基于深度学习的热轧产品性能预报研究

发布时间：2021-02-04 06:42

　　近几年来,热轧钢材已广泛应用于建筑、桥梁、管道、汽车、船舶、铁路、工程机械、压力容器等许多行业和领域。这些关键领域都密切涉及到民生和公共安全,因此要求热轧产品必须具有良好的产品质量,特别是抗拉强度、屈服强度和延伸率等力学性能。传统的热轧产品质量检验会随机抽取少量样品来测量这些样品钢的力学性能。然而,这种抽样检验的方式会花费大量的时间和人力。钢材在冶炼和热轧过程中,轧件的微观组织会发生一系列复杂的变化,直接决定了钢材本身的力学性能。因此,用化学成分和热轧工艺参数预测其力学性能具有重要的理论意义和应用价值。由于热轧生产是一个高实时性的动态工艺过程,会受到各种随机因素的干扰,同时也包含了海量的工艺参数。因此,Irvine提出的理论数学模型预测方法基于很多近似的假设,仅适用于理想环境和理论分析。近年来,随着人工神经网络的提出和发展给热轧产品性能预报提供了有效的技术工具,预测精度得到了极大的提高。然而,由于人工神经网络结构和学习算法的限制,对当前海量的实时工业生产数据已经无法得到有效的训练和学习,不能满足用户日益提高的精度预测需求。本文提出基于深度神经网络的热轧产品性能预报模型,利用深度前馈神经... 

【文章来源】：武汉科技大学湖北省

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文的主要研究工作和结构安排
第2章 钢铁性能预报与深度神经网络
    2.1 钢铁轧制工艺简介
        2.1.1 热轧工艺流程
        2.1.2 化学成分对热轧板带性能影响
        2.1.3 热轧温度对板带性能影响
        2.1.4 力学性能指标分析
    2.2 深度学习理论基础
        2.2.1 人工神经网络模型
        2.2.2 深度学习流程
        2.2.3 卷积神经网络结构
        2.2.4 局部连接和权值共享
        2.2.5 卷积层和亚采样层
    2.3 本章小结
第3章 基于深度前馈神经网络预测模型研究
    3.1 数据来源及预处理
        3.1.1 数据来源
        3.1.2 数据清洗
        3.1.3 数据标准化
        3.1.4 模型性能度量
    3.2 深度前馈神经网络模型构建
        3.2.1 激活函数选择
        3.2.2 目标优化算法
        3.2.3 添加BatchNormalization
        3.2.4 模型调优
        3.2.5 加入正则优化
    3.3 结果分析
    3.4 与传统方法比较
    3.5 本章小结
第4章 基于卷积神经网络预测模型研究
    4.1 基于CNN的钢铁性能预测模型构建
        4.1.1 基于卷积神经网络钢铁性能预测模型结构
        4.1.2 基于卷积神经网络钢铁性能预测过程
    4.2 实验验证分析
        4.2.1 卷积核个数
        4.2.2 卷积层层数
        4.2.3 卷积窗口大小
        4.2.4 学习速率
    4.3 结果分析
    4.4 本章小结
第5章 结论与展望
致谢
参考文献
附录1 攻读硕士学位期间发表的论文
大摘要


【参考文献】：
期刊论文
[1]基于PSO-BP神经网络双机架炉卷轧机轧制力的预测[J]. 王智,张果,王剑平,杨俊东,杨奇,尹丽琼.  钢铁研究. 2017(03)
[2]带钢热轧过程厚度分配的仿真分析[J]. 秦建春,张果,王剑平,杨晓洪,杨俊东,杨奇,尹丽琼.  钢铁研究. 2016(03)
[3]钢铁冶金过程动态数学模型的研究进展[J]. 陈林根,夏少军,谢志辉,刘晓威,沈勋,孙丰瑞.  热科学与技术. 2014(02)
[4]热轧中厚板冲击功的神经网络预报模型[J]. 谭文,刘振宇,吴迪,王国栋,王春梅.  钢铁. 2007(02)
[5]钢筋轧后控冷的神经网络预测模型[J]. 刘维广,吕立华,张勇伟,詹华,刘舸.  钢铁研究. 2007(01)
[6]用人工神经网络模型研究微量元素对钢力学性能的影响[J]. 刘贵立,张国英,曾梅光.  钢铁研究. 2000(01)

博士论文
[1]转炉低成本炼钢相关技术研究及模型开发[D]. 韩啸.北京科技大学 2017
[2]基于深度学习的图像分类方法研究[D]. 孟丹.华东师范大学 2017
[3]热轧带钢的相变和力学性能模型研究及应用[D]. 王蕾.北京科技大学 2017
[4]CLAM钢高温组织演变与力学性能研究[D]. 黄礼新.燕山大学 2014
[5]炼钢—连铸—热轧生产过程中若干优化问题研究[D]. 谭园园.东北大学 2012

硕士论文
[1]基于深度学习的室内时空客流预测[D]. 李邦鹏.浙江大学 2017
[2]基于深度学习的气象温度预测研究[D]. 刘鑫达.宁夏大学 2016
[3]基于深度学习的搜索广告点击率预测方法研究[D]. 李思琴.哈尔滨工业大学 2015
[4]热轧工艺对IF钢组织和织构影响机制的研究[D]. 贾明霞.山东农业大学 2014
[5]热轧板卷性能预报系统设计与应用[D]. 戴亚辉.东北大学 2012
[6]基于数据挖掘的马钢CSP热轧板卷的性能预测[D]. 张祝亭.安徽工业大学 2012
[7]钢材性能和工艺参数的交叉预测模型研究[D]. 杨凤海.武汉科技大学 2012
[8]钢材力学性能预测系统的研发[D]. 于子金.东北大学 2010
[9]基于人工神经网络的逆模型在热轧板带生产中的应用研究[D]. 栗景树.昆明理工大学 2010
[10]数据挖掘在热轧板带质量预测中的应用[D]. 郑杨元.昆明理工大学 2009



本文编号：3017903