随着各工业领域的快速发展，市场对薄规格、高强度板带产品的需求快速增加。而热轧板带横断面形状是热轧板带产品质量的主要评价指标。基于数据挖掘技术，对轧机数据库中的数据进行分析与处理，其中数据挖掘技术采用深度置信网络(Deep Belief Neural，DBN)和BP(Back Propagation)算法相结合，构建板带横向厚度分布的预测模型。DBN-BP算法由多个限制玻尔兹曼网络(Restricted Botlzmann Machine，RBM)逐层堆叠而成，并使用无监督的逐层训练的方式得到网络的权值矩阵和偏置供BP算法使用，而BP算法通过误差反向传播的方式对整个网络进行微调。该方法克服了BP算法因随机初始化权值参数而陷入局部最优和训练时间长的缺点。通过与BP算法相比较可知，采用DBN-BP方法预测终轧道次稳定轧制时板带中点厚度误差在±5.6 μm范围内的概率可达95%；而BP算法的预测误差范围为±11 μm。并且通过对板带横断面形状的预测结果分析可知，相比于BP算法，DBN-BP深度学习方法对于板带边部厚度的预测更具有优势。在钢铁及有色金属行业，轧制是目前最重要的板带材产品成材工序之一。随着市场对热轧产品以及冷轧产品质量要求的不断提高，热轧板带横断面形状越来越受到重视，其主要的评价指标有凸度、楔形、边降和局部高点等。同时热轧板带是冷轧板带的材料来源，现有研究表明热轧板带对冷轧板形的质量有着重要影响[1]。热轧工序常常需要根据冷轧需求控制板形，板形的质量控制已从冷轧的控制延伸到轧制全流程控制。由于轧制过程中变形区金属发生三维塑性变形，存在明显的金属横向流动现象[2]，造成板带横断面形状难以准确预测。目前对板带横断面形状的研究主要是集中在板带凸度和边部减薄量的研究，研究方法有数学模型[3-5]、有限元[6-10]、轧机设备研发[11]和机器学习算法[12-14]等。虽然板带凸度能够用来粗略说明轧机对轧件横断面的改变能力，并可用来分析轧机对于板带边浪和中浪的控制能力，但对于具有复杂断面形状变化的轧件是无法单独使用板带凸度进行板形评价的[3]。此外，生产中为了保证板带的边部质量，往往必须将板带边部减薄部分裁切掉，而减小板带切边量是降本增效有效的方法[15-17]。
DABAN RP主题是一个优秀的主题，极致后台体验，无插件，集成会员系统
白度搜_经验知识百科全书 »
基于DBN-BP深度算法的热轧板带横断面预测
admin 
0条评论