.从过程设定模型角度看,与头部厚度命中率密切相关的模型有两个:轧制力计算模型和轧机辊缝位置模型.任何一个模型计算有偏差都会造成厚度精度的下降.其中轧机辊缝位置模型可以根据实测数据和理论计算进行拟合,其计算精度一般比较高,但轧制力模型的计算精度一直是影响设定精度的瓶颈,所以国内外许多学者在这方面做了许多工作[1-4].本文考虑了残余应变和机架间张力等因素的影响,建立了高精度轧制力在线预测模型.1 轧制力数学模型1.1 轧制力模型结构目前大多数轧制力数学模型的共同特点是除了考虑轧件的宽度和轧辊的接触弧长之外,都把轧制压力分解成两个函数的乘积[5-6].一个函数是变形抗力,另一个函数是应力状态影响系数.轧制力数学模型形式如下式所示:F =K m L d W Q F .(1)式中:F 为轧制力,kN ;K m 为材料平均变形抗力,MPa ;L d 为接触弧长度,mm ;W 为轧件宽度,mm ;Q F 为应力状态影响系数.1.2 应力状态影响系数模型目前普遍认为基于Orow an 理论的西姆斯的应力状态系数模型是最适于热轧带钢轧制力模型的理论公式.由于西姆斯模型比较复杂,许多人在其基础上发表了各种简化的西姆斯应力状态影响系数公式.其中比较著名的有志田茂公式、美坂佳助公式、福特-亚历山大公式和克林特里公式[2].1)志田茂公式Q F =0 8+C R dH -0 5;C =0 052r+0 016, 0 15;0 2 r +0 12,>0 15.(2)式中:R d 为轧辊弹性压扁半径,mm ;H 为机架入口轧件厚度,mm;r 为压下率.2)美坂佳助公式Q F =4+0 25L d H c,H c =(H +h)/2.(3)式中:L d 为变形区接触弧长度,mm ;H c 为轧件平均厚度,mm ;H 为机架入口轧件厚度,mm ;h 为机架出口轧件厚度,mm .3)福特-亚历山大公式Q F =0 786+r (2-r )21-rR dH.(4)其中各参数的意义参见式(3).4)克林特里公式Q F =0 75+0 27L dH c,H c =(H +h)/2.(5)其中各参数的意义参见式(2)和(3).采用上述4个公式计算了不同的R /h 条件下,应力状态影响系数与压下率的关系曲线,并与西姆斯公式计算结果进行比较,图1给出R /h =80和R /h =150条件下的计算结果.从不同的R /h 条件下的计算结果来看,美坂佳助公式和克林特里公式与西姆斯公式吻合较好,而志田茂公式和福特-亚历山大公式与西姆斯公式计算结果存在着较大的偏差.本文选用了与西姆斯公式吻合得较好的美坂佳助公式作为应力状态影响系数模型.图1 应力状态影响系数与压下率的关系曲线F i g.1 Influence coeffici ent in stress state vs.redu cti on ratio(a) R /h =80;(b) R /h =150.1.3 变形抗力模型变形抗力模型是轧制力模型的核心,它直接决定了轧制力模型的预报精度.志田茂对8种碳素钢进行了实验,在实验的基础上提出了碳素钢的金属塑性变形阻力模型.志田茂模型考虑了相变对金属塑性变形阻力的影响,在相变临界温度两侧采用了不同的模型,模型中相变临界温度是碳含量的函数.t o d =950w (C )+0 41w (C )+0 32-273.15.(6)式中:t od 为相变临界温度, ;w (C )为碳质量分数,%.在相变临界温度两侧,志田茂金属塑性变形阻力公式为 s =0 28exp 5.0T -0.01w (C )+0.05u 10m1.3e 0.2n-0.3e 0.2,t o t od ;0 28g exp 5.0T d -0.01w (C )+0.05u 10m1.3e 0.2n-0.3e0.2,t o<t o d .(7)式中:g =30.0(w (C )+0.90)T -0.95w (C )+0.49w (C )+0.422+w (C )+0.06w (C )+0.09;670东北大学学报(自然科学版) 第30卷m=(-0.019w(C)+0.126)T+0.075w(C)+0.050,t o t o d, (0.081w(C)-0.154)T-0.019w(C)+0.207+0.027w(C)+0.320,t o<t o d;n=0.41-0.07w(C);T=t o+2731000;T d=t o d+2731000;e=ln11-r;u=V rR d H1re;r=H-hH.式中: s为金属塑性变形阻力,kg/m m2;u为变形速度,1/s;e为变形程度;r为压下率;V r为轧辊线速度,m/s;R d为轧辊弹性压扁半径,mm;t o 为轧件温度, ;H为机架入口带钢厚度,m m;h 为机架出口带钢厚度,mm.在志田茂公式的基础上,考虑化学成分影响项,并进行单位转换,得到的平均变形抗力模型K m=239.8 n i=1{C km i w i}+C km0 s.(8)式中:K m为金属的平均变形抗力,MPa; s为由志田茂公式计算得到的金属塑性变形阻力,kg/ mm2;w i为化学成分质量分数,%;C km i为化学成分影响项系数.1.4 机架间残余应变模型轧件在精轧机组中轧制随着温度的降低,回复和再结晶会变得不完全,进而产生加工硬化现象.对于普碳钢一般890 左右,回复和再结晶会变得不完全,而对于合金钢由于合金元素的作用,完全回复和再结晶的所需的温度更高,加工硬化现象就更加明显,为了提高轧制力模型预报精度,需要考虑加工硬化对金属变形抗力的影响.定义p为道次间再结晶的百分数[7-10],该参数是静态回复动力学的重要参数.p=1,t o C rcy0;1-ex p C rcy10.5Crcy2,t o<C rcy0,0.5=C rcy3e C rcy4t exp C rcy53.14 (t o+273).(9)式中: 0.5为发生50%再结晶需要的时间,s; 为轧件在机架间的运输时间,s;t o为机架间轧件的平均温度, .当机架间轧件的平均温度高于未再结晶区开始温度C rcy0时,再结晶完全,前一机架的残余应变为零,否则需要考虑前一机架的残余应变对本机架变形抗力的影响.近似认为残余应变占总应变的比例与道次间未再结晶部分的百分数1-p 成正比关系,e t=C rcy6[(1-p)e t i-1].(10)式中:e t i-1为前机架累加变形程度;e t为残余应变;C rcy i为模型参数,不同钢种的残余应变模型参数不同.以天津荣程750m m精轧机组为例,假设粗轧末道次出口温度1050 ,中间坯厚度28.0 mm,目标宽度为530mm,穿带速度为6.5m/s,各机架出口轧件厚度如表1所示.表1 精轧机组各机架出口轧件厚度Table1 Strip thicknesses at exits of different finishi ng stands 机架号JP1JP2JP3JP4JP5JP6JP7JP8出口厚度/mm21.2816.3210.97.56 5.35 3.91 3.06 2.53对于普碳钢和合金钢各机架的残余应变及轧制力变化如表2所示.从表2中的计算结果可以看出对于普碳钢,残余应变对下游机架有一定的影响,但轧制力的变化很微小,完全可以忽略不计;而对于合金钢,从上游机架到下游机架,残余应变的影响逐渐加强,在JP8机架轧制力变化超过了15%,所以必须考虑残余应变对轧制力的影响.表2 残余应变对精轧机组轧制力的影响Table2 Influences of residual strains on rolling force acting on different fini s hing stands机架号JP1JP2JP3JP4JP5JP6JP7JP8普碳钢残余应变00000 5.1 10-51.3 10-42.5 10-4轧制力变化/%000000.030.030.08合金钢残余应变0 2.8 10-41.5 10-36.1 10-30.0140.0250.0380.051轧制力变化/%00.070.22 1.13 2.96 5.989.3215.44671第5期李海军等:热轧带钢精轧过程高精度轧制力预测模型2 轧制力模型在线应用的效果本文建立的轧制力数学模型已经被应用于天津荣程750mm 中宽带液压AGC 系统改造过程中.在轧制力模型自学习功能不投入的情况下,轧制力模型预测偏差基本上可控制在12%以内;在模型自学习功能投入的情况下,轧制力模型预测偏差基本上可控制在4%以内,完全满足在线控制要求.图2给出了在轧制力模型自学习功能未投入的情况下,成品规格分别为4.75 500m m 和6.5 570mm 时的两卷钢不同机架轧制力实测值和预测值的变化趋势.图2 成品规格不同时轧制力预测值与实测值的比较Fig.2 R olling force com pari son between the values predicted and m easured(a) 成品规格为4.75 500mm;(b) 成品规格为6.5 570mm.3 结论1)考虑了残余应变对轧制力的影响,给出带钢热连轧机组残余应变工程计算方法.2)对于普碳钢,残余应变对轧制力的影响较小;对于合金钢,残余应变对轧制力的影响较大,需考虑残余应变对轧制力的影响.3)天津荣程750mm 热轧生产实践表明,在模型自学习功能不投入的情况下,本文所建立的轧制力模型预测偏差基本上可控制在12%以内;在模型自学习功能投入的情况下,轧制力模型预测偏差基本上可控制在4%以内,完全可以满足在线控制要求.参考文献:[1]Lee D M ,Choi S G.Application of on -line adaptable neural netw ork for the rolling force set -up of a plate m i ll [J ].Engine er ing Applications of A rtificial Intelligence ,2004,17(5):557-565.[2]Zhu H P,Yu A B.A th eoretical analysis of the force models in di screte element method[J].Pow der Technology ,2006,161(2):122-129.[3]Son J S,Lee D M ,Kim I S,et al .A study on online learn i ng neural netw ork for prediction for rolling force in hot -rolling m i ll[J ].Jour nal of M ater ials Processing Technology ,2005,164/165:1612-1617.[4]Jiang Z Y,T ieu A K,Lu C,et al .A three -dimensional thermo -mechanical finite element m odel of complex strip rolli ng consideri ng sticki ng and slipping fricti on[J].Jour nal of M aterials Processing Technology ,2002,125/126:649-656.[5]Wang J C,Chen C Z.On the optimization of a rolling -force model for a hot strip finishing line[J ].I SA Tr ansactions ,2007,46(4):527-531.[6]刘文仲,吕志民.热连轧带钢压力数学模型及其建模方法研究[J].钢铁,2002,37(5):34-37.(Liu W en -zhong,L Zh-i min.Study on rolling force model on hot strip mill[J].I ron a nd S teel ,2002,37(5):34-37.)[7]刘振宇,许云波,王国栋.热轧钢材组织-性能演变的模拟和预测[M ].沈阳:东北大学出版社,2004:111-114.(Liu Zhen -yu,Xu Yun -bo,Wang Guo -dong.Simul ati on and predictionofmicrostructuralchangesandmechanicalproperties for hot rolling [M ].S henyang:Northeastern University Press,2004:111-114.)[8]S ellars C M ,Whiteman J A.Recrystalli zation and gain growth in hot rolling [J ].M etal Scie nce ,1978,13(3/4):187-194.[9]Kw on O.A technology for the prediction and control of microstructural changes and mechanical properties in steel [J].ISIJ I nter national ,1992,32(3):350-358.[10]Korczak P,Dyja H.Investigati on ofmicrostructurepredi ction duri ng experimental therm o -mechanical plate rolling[J ].Jour nal of M aterials Pr ocessing Technology ,2001,109:112-119.672东北大学学报(自然科学版) 第30卷。

基于卷积神经网络的热轧带钢力学性能预报

第41卷第5期武汉科技大学学报V o l .41,N o .52018年10月J o u r n a l o fW u h a nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍O c t .2018收稿日期:2018-07-05基金项目:国家自然科学基金资助项目(51774219);武汉市青年科技晨光计划资助项目(2016070204010099). 作者简介:胡石雄(1994-),男,武汉科技大学硕士生.E -m a i l :158766044@q q.c o m. 通讯作者:李维刚(1977-),男,武汉科技大学教授,博士生导师.E -m a i l :l i w e i g a n g.l u c k @f o x m a i l .c o m D O I :10.3969/j.i s s n .1674-3644.2018.05.004基于卷积神经网络的热轧带钢力学性能预报胡石雄1,李维刚1,2,杨威1(1.武汉科技大学冶金自动化与检测技术教育部工程研究中心,湖北武汉,430081;2.武汉科技大学高温材料与炉衬技术国家地方联合工程研究中心,湖北武汉,430081)摘要:为解决热轧带钢力学性能预报精度的问题,本文提出了一种将一维数值型数据转换为二维图像型数据的建模方法,基于L e N e t -5和G o o g L e N e t 卷积神经网络,构建了一种新型的热轧带钢力学性能预报模型,并利用实际生产数据对模型的适用性进行了测试㊂结果表明,所建模型的抗拉强度预报误差为2.49%,均方根误差为19.15M P a ,预测精度高于B P 神经网络和单独的L e N e t -5和G o o g l e N e t 卷积神经网络模型,所建模型的有效性和准确性均得到了验证㊂关键词:热轧带钢;力学性能预报;卷积神经网络;L e N e t -5;G o o g L e N e t 中图分类号:T G 335.5 文献标志码:A 文章编号:1674-3644(2018)05-0338-07当今钢铁市场竞争日益激烈,如何在不断改善钢铁产品组织性能的同时,缩短产品研发周期㊁降低生产成本,已成为钢铁企业亟需解决的问题㊂热轧带钢的力学性能预报是目前阶段钢铁冶金企业开发的重点技术之一,具有广阔的应用前景㊂现有的带钢力学性能预报模型的建模思路大致分为两种[1]:一种是机理建模,主要是基于实验室物理冶金学的实验结果,建立模型来预测产品的力学性能,如I r v i n e 和P i c k e r i n g 提出了利用数学模型预测钢材组织演变及力学性能的方法;另一种是数据建模,根据实际生产数据,利用神经网络等智能算法来预测钢材的力学性能,如贾涛[2]㊁B h a t t a c h a r y ya [3]等均建立了相应的性能预报模型㊂以上两种建模方法都取得了不错的成果,但也有不足之处:机理建模多以钢种为单位进行研究,局限性强;B P 神经网络各层之间以全连接方式进行连接,不能很好地表达出影响因素之间复杂的交互作用关系㊂卷积神经网络(C o n v o l u t i o n a lN e u r a lN e t -w o r k ,C N N )是近年来特别热门的深度神经网络模型㊂相比于传统神经网络,卷积神经网络采用的局部连接(L o c a l l y -c o n n e c t i o n )方式,有效减少了需要计算的参数个数㊂另外,权值共享方法可以使图像具有平移不变性,下采样操作可使图片具有一定的缩放不变性㊂目前,卷积神经网络结构已被广泛应用于自然语言分析㊁模式识别㊁图像处理等领域,但在工业生产领域内的研究应用尚不多见㊂基于此,本文提出了一种将一维数值型数据转换成二维图像型数据的建模方法,并基于卷积神经网络结构L e N e t -5和G o o g L e N e t ,建立了热轧带钢力学性能预报模型,代入实际生产数据并通过对比实验对所建模型的有效性和准确性进行了验证㊂1 相关工作1.1 L e N e t -5卷积网络结构卷积神经网络L e N e t -5[4]的基本结构如图1所示㊂由图1可知,该网络结构主要包括输入层㊁卷积层(C o n v o l u t i o n a l l a y e r )㊁下采样层(S u b -s a m p l i n g)㊁全连接层(F u l l c o n n e c t i o n )和输出层,其中卷积层和池化层(P o o l i n g )交替出现,构成一个特殊的隐层㊂值得注意的是,输入图像需要经过大小归一化处理,每一个神经元的输入来自于前一层的一个局部邻域,并且被加上由一组权值决定的权重㊂提取到的这些特征在下一层相结合形成更高一级的特征,并且同一特征图的神经元共享相同的一组权值,次抽样层对上一层进行压2018年第5期胡石雄,等:基于卷积神经网络的热轧带钢力学性能预报图1L e N e t-5卷积神经网络F i g.1L e N e t-5c o n v o l u t i o n a l n e u r a l n e t w o r k缩,在减少数据处理量的同时保留了有用信息㊂1.2G o o g L e N e t卷积网络结构G o o g L e N e t[5]是2014年C h r i s t i a nS z e g e d y 提出的一种全新的卷积神经网络结构,共有22个卷积层,相比于A l e x N e t[6]和V G G[7]等深度卷积神经网络结构,G o o g L e N e t在增加了网络深度和宽度的情况下,具有更少的参数和更小的计算量,其完整结构如图2所示㊂图2G o o g L e N e t卷积神经网络F i g.2G o o g L e N e t c o n v o l u t i o n a l n e u r a l n e t w o r k1.3预测方法的融合在L e N e t-5和G o o g L e N e t网络结构基础上,本文提出了两点重要改进:一是将全连接甚至是一般的卷积均转化为稀疏连接[8],二是提出应用I n c e p t i o n结构于网络模型中,即在保证网络结构稀疏性的同时,又能利用密集矩阵的高计算性能㊂I n c e p t i o n结构模块如图3所示㊂在I n c e p t i o n结构中,笔者采用了不同大小的卷积核进行特征提取,最后将提取到的不同尺度特征进行堆叠(C o n c a t e n a t i o n)㊂相比于单一的卷积核,I n c e p t i o n 结构具有更强的适应性㊂由于使用5ˑ5的卷积图3I n c e p t i o n模块结构示意图F i g.3S c h e m a t i c d i a g r a mo f t h e I n c e p t i o nm o d u l e 核会带来巨大的计算量,故采用1ˑ1的卷积核进行降维处理[8]㊂2带钢力学性能预报模型的设计2.1数据获取与预处理获取某大型热连轧生产线的历史实际生产数据,基于随机森林算法和冶金机理筛选出重要影响因子,并剔除掉一些不可见干扰因素[9],最终得到44760条带钢数据,每条数据中含20个影响因子和一个响应变量抗拉强度(T s),所得实验数据集的具体组成如表1所示㊂从表1中可以看出,具有不同特征维度的影响因子的表征含义㊁数量级及量纲单位不同,直接用于训练会影响模型精度,并且容易陷入局部最优解㊂因此,在开始训练前,需要对输入数据进行归一化处理,使各项数据指标之间具有可比性㊂原始数据经过标准化处理后,各指标处于同一数量级,模型收敛速度有所提升㊂B P神经网络通常采用一维数值型数据进行933武汉科技大学学报2018年第5期表1实验数据集的组成T a b l e1C o m p o s i t i o no f t h e e x p e r i m e n t a l d a t a s e t 变量最小值最大值平均值F T/ħ112712611214.80 F E T/ħ91011031013.25 F D T/ħ806919860.15 C T/ħ549630572.96 R T/ħ100811241075.54 F D H/mm1.5959.793.71 w(S i)/%0.0050.180.03 w(M n)/%0.711.731.04 w(P)/%0.00540.0250.016 w(S)/%0.00030.0110.005 w(C u)/%00.040.013 w(N i)/%00.050.006 w(C r)/%0.0080.0270.015 w(M o)/%00.0060.0012 w(V)/%00.00320.0002 w(T i)/%00.00970.0013 w(B)/%00.00120.00003 w(N b C)/%0.0130.0860.035 w(N b N)/%0.0150.0680.037 w(C s)/%0.050.150.069 T s/M P a324770539.16注:F T为出炉温度;F E T为精轧入口温度;F D T为终轧温度;C T为卷取温度;R T为粗轧出口温度;F D H为终轧厚度㊂建模,连接方式如图4(a)所示㊂由图4(a)可知,全连接层中每一个神经元均与输入数据中任一影响因子相连,无法表达出影响因素之间的局部交互作用关系,且需要计算的参数较多,故卷积神经网络采用如图4(b)所示的局部相连方式㊂在对图片进行卷积处理的过程中,影响因子通过不同大小的卷积核与周围其它影响因子局部相连,从而得到影响因子之间的局部交互作用关系㊂由于卷积核具有权值共享特性,故相比于B P 神经网络,卷积神经网络具有更少的参数和更小的计算量㊂数字图像本质是一个多维矩阵,而传统的一维数值型数据表示的是一个一维矩阵,将一维数值型数据转为二维图像型数据实际是将多个一维矩阵进行拼接的过程㊂相比于一维数值型数据,二维图像型数据信息结构更为丰富,进行特征提取时能获取的有效信息更多㊂在进行数据转换之前,首先需要确定图像的尺寸,即图像的高和宽㊂由于图像高和宽的乘积需要远远大于影响因子个数,故决定将一维数值型数据转换成大小为32ˑ32的二维图像型数据,(a)B P神经网络(b)卷积神经网络图4不同神经网络的连接方式F i g.4C o n n e c t i o nm e t h o do f d i f f e r e n t n e u r a l n e t w o r k s其中共包含1024个像素点㊂依次将与带钢力学性能相关的20个影响因子填入1024个像素点中,每个像素点值的大小代表图片中该点位置颜色的深浅,每个影响因子被填入51次左右㊂该步骤主要是利用P y t h o n编程完成的,大致转换过程如图5所示㊂图5数值型数据转换成图像数据过程示意图F i g.5S c h e m a t i c d i a g r a mo f t h e p r o c e s s o f c o n v e r t i n g n u m e r i c a l d a t a i n t o i m a g e d a t a 0432018年第5期胡石雄,等:基于卷积神经网络的热轧带钢力学性能预报2.2 模型结构确定由于本文所建立的热轧带钢力学性能预报模型的影响因子较少,直接使用较深的卷积神经网络结构难以取得好的效果,而使用太浅的模型结构精确度往往不高,故需要进行对比实验来确定模型中卷积层的层数㊂本研究利用I n c e p t i o n 结构替代L e N e t -5结构中的卷积层,选取均方根误差(R M S E )和平均绝对百分误差(MA P E )作为模型准确性的评价指标,即:R M S E =1m ðm i =1(y i -y ^i )2(1)MA P E =1m ðmi =1|y i -y ^i |yæèçöø÷i ˑ100%(2)式中:m 表示数据集大小,y ^i 为样本实测值,y i 为模型预测值㊂其余参数相同时,不同I n c e pt i o n 结构数量下模型的计算偏差如表2所示,可以看出,当I n c e p -t i o n 结构个数选取为3时,模型具有较高的预报精度㊂表2 不同I n c e pt i o n 结构个数的实验结果T a b l e 2E x p e r i m e n t a l r e s u l t sw i t hd i f f e r e n t I n c e p t i o nn u m -b e r s编号I n c e pt i o n 结构数量/个R M S E /M P a MA P E /%1131.463.492321.072.673524.482.794727.322.745929.103.12图6即为本研究采用的卷积神经网络模型结构㊂考虑到输入图像尺寸(32ˑ32)较小,故不适合使用太大的卷积核和步长,本文所用卷积核最大为5ˑ5,步长均为1㊂输入图像经过I n c e p -t i o n 1进行特征提取之后,接一个最大池化层(M a x p o o l i n g ),卷积核大小为3ˑ3,步长为2㊂该模型中的池化层均采用最大池化,这是因为相比于平均池化(A v e r a g e p o o l i n g ),最大池化能更有效地减少卷积层参数误差所造成的估计均值偏移,其原理如图7所示㊂从图6中可以看出,模型经过I n c e p t i o n 3之图6 本研究采用的卷积神经网络模型结构F i g .6C o n v o l u t i o n a l n e u r a l n e t w o r k s t r u c t u r e u s e d i n t h i s s t u d y(a)最大池化(b)平均池化图7 最大池化和平均池化的原理示意图F i g .7S c h e m a t i cd i a g r a mo fm a x p o o l i n g a n da v e r a g e p o o -l i n g后接一个全连接层F C 1,模型中最下方的F C 2与输入图像直接相连,采用的是全连接方式,其能在一定程度上对卷积神经网络提取特征起到补充作用㊂最后将F C 1和F C 2提取到的特征进行融合,经过全连接层F C 3后得到输出结果㊂模型中采用的的激活函数均为R e L U 函数,可表示为:R e L U (x )=0,x <0x ,x ȡ{(3) L e N e t -5模型中,激活函数为S i g m o i d 函数,表示为:S i g m o i d (x )=11+e-x (4) 相比于S i g m o i d 函数,R e L U 函数有以下优点:①选取S i gm o i d 函数为激活函数,当N i =f (W i 췍N i -1+b i )过大时,函数导数趋于0,这会造成信息丢失,降低模型的准确性㊂②当N i =f (W i 췍N i -1+b i )<0时,R e L U 激活函数的输出为0,在一定程度上造成了网络的稀疏性,这不仅减少了参数之间的相互依存关系,还缓解了过拟合问题;③R e L U 函数的求导计算相对简单㊂2.3 卷积神经网络模型训练卷积神经网络模型不断通过训练样本进行学143武汉科技大学学报2018年第5期习,在信息的前向传播中求出预测值,并与实际值比较得到误差㊂若误差超过设定阈值,则进入误差反向传播阶段,在此阶段不断更新权重和偏置,直到预测值与实际值的误差低于阈值且误差不再下降时停止训练,得到最终需要的热轧带钢力学性能预报模型㊂3实验与结果分析3.1实验环境本实验在W i n d o w s1064b i t操作系统下进行,C P U为I n t e l(R)C o r e(T M)i7-6700,内存为16G BD D R4,G P U为N V I D I AG e F o r c eG T X745 (4G B显存),显卡驱动为C U D A8.0+C U D N N 5.1,编译环境为T e n s o r F l o w+P y t h o n3.5.2㊂采用开源深度学习工具T e n s o r F l o w作为卷积神经网络框架,并利用G P U加速整个训练过程㊂3.2参数选取实验开始之前,需要配制卷积神经模型的相关参数,具体数值如表3所示㊂表3中,L e a r n i n g _r a t e表示学习率;I t e r a t i o n_n u m s表示模型训练次数,如果模型的代价函数低于设定阈值且基本不再变化时,也可主动终止训练;B a t c h_s i z e表示每次读入图片的批量,该值的选取需要根据实际输入图片的大小以及计算机内存和显存的大小关系来确定,本研究使用G P U加速训练,故需要保证每次读入批量图片小于显存大小;D r o p o u t表示以一定概率舍弃神经元,其能有效防止过拟合的发生㊂表3模型参数T a b l e3M o d e l p a r a m e t e r s模型参数数值l e a r n i n g_r a t e1.0ˑ10-6I t e r a t i o n_n u m s200000B a t c h_s i z e1024D r o p o u t0.5选取44760条数据中的后4760条数据作为测试集,剩下的40000条数据作为训练集㊂关于卷积核数目与神经元数目的选取,本文采用如表4所示的I n c e p t i o n模块参数以确定最优解㊂表4中I n c e p t i o n1㊁I n c e p t i o n2和I n c e p t i o n3的6个参数分别代表I n c e p t i o n结构中从上往下卷积核C o n v1ˑ1+1(S)㊁C o n v3ˑ3+1(S)㊁C o n v1ˑ1+ 1(S)㊁C o n v5ˑ5+1(S)㊁C o n v1ˑ1+1(S)和C o n v1ˑ1+1(S)的个数,F C1和F C2表示全连接层F C1和F C2的神经元个数,F C3中神经元个数为F C1和F C2中神经元数目之和㊂每次实验训练到代价函数趋于稳定才终止㊂从表4可以看出,采用第6组I n c e p t i o n参数的模型预测精度最高,模型MA P E值为2.49%,R M S E值为19.15 M P a㊂表4不同I n c e p t i o n参数下的测试结果T a b l e4E x p e r i m e n t a l r e s u l t sw i t hd i f f e r e n t I n c e p t i o n p a r a m e t e r s编号I n c e p t i o n1I n c e p t i o n2I n c e p t i o n3F C1F C2MA P E/%RM S E/M P a 116,16,16,16,16,1616,16,16,16,16,1616,16,16,16,16,16882.6723.45 28,8,8,8,8,88,8,8,8,8,88,8,8,8,8,8882.8824.48 332,32,32,32,32,3232,32,32,32,32,3232,32,32,32,32,32882.5922.36 432,16,16,16,16,1632,16,16,16,16,1632,16,16,16,16,16882.6121.76 532,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,16882.5222.45 632,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,1616162.4919.15 732,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,1632162.7720.56 832,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,1648162.5720.24 3.3结果分析选取第6组I n c e p i o n模块参数作为本文模型采用的参数,得到模型中损失函数值(L o s s)与训练次数的关系如图8所示㊂从图8中可以看出,模型训练12000次左右时已趋于稳定,在不增加数据量的情况下,模型的L o s s值基本保持不变㊂故从测试集中取100条数据的预测值与实际值进行对比,结果见图9㊂由图9可知,基于本文所建模型的带钢抗拉强度预测值与实际值拟合情况较好,模型的适用性得到了验证㊂为进一步验证所建模型的有效性,利用B P图8损失函数值随训练次数的变化F i g.8V a r i a t i o n o f L o s s f u c t i o n v a l u ew i t h t h e i t e r a t i o n t i m e2432018年第5期胡石雄,等:基于卷积神经网络的热轧带钢力学性能预报图9带钢抗拉强度的预测值与实际值对比F i g.9C o m p a r i s o nb e t w e e n p r e d i c t e da n da c t u a lv a l u e so f s t r i p t e n s i l e s t r e n g t h神经网络㊁L e N e t-5和G o o g L e N e t三种模型分别对测试样本进行带钢力学性能预测,并选用均方根误差和平均绝对百分误差作为模型精度的衡量指标,结果如表5所示㊂由表5可见,本文所建模型的误差指标均低于其他模型的预测值,而直接利用卷积神经网络G o o g L e N e t模型的预测精度低于其他方法,尽管其深度优于L e N e t-5和本文所建模型,表明在热轧带钢力学性能预报问题上模型的预测精度并不完全取决于模型深度㊂另一方面,L e N e t-5模型中,卷积层数目较少且卷积核过于单一,模型的提取特征能力不够,适应性不强,导致其预测效果不佳㊂表5不同预测方法的评价指标T a b l e5E v a l u a t i o n i n d e x e s o f d i f f e r e n t n e t w o r km o d e l s 预测模型R M S E/M P a MA P E/%B P神经网络26.582.83L e N e t-524.322.77G o o g L e N e t31.253.68本文模型19.152.494结语针对热轧带钢的力学性能预测问题,本文提出一种将一维数值型数据转换成二维图像数据用来建模的方法,相比于传统的一维数值型数据,二维图像型数据中结构信息更丰富,能提取到的有效信息更多㊂文中引入卷积神经网络来构建影响因子之间的局部相互作用关系模型,基于G o o g L e N e t和L e N e t-5卷积神经网络结构的优点搭建带钢力学性能预报模型,并通过一个全连接层与输入层直接相连,将提取到的特征与卷积神经网络提取到的特征相融合㊂为验证该方法的有效性,文中代入某大型热连轧生产线的44760条历史实际生产数据进行测试,结果表明,与B P 神经网络及单独的G o o g L e N e t和L e N e t-5卷积神经网络结构相比较,本文所提方法的预测精度更高,本研究为热轧带钢力学性能预报建模提供了新的思路㊂参考文献[1]郭朝晖,张群亮,苏异才,等.关于热轧带钢力学性能预报技术的思考[J].冶金自动化,2009,33(2): 1-6.[2]贾涛,刘振宇,胡恒法,等.基于贝叶斯神经网络的S P A-H热轧板力学性能预测[J].东北大学学报:自然科学版,2008,29(4):521-524.[3] B h a t t a c h a r y y aT,S i n g hSB,S i k d a rS,e t a l.M i-c r o s t r u c t u r a l p r ed i c t i o n t h r o u g h a r t i f i c i a l ne u r a l n e t-w o r k(A N N)f o r d e v e l o p m e n t o f t r a n s f o r m a t i o n i n-d u ce d p l a s t i c i t y(T R I P)a i d e ds t e e l[J].M a t e r i a l sS c i e n c e a n dE n g i n e e r i n g:A,2013,565:148-157.[4] L e C u nY,B o s e rB,D e n k e r JS,e t a l.B a c k p r o p a-g a t i o na p p l i e dt oh a n d w r i t t e nz i p c o d e[J].N e u r a lC o m p u t a t i o n,1989,1(4):541-551.[5] S z e g e d y C,L i u W,J i aY Q,e ta l.G o i n g d e e p e rw i t hc o n v o l u t i o n s[C]ʊP r o c e e d i n g so f2015I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g-n i t i o n.B o s t o n,MA,U S A,J u n.7-12,2015:1-9.[6] K r i z h e v s k y A,S u t s k e v e r I,H i n t o nGE.I m a g e N e tc l a s s i f i c a t i o n w i t hde e p c o n v o l u t i o n a l n e u r a l n e t-w o r k s[C]//P r o c e e d i n g so f25t h I n t e r n a t i o n a lC o n-f e r e n c e o nN e u r a l I n f o r m a t i o nP r o c e s s i ng S y s t e m s.L a k eT a h o e,N e v a d a,U S A,D e c.03-06,2012:1097-1105.[7] S i m o n y a nK,Z i s s e r m a nA.V e r y d e e p c o n v o l u t i o n-a ln e t w o r k sf o rl a r g e-s c a l ei m a g er e c o g n i t i o n[J].C o m p u t e r S c i e n c e:C o m p u t e r V i s i o n a n d P a t t e r nR e c o g n i t i o n,2014.a r X i v:1409.1556.[8] L i nM,C h e nQ,Y a nSC.N e t w o r k i nn e t w o r k[J].C o m p u t e rS c i e n c e:N e u r a la n d E v o l u t i o n a r y C o m-p u t i n g,2013.a r X i v:1312.4400.[9]杨威,李维刚,赵云涛,等.基于随机森林的钢材性能预报与影响因素筛选[J].钢铁,2018,53(3): 44-49.343443武汉科技大学学报2018年第5期M e c h a n i c a l p r o p e r t yp r e d i c t i o no f h o t-r o l l e d s t r i p b a s e do nc o n v o l u t i o n a l n e u r a l n e t w o r kH uS h i x i o n g1,L iW e i g a n g1,2,Y a n g W e i1(1.E n g i n e e r i n g R e s e a r c hC e n t e r f o rM e t a l l u r g i c a lA u t o m a t i o na n dD e t e c t i n g T e c h n o l o g y o fM i n i s t r y o fE d u c a t i o n,W u h a nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,W u h a n430081,C h i n a;2.N a t i o n a l-p r o v i n c i a l J o i n tE n g i n e e r i n g R e s e a r c hC e n t e r o fH i g hT e m p e r a t u r eM a t e r i a l s a n dL i n i n g T e c h n o l o g y,W u h a nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,W u h a n430081,C h i n a)A b s t r a c t:I no r d e r t o i m p r o v et h e p r e d i c t i o na c c u r a c y o fm e c h a n i c a l p r o p e r t i e so fh o t-r o l l e ds t r i p,a m o d e l i n g m e t h o df o r t r a n s f o r m i n g o n e-d i m e n s i o n a ln u m e r i c a ld a t a i n t ot w o-d i m e n s i o n a l i m a g ed a t a w a s p r o p o s e d.B a s e do n c o n v o l u t i o n a l n e u r a l n e t w o r kL e N e t-5a n dG o o g L e N e t,an e wt y p eo fm o d e l f o rm e c h a n i c a l p r o p e r t yp r e d i t i o no f h o t-r o l l e ds t r i p w a se s t a b l i s h e d,a n d i t s a p p l i c a b i l i t y w a s t e s t e d b y e m p l o y i n g t h ea c t u a l p r o d u c t i o nd a t a.T h e r e s u l t s r e v e a l t h a t t h e T s p r e d i c t i o ne r r o ro f t h en e w m o d e l i s2.49%a n d t h e r o o tm e a ns q u a r ee r r o r i s19.15M P a,w h i c h i sm o r ea c c u r a t e t h a nt h a to f B P,L e N e t-5a n dG o o g L e N e t n e r u a l n e t w o r km o d e l s.T h e r e f o r e,t h e v a l i d i t y a n da c c u r a c y o f t h e e s-t a b l i s h e dm o d e l h a v eb e e nv e r i f i e d.K e y w o r d s:h o t-r o l l e ds t r i p;m e c h a n i c a l p r o p e r t yp r e d i c t i o n;c o n v o l u t i o n a l n e u r a l n e t w o r k;L e N e t-5;G o o g L e N e t[责任编辑董贞]。

宝钢力学性能预报模型的研究与开发

ｍｅｈｎｃｌｐｒｐｒｙｐｅｉｔｎｍｏｅ．Ｐａｔｅｓｏｈｔｉｉｇｔａｄｆａｉｌ．ｃａｉａｏｅｒｄｃｉｄ１ｒｃｉｈｗｓｔａｔｓｔｈｎｅｓｂｅｔｏｃｉＫｅｙｗｏｒｄｓ：ｏ —ｏｌｄｓｒｐ；ｐｏｅｙｐｅｉｔｏｈｔｒｌｔｉｅｒｐｒｒｄｃｉｎ；ｇｏａｄｌｔｌｂｌｍｏｅ
ｄｉ１．９９ｉｉｓ．０８—０１．０．５０１ｏ：０３６／．ｓｎ１０７６２１０．０１
Ｒｅｅｒｈａｅｅｏｓａｃｎｄｄｖｌｐｍｅｆｔｅｍｅｈａｉａｎｔｏｈｃｎｃｌ
ｔｅｅａｅｍａｙｃｕｅｏｉ．Ｔｅｃｍｐｅｉｎｉｉｕｔｆｈｒｐｒｒｄｃｉｎｔｇｔｅｔｈｒｒｎａｓｓｆｒｔｓｈｏｌｘｔａｄｄｆｃｌｏｅｐｏｅｔｐｅｉｔｏｅｈｒｗｉｈｙｆｙｔｙｏｈｔｅａｔａａａｃｎｉｏｅｅａａｙｅ．Ｓｍｅｐｏｌｍｓｃｎｅｎｎｈｒｄｔｎｌｄｌｇｍｅｈｄｈｃｕｌｔｏｄｔｎｗｒｎｌｚｄｏｒｂｅｏｃｒｉｇｔｅｔｉｏａｄｉａｉｍｏｅｉｔｏｎｂｓｄｏｈｅｒｒｍｉｉｚｔｎｗｅｅｒｖａｅ．Ｉｈｓａｅ，ｉｗｓｏｎｅｏｔｔａｓｌａｅｎｔｅｒｏｎｍｉｉｒｅｅｌｄａｏｎｔｉｐｐｒｔａｐｉｔｄｕｈｔｉｙｍｐ

基于人工神经网络的CSP热轧板带力学性能预报

维普资讯
总第１４期５２００７年２月
南
方金
属
Ｓｍ．１４ｕ５Ｆｂｕｒ２０ｅｒａｙ０７
ＳＯＵＴＨＥＲＮＭＥＴＡＬＳ
文章编号：０９－７０２０）１０１０１０９０（０７０ — ０７— ４
ＨｕｈａＣＥＧＸａ－ＬＡｕｊＵＹ・ｕ，ＨＮｉＩ，ＤＩ－ｅｏｌＹｉ
（ｃｏｌｆｔｒｌＳｉｃｎｅａｕｇａＥｇｅｒｇＳｈｏｅａｃｎｅａｄＭｔｌｒｃｌｎｉｅｎ，Ｗｕａｎｖｒｔｏｃｎｅ＆ＴｃｎｌｙＷｕａ３０１ＨｂｉｏＭａｉｓｅｌｉｎｉｈＵｉｅｓｙｆｉｃｎｉＳｅｅｈｏｇ，ｈｎ４０８，ｕｅ）ｏ
ｎｅｔｎｅｐｌｔ．ａｘｅｄｄａｐｉａｉｎｃｏ
Ｋｅｒｓ：ａｔｃａｅａｅｏ；ｍｅｈｎｃｒｐｒｅ；ｐｄｃｏｙｗｏｄｒｆｉｎｕｌｎｔｒｉｌｉｒｗｋｃａｉａｐｏｔｓｒｉｔｎｌｅｉｅｉ
较表明：Ｐ神经网络预报产品的力学性能精度较高，Ｂ具有良好的推广价值．
关键词：人工神经网络；力学性能；预报中图分类号：Ｔ８；Ｇ３５５Ｐ１３Ｔｈａｃｌｐｒｐｅｔｆｈｏ・ｏｌｄｅｉｔｏｏｃｎｉａｏｒｙｏｔｒｌｅｓｒｐｙａｔｆｃａｕｒｌｎｅｗｏｋｔｉｓｂｒｉｉｌｎｅａｔｒｉ
ｈａｒｄｏｅｈｗｅｔｔｒｄｃｉｙｔＰｎｕａｅｒｓｐｉｅａｉｌｎｅｃｓｉｌｔｅｍｅｕｏｎｓｓｏｄｔａｅｐｅｉｔｎｂｅＢｅｒｌｎｔｏｋＷａｒｃｓｄｒｌｂｅ，ａｄｈｎｅｉｕｔｂｅｆｒｓｈｈｏｈｗｅｎｅａｓａｏ

热轧产品力学及组织性能预报

2019年第5期28作者单位：1. 马鞍山钢铁股份有限公司，马鞍山 243000；2. 北京科技大学设计研究院有限公司，北京 100083热轧产品力学及组织性能预报Prediction of Microstructure and Mechanical Properties of Hot-rolled Products供稿|于景辉1，赵德琦2 / YU Jing-hui 1, ZHAO De-qi 2DOI: 10.3969/j.issn.1000-6826.2019.05.007中华人民共和国成立70周年钢铁生产领域的组织演变模拟和性能预报技术于1970年前后起步于热轧，经过不断发展，在热连轧生产中逐步得到应用。

自1990年以来，国内外钢铁企业纷纷致力于以减少力学试样为目的的组织性能在线预报系统的开发应用。

近年来，随着热轧生产中微合金化技术、以超快冷为特色的新一代控制控冷技术、柔性化生产技术的日趋成熟，组织性能预报技术在热轧生产中已经取得了越来越多的应用[1]。

随着金属材料热处理领域数值模拟技术的发展，目前，组织演变模拟和性能预报技术应用范围已非常广泛，遍及整个钢材加工领域(包括热轧、锻造、冷轧、热处理等) [2]。

带钢从加热炉出来，经过精轧机轧制、层流冷却，到最后的卷取机卷取，每个阶段发生的冶金过程不同。

带钢在加热炉阶段，主要涉及晶粒长大过程；在精轧机轧制阶段，主要涉及再结晶过程；在层流冷却阶段，主要涉及相变过程；在卷取机卷取阶段，主要涉及相变过程的进一步发展和最终的力学性能预报。

带钢在任何一个阶段的组织演变结果都会对其他阶段的冶金过程产生影响[3]。

带钢组织预报主要基于生产工艺数据，运用相应的冶金模型实现从板坯到带钢成品的组织演变预报。

预报既可以在轧制前，由模型设定的工艺来计算最终的组织状态，也可以在轧制过程中，根据实际的工艺值来计算。

带钢力学性能预报需要建立在组织预报完成的前提下，根据具体的最终金属组织预报结果来计算[4]。

全局通用型热轧带钢力学性能预报模型

• 671个出钢记号中可 •бs下限170 • 预报581个,占86.6% •бs上限：750 • 337608条数据中可预报 •бb下限：250 • 303702条，占89.95% •бb上限：900
•C:0~0.3 •Si:0.01~1.0 •Mn:0~2.0 •P:0.005~0.12 •Nb:0~0.07
新数据与小样本：外延能力的展现
合格判定：外延能力展现
复检不合格样本的预报结果分析
预报不合格样本的结果分析
历史数据分析：建议处置方式
更换产线：外延能力的展现
1550 和1880预报结果
可靠性分析：分层模型判断法
模型还能告诉我们什么？！
给定成分和工艺，带钢厚度规格、出炉温度、粗轧温度、开轧温度、终轧温度和卷取温度对性能影响多大？
干勇：钢铁 Vol 38(8)，p15，2003
2020/12/12
GLOSP的追求：通过建模方法新，实现冶金机理与统计科学的深度结合
管理原因造成的预报误差
性能检测产生的误差
0.005
d
t 0.004
i
_
M
0.003
e
a
0.002
n
0.001
0.02
0.04 Ti_Mean
0.06
成分检测导致的误差
数据准确、完整时的极限精度现实数据条件下的精度极限统计回归模型可达到的精度
典型机理模型
бb = 294 + 27Mn + 385fp+ 7.7 d- 1/2 +...
优点：获得数据容易，精度高。
优点：原理正确、外延性好。
缺点：外延性差：成份系数其实不是常数！缺点：数据问题难解决，精度低！

《2024年铝热连轧机轧制力预报及模型自学习》范文

《铝热连轧机轧制力预报及模型自学习》篇一一、引言铝热连轧机作为现代金属材料加工的重要设备，其轧制力的准确预报和模型自学习能力对于提高生产效率、优化产品质量以及降低生产成本具有重要意义。

本文将重点探讨铝热连轧机轧制力的预报方法以及模型自学习的应用，旨在为实际生产提供理论支持和操作指导。

二、铝热连轧机轧制力预报1. 轧制力预报的重要性轧制力是铝热连轧机生产过程中关键的工艺参数，其大小直接影响着产品的尺寸精度、表面质量和力学性能。

因此，准确预报轧制力对于优化生产过程、提高产品质量具有重要意义。

2. 轧制力预报的方法（1）经验公式法：根据实际生产经验和大量试验数据，建立轧制力与工艺参数之间的经验公式，通过输入工艺参数来预测轧制力。

（2）数值模拟法：利用有限元分析等数值模拟技术，对轧制过程进行仿真分析，从而预测轧制力。

（3）智能预测法：采用机器学习、神经网络等智能算法，建立轧制力预测模型，通过输入相关参数，实现轧制力的智能预测。

三、模型自学习在铝热连轧机中的应用1. 模型自学习的概念模型自学习是指模型在运行过程中，能够根据实际生产数据自动调整模型参数，以适应生产过程中的变化，提高预测精度。

2. 模型自学习在铝热连轧机中的应用（1）在线学习：通过实时采集生产数据，将数据输入到预测模型中，模型根据实际生产情况自动调整参数，实现在线学习。

（2）离线学习：定期将生产数据导出，对模型进行离线学习，分析生产过程中的变化规律，优化模型参数，提高预测精度。

（3）智能决策：结合模型自学习和智能算法，实现生产过程的智能决策，如自动调整轧制速度、厚度等工艺参数，以适应不同产品的生产需求。

四、实例分析以某铝热连轧机为例，采用智能预测法建立轧制力预测模型，并应用模型自学习技术。

通过实时采集生产数据，将数据输入到预测模型中，模型根据实际生产情况自动调整参数。

经过一段时间的运行，模型的预测精度得到了显著提高，有效提高了生产效率和产品质量。

热轧带钢组织性能预报技术

热轧带钢组织性能预报技术摘要：热轧带钢组织性能预报技术兴起于20世纪70年代，随着钢铁企业的发展，其应用前景非常广阔，受到了国内外众多钢铁企业的重视，然而，该技术的实际应用效果并非很理想。

本文对热轧带钢组织性能预报模型建立过程中存在的问题进行了简单的分析，并提出了一些建议性的解决思路，希望能够提高热轧带钢组织性能预报的实际应用效果，为钢铁企业的生产发展做出贡献。

关键词：热轧带钢；性能预报；预报模型；措施建议Organizational performance prediction technology of hot rolled stripDang Jinhua Zhang Fan (Tianjin Metallurgy Group Co., Ltd.)Abstract: The rise of hot rolled strip organizational performance forecasting techniques in the 1970s, with the development of iron and steel enterprises, their prospects are very bright, subject to a number of domestic and foreign steel companies attention, however, the practical application of the technology is not very satisfactory. In this paper, the performance prediction model of hot rolled strip organizational problems in the process of establishing a simple analysis, and put forward some proposals of solution ideas, hoping to improve the practical application of hot rolled strip organizational performance forecasts for steel companies contribute to the development of production.Keywords: hot rolled strip; performance prediction; forecasting model; measures recommended1.预报模型的基本原理热轧带钢组织性能预报技术以预报模型为核心支撑。

《铝热连轧机轧制力预报及模型自学习》范文

《铝热连轧机轧制力预报及模型自学习》篇一一、引言随着工业技术的快速发展，铝热连轧机在金属加工行业中扮演着越来越重要的角色。

轧制力作为铝热连轧机运行过程中的关键参数，其预报的准确性和模型自学习的效率直接影响着产品的质量和生产效率。

本文将探讨铝热连轧机轧制力预报的原理、方法及模型自学习的相关内容，旨在为提高铝热连轧机的生产效率和产品质量提供参考。

二、铝热连轧机轧制力预报的原理与方法1. 轧制力预报的原理铝热连轧机轧制力预报的原理主要基于金属塑性加工理论和轧制过程的物理模型。

通过对轧制过程中的材料特性、轧辊参数、轧制速度等参数进行综合分析，建立数学模型，实现对轧制力的准确预报。

2. 常用的预报方法（1）经验公式法：根据大量的实验数据和实际生产经验，建立经验公式，通过输入相关参数，计算得到轧制力。

（2）数值模拟法：利用有限元分析等数值模拟技术，对轧制过程进行模拟，预测轧制力。

（3）机器学习法：通过收集大量生产数据，利用机器学习算法建立预测模型，实现对轧制力的预测。

三、模型自学习的实现与应用1. 模型自学习的实现模型自学习是指通过不断收集新的生产数据，对预测模型进行持续优化和改进的过程。

具体实现方法如下：（1）数据收集：收集新的生产数据，包括材料特性、轧辊参数、轧制速度等。

（2）数据处理：对收集到的数据进行预处理，包括去噪、归一化等操作。

（3）模型训练：利用处理后的数据，对预测模型进行训练，优化模型参数。

（4）模型评估：对训练后的模型进行评估，确保模型的准确性和可靠性。

2. 模型自学习的应用模型自学习在铝热连轧机中具有广泛的应用。

通过模型自学习，可以实现对轧制力的准确预测，提高生产效率和产品质量。

同时，模型自学习还可以根据生产过程中的实际情况，对预测模型进行实时调整和优化，以适应不同材料和工艺条件下的生产需求。

此外，模型自学习还可以帮助企业实现生产过程的智能化和自动化，降低人工干预和成本。

四、实验结果与分析为了验证铝热连轧机轧制力预报及模型自学习的效果，我们进行了相关实验。

热轧含Nb高强钢力学性能预报模型_李维刚

，其数学表达可写为：（ 1）
g（ μ） = α +
fj （ X j ） ∑ j =1
式中： μ 为响应变量 Y 的条件期望，μ = E （ Y | X2 ， …， XP ）， X1 ， E （ ·）为数学期望函数； g （ ·）为）为自变量 X j 的任意单连接函数； α 为截距； f j （ · 变量函数； p 为自变量个数。接着，借鉴广义可加模型的思路，提出融合工业大数据与冶金机理的力学性能建模方法，其
第 41 卷
第2 期
冶金自动化
Metallurgical Industry Automation
Vol． 41 No． 2 ， p15 － 21 March 2017
2017 年 3 月
· 前沿技术 ·
doi： 10． 3969 / j． issn． 10007059． 2017． 02． 004
Abstract： Based on metallurgical industrial big data and mechanism ， the influence of each factor is analyzed and the complex problem is divided into several subproblems， a prediction model of mechanical property for hotrolled high strength Nb steel is established． Firstly ， combined with the generalized additive model， a mechanical property modeling method combining big data and metallurgical mechanism is proposed． Considering the effect of microalloy carbonitride precipitation on mechanical properties ， a thermodynamic model is developed for Nb microalloyed steel of carbonitride precipitation ， which can calculate the Austenite equilibrium compositions and the content of carbonitride precipitation under different temperatures and compositions． Then ， the modeling experiment is carried out for a hot strip mill， the univariate function of each independent variable is estimated by the adopting nonparameter estimation with cubic smoothing spline ， the relationship curves of the process parameters， carbon and nitrogen precipitates and composition on the tensile strength are given． The practical

带钢热连轧数学模型汇总

1.7.1压下位置设定值15
1.7.2厚度控制设定值的计算16
1.7.3计算轧辊线速度16
1.7.4空过机架的设定16
1.
1.1
精轧区域的总压下量等于中间坯厚度与成品厚度之差。每个机架所分担的负荷要根据要求的压下规程进行计算。精轧各机架的负荷通过压下率表示：
（）
其中为机架号（单位：无量纲）；
为机架的相对压下率（单位：无量纲）；
由于当时有，，以下近似关系成立：
当取负值时，在（0－1]范围内取值。这就可以保证公式（93）的收敛性。而当取正值时仍要保证公式的收敛性，则还要进行如下变换:
取温度偏差的正负号，并定义函数、函数及。
根据以上参数可计算出一个新的速度：
（）
下一步叠代计算时，速度修正公式为：
（）
在实际的计算中，为了提高叠代计算的效率，修正系数可以根据一个与厚度相关的一个函数来表示：
设为待求解的压下率，则
（）
（）
而根据各机架的负荷分配值，可计算得到各机架的功率
（）
（）
根据（26）与（28）可得：
（）
进而可得:
（）
由于是未知数，还无法根据（30）式计算得到的数据。为此需要先假设一个临时的压下值及温度数据。根据这些数据可以计算出机架的功率数据
（）
这些机架的功率总和只与总的压下相关，而与每个机架的压下率无关。因此以下关系成立：
（）
1.5.3
为了简化由于辐射引起的温降，可假设带钢的温降与辐射时间、带钢的表面及带钢与空气的温差成正比，即：
（）
并由此引起温降
（）
而辐射时间为：
（）
辐射体的体积为
（）
将以上公式进行整理可得：

宽带钢热轧高精度数学模型介绍

作者单位：北京科技大学高效轧制国家工程研究中心．北京１０８００３
２８
岔漉哲吞２年第５０１０期
曰地
粒釉擦型
后的 “ 狗骨”断面形状，如图ｌ所保证精轧的稳定穿带，而且为热传导、变形热温升和摩擦热温 ’ 示，奇道次轧制后的总宽展为无带钢全长厚度控制提供良好的条升等。 “ 狗骨 ”部分的宽展和 “ 狗骨 ”
定值，来保证带钢成品的质量精的目的。钢卷的宽度控制模型主粗轧各道次的立辊设定值。其中
度㈣。
要包括：立辊预设定模型；短行的难点是粗轧平辊轧制时的宽展量计算，在计算粗轧立辊一平辊宽展计算时，需要考虑粗轧侧压这些模型结合Ｌ１系统的ＡＣ自Ｗ（
一
板坯立轧后出现
套热连，２级控制系统，已经Ｌ
在多条热连轧生产线上得到了成功应用［５其中的数学模型系３１－￣
统，更是结合不同的企业和项目
的特点，来进行优化配置和实施
应用。
无狗骨矩形
断面部分的
随的平制／宽ｔ后水轧的展
短行程控制（ｈｒＳｒｋ外，通过精轧穿带自适应和模型调整模型预报的精度，再配合模Ｓｏｔｔｏｅ自学习功能，可以有效减少模型型自学习功能就可以达到准确预
的设定误差。报温度的目的。
压下模型厚度设定模型的首要任务是

《铝热连轧机轧制力预报及模型自学习》范文

《铝热连轧机轧制力预报及模型自学习》篇一一、引言随着工业技术的发展，铝热连轧机作为金属材料加工的重要设备，其轧制力的准确预报和模型自学习能力成为了提升生产效率和产品质量的关键。

本文将就铝热连轧机轧制力预报的方法及其模型自学习展开探讨，以期为相关领域的理论研究和工程实践提供有益的参考。

二、铝热连轧机轧制力预报1. 轧制力预报的重要性轧制力是铝热连轧机生产过程中重要的工艺参数，其准确预报对于控制产品质量、提高生产效率具有重要意义。

通过对轧制力的准确预测，可以实现对轧制过程的精确控制，从而保证产品的尺寸精度和表面质量。

2. 轧制力预报的方法目前，铝热连轧机轧制力预报的方法主要包括经验公式法、物理模拟法和数值模拟法等。

其中，经验公式法基于大量的实验数据和统计规律，通过建立经验公式进行预测；物理模拟法通过建立物理模型，模拟实际轧制过程；数值模拟法则利用有限元等方法对轧制过程进行数值分析。

这些方法各有优缺点，在实际应用中需根据具体情况选择合适的方法。

三、模型自学习1. 模型自学习的意义随着生产过程的进行，铝热连轧机的工艺参数和设备状态会发生变化，这可能导致原有的轧制力预测模型出现偏差。

因此，模型自学习成为了提高预测精度、适应生产过程变化的重要手段。

通过模型自学习，可以实现对模型的持续优化，提高预测的准确性和可靠性。

2. 模型自学习的实现方法模型自学习主要通过收集生产过程中的实时数据，对原有模型进行训练和优化。

具体实现方法包括数据预处理、模型训练、误差分析等步骤。

其中，数据预处理是对收集到的数据进行清洗、筛选和预处理，以提高数据的质量和可靠性；模型训练则是利用训练数据对模型进行训练，优化模型的参数；误差分析则是对预测结果与实际结果进行比较，分析误差产生的原因，进一步优化模型。

四、实践应用与展望1. 实践应用在铝热连轧机的实际生产过程中，通过采用先进的轧制力预报方法和模型自学习技术，可以实现对轧制过程的精确控制和优化。

热轧带钢微观组织及力学性能的分析与模拟

热轧带钢的微观组织和力学性能可以通过多种分析和模拟方法来研究。

其中常用的方法包括金相学分析、力学性能测试和数值模拟。

金相学分析可以观察热轧带钢的组织结构，如铁素体、晶粒等，以及冷轧过程中产生的不同类型的缺陷。

力学性能测试包括拉伸试验、压缩试验、弯曲试验等，可以测量热轧带钢的抗拉强度、屈服强度、断后伸长率等性能。

数值模拟则可以通过计算机模拟热轧过程中的温度场、应力场、流动场等，预测热轧带钢的组织结构和力学性能。

热轧带钢的微观组织和力学性能分析可以帮助我们了解热轧过程中的各种因素对带钢性能的影响，并为优化热轧工艺和提高带钢性能提供依据。

金相学分析可以观察到热轧过程中钢材组织的变化，如晶粒组织的细化、缺陷的产生等，进而可以了解到热轧工艺参数对带钢性能的影响。

力学性能测试可以直接测量出带钢的力学性能，如抗拉强度、屈服强度、断后伸长率等，为热轧工艺的优化和带钢性能的提高提供实际数据。

数值模拟可以模拟热轧过程中温度场、应力场、流动场等，预测带钢的组织结构和力学性能，为优化热轧工艺和提高带钢性能提供理论依据。

热轧带钢的模拟通常是通过数值模拟来实现的。

常用的数值模拟方法包括有限元法和计算流体力学（CFD）。

有限元法可以模拟热轧过程中的温度场、应力场、流动场等，预测带钢的组织结构和力学性能。

CFD则可以模拟热轧过程中的热流、流动等，预测带钢的热学性能和热平衡状态。

这些模拟方法可以帮助我们了解热轧过程中各种因素对带钢性能的影响，并为优化热轧工艺和提高带钢性能提供理论依据。

同时还可以用来检验和验证实验结果。

但需要注意的是，模拟结果只能作为参考，因为实际热轧过程中存在很多复杂的因素，模拟难以完全模拟实际情况。