导读:本文包含了轧制力论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,带钢,化生,算法,冷轧机,过程,结构。
轧制力论文文献综述
张志强,尚猛,张宇[1]（2019）在《基于改进ELM-AE冷轧轧制力预测》一文中研究指出在研究深度神经网络预测轧制力的基础上,针对极限学习机-自编码器的回归问题,提出一种自增删网络结构优化算法。利用自编码器进行原始数据的特征提取,为模型提供有效的高阶特征。极限学习机的学习速度快且泛化能力强,监督阶段时使用极限学习机回归轧制力,并使用隐层节点增删策略调节极限学习机的网络结构,解决了极限学习机-自编码器的结构设计问题。该方法用于轧制力回归,采用深层网络结合大量数据保证模型的回归精度的同时,实现了轧制数据的特征提取和网络结构的自增删。结果显示,该深层结构自增删网络具有很好的模型收敛和参数回归能力,在训练速度与精度方面均优于弹性RBF和稀疏自编码器神经网络算法。(本文来源于《锻压技术》期刊2019年12期）
房庆华[2]（2019）在《六辊可逆冷轧机轧制力计算研究》一文中研究指出对现有轧制力计算方法进行比较分析,确定了斯通方法作为六辊可逆冷轧机轧制力计算的理论基础,建立了理论计算模型,研究了轧制速度、工作辊辊径、前后张力、加工硬化对轧制力计算的影响,表明计算结果误差最高为5. 77%,为钢厂的轧制力提供预测。(本文来源于《中国重型装备》期刊2019年04期）
梁俊伟[3]（2019）在《无缝钢管轧制力的计算方法研究》一文中研究指出无缝钢管制造过程中的轧制力是一个重要工艺参数,通常基于平板轧制经验公式建立计算模型。本文基于钢管的轧制机理,建立了轧辊直径、轧制孔型、毛管尺寸、轧制压下量、轧辊与毛管的接触角、轧制速度、轧制温度等参数与轧制力的关系,采用离散化方法将轧辊与毛管的轧制接触区按照减径区和减壁区分别离散成若干个单元,并将接触区的变形速度也按相应的单元进行离散化处理。采用热模拟实验确定材料的应变速度和温度与屈服应力的关系,计算接触区各单元的屈服应力和轧制压力以及机架方向的轧制力,通过各单元的轧制力迭加获得总的轧制力和管体的压溃力。通过这种方法获得的轧制力远比传统计算方法获得的轧制力准确,能够满足轧制工艺控制的要求。(本文来源于《天津冶金》期刊2019年05期）
彭文,姬亚锋,陈小睿,张殿华[4]（2019）在《热轧非稳态过程轧制力自学习模型优化》一文中研究指出为提高热连轧非稳态过程轧制力的预测精度,提出了一种轧制力自学习模型优化方法.将模型自学习系数分解为层别学习系数和轧制状态学习系数,表征机架间轧制力预报偏差的遗传特性及实际轧辊状态对模型预报的影响.在系数更新过程中,根据层别距离分别对学习系数进行更新,减小了轧制规格切换时轧制力的预报误差.所提方法已成功应用于某热连轧过程,与原模型相比,优化后的自学习方法的预测偏差从2. 8%降低到1. 4%,均方差从3. 3%降低到1. 7%,有效提高了非稳态过程轧制力的预测精度和鲁棒性.(本文来源于《东北大学学报(自然科学版)》期刊2019年10期）
董志奎,彭利伟,焦云静,孙建亮,禚超越[5]（2019）在《考虑锥向金属流动的大型锥形筒节轧制力计算模型》一文中研究指出由于大型锥形筒节存在锥度,考虑金属沿锥向的流动,首先采用微分分层计算法和切块法建立了大型锥形筒节轧制力力学模型;然后基于ABAQUS有限元软件,建立了大型锥形筒节轧制过程仿真模型。模型计算结果和有限元仿真结果表明:力学模型计算轧制力与有限元计算总轧制力的相对误差在20%以内。对比分析了力学模型和有限元模拟计算单位轧制力的分布。通过分析芯辊和外辊的转速比,得出了所建力学模型的稳定轧制的适用范围。(本文来源于《中国机械工程》期刊2019年19期）
马威,李维刚,赵云涛,严保康[6]（2019）在《基于深度学习的热连轧轧制力预测》一文中研究指出轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini-batch策略的Adam优化算法进行参数寻优,采用Early-stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。(本文来源于《钢铁研究学报》期刊2019年09期）
崔晨耕[7]（2019）在《神经网络算法与机理模型融合的冷连轧轧制力智能预报模型》一文中研究指出冷轧带钢的生产模式正在向多品种、小批量、低库存转变,这直接导致了轧制过程中需要更频繁地切换品种规格。由于变规格过程中轧制工艺状态变化较大,传统机理模型加常规自学习和自适应方法很难保证规格切换后首卷产品设定精度。为提高变规格过程中轧制力预报精度,本文提出一种机理模型与轧制过程海量历史数据相融合的复合模型。该方法建立在轧制力理论模型的基础上,采用遗传算法优化BP神经网络的方法对模型轧制力进行校正。使用该算法进行轧制力预报,使变规格后首卷钢轧制力预报的平均相对误差控制在±5.5%内,远高于常规机理模型的设定精度,该方法具有现场应用价值。(本文来源于《计算机与现代化》期刊2019年08期）
田勇,张田,王丙兴,王昭东,王国栋[8]（2019）在《道次间冷却工艺对轧制力的影响分析》一文中研究指出采用道次间冷却工艺会使轧件温度降低,引起轧制负荷增加,影响轧机出口钢板厚度控制。但目前对于该影响程度多局限于定性认识上,缺乏对其定量性评价。基于此,结合模型分析、实验室研究和工业试验,分析了道次间冷却工艺参数对轧制力的影响规律。结果表明:对于100 mm厚钢板,通过道次间强水冷,在心表形成150℃左右温差时进行轧制,变形向钢板心部渗透;对于国内某3 500 mm中厚板轧机,采用"温控-形变"耦合轧制,道次轧制力增加了15%左右,由此引起的钢板厚度变化在0. 3 mm左右,在投入自动控制算法后,该厚度偏差可在后续道次消除。(本文来源于《上海金属》期刊2019年04期）
陈菲[9]（2019）在《单机架轧机结构板的轧制力优化》一文中研究指出针对河钢唐钢冷轧厂结构级冷轧板生产过程中存在的轧制力过高和板形较差的问题,通过分析原料化学成分和力学性能,阐释了机组难以实现结构板轧制的原因。在此基础上,以轧制力优化为导向,结合相关理论研究成果分析了轧制力的主要影响因素。通过综合采用轧制规程优化、乳化液参数优化、张力优化等措施,结构极冷轧板轧制过程的轧制力得到了有效降低,年产结构钢2.89万t,合格率达99.40%,产品综合质量全面提升,实现了批量稳定生产。(本文来源于《河北冶金》期刊2019年06期）
陶功明,吴郭贤,朱华林,官旭东,刘自彩[10]（2019）在《基于高斯过程构建钢轨轧制力模型的方法》一文中研究指出在钢轨轧制过程中,轧制力一定程度上对轧制参数调整有着指导或参考作用,一个成材率高、缺陷率低的轧制过程,必然会对应一个合理的轧制力分布。轧制力上冲过大不仅会使轧制状态靠近轧制系统的极点,稳定性降低,而且会导致轧辊磨损、疲劳加快,并将导致钢轨表面质量、规格波动等问题。采用高斯过程回归算法,基于现场生产数据建立了压下量与轧制力模型,为钢轨轧制过程轧制力的精确控制,提供了一种残差较小的统计模型。(本文来源于《轧钢》期刊2019年03期）
轧制力论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
对现有轧制力计算方法进行比较分析,确定了斯通方法作为六辊可逆冷轧机轧制力计算的理论基础,建立了理论计算模型,研究了轧制速度、工作辊辊径、前后张力、加工硬化对轧制力计算的影响,表明计算结果误差最高为5. 77%,为钢厂的轧制力提供预测。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
轧制力论文参考文献
[1].张志强,尚猛,张宇.基于改进ELM-AE冷轧轧制力预测[J].锻压技术.2019
[2].房庆华.六辊可逆冷轧机轧制力计算研究[J].中国重型装备.2019
[3].梁俊伟.无缝钢管轧制力的计算方法研究[J].天津冶金.2019
[4].彭文,姬亚锋,陈小睿,张殿华.热轧非稳态过程轧制力自学习模型优化[J].东北大学学报(自然科学版).2019
[5].董志奎,彭利伟,焦云静,孙建亮,禚超越.考虑锥向金属流动的大型锥形筒节轧制力计算模型[J].中国机械工程.2019
[6].马威,李维刚,赵云涛,严保康.基于深度学习的热连轧轧制力预测[J].钢铁研究学报.2019
[7].崔晨耕.神经网络算法与机理模型融合的冷连轧轧制力智能预报模型[J].计算机与现代化.2019
[8].田勇,张田,王丙兴,王昭东,王国栋.道次间冷却工艺对轧制力的影响分析[J].上海金属.2019
[9].陈菲.单机架轧机结构板的轧制力优化[J].河北冶金.2019
[10].陶功明,吴郭贤,朱华林,官旭东,刘自彩.基于高斯过程构建钢轨轧制力模型的方法[J].轧钢.2019
论文知识图
