万能轧制线高速钢轨轧制参数优化模型研究

中国机械工程 ›› 2010, Vol. 21 ›› Issue (10): 1200-1202,1207.

万能轧制线高速钢轨轧制参数优化模型研究

郭煜敬1;谢志江1;王彦忠2;陶功明2;杨奇凡3

1.重庆大学机械传动国家重点实验室,重庆,400030

2.攀枝花钢铁集团,攀枝花, 617062

3.重庆邮电大学,重庆,400065

出版日期:2010-05-25 发布日期:2010-06-02
基金资助:
国家重大科技专项基金资助项目(JW20*26017)
National Science and Technology Major Project ( No. JW20*26017)

Study on Optimization Model of Rolling Parameters of High Speed Rail by Universal Mill

Guo Yujing1;Xie Zhijiang1;Wang Yanzhong2;Tao Gongming2;Yang Qifan3

1.State Key Laboratory of Mechanical Transmission, Chongqing University, Chongqing, 400030

2.Panzhihua Steel Group Company,Panzhihua,Sichuan,617062

3.Chongqing University of Posts and Telecommunications,Chongqing,400065

Online:2010-05-25 Published:2010-06-02
Supported by:
National Science and Technology Major Project ( No. JW20*26017)

摘要/Abstract

摘要：

针对高速钢轨万能轧制线多变量强耦合的特征,以钢轨断面轧制精度为目标,将优势区间控制算法与神经网络相结合,建立了钢轨轧制参数优化模型。将生产现场采集的大量轧制过程数据与钢轨断面检测数据建立对应关系,数据预处理后利用优势区间控制算法求出特定生产条件下的辊缝及轧制力的初始值,再利用神经网络对初始值进行偏差修正。实践证明,该模型能够减少主观因素的影响,提高钢轨的轧制精度。

关键词:

钢轨, 优势区间, 神经网络, 轧制参数

Abstract:

According to the characteristics of strong coupling of variables for universal rolling line of high speed rail,taking the rolling precision of rail section as the goal, it established an optimization model of rolling parameter of rail by combining the optimization-range algorithms with neural network.Corresponding relation among rolling course data and rail section gather data was set up, the dominant interzone was utilized to obtain initial value of roll gap and rolling strength under the particular working condition after preconditioning of the data, and the neural network was used to revise initial value. It has proved that this model can reduce the influence of the subjective factors and improve the rolling precision of the rail. 

Key words: , rail, optimization-range, neural network, mill parameter

中图分类号:

TG335.4

郭煜敬, 谢志江, 王彦忠, 陶功明, 杨奇凡.

万能轧制线高速钢轨轧制参数优化模型研究

[J]. 中国机械工程, 2010, 21(10): 1200-1202,1207.

GUO Yu-Jing, XIE Zhi-Jiang, WANG Pan-Zhong, DAO Gong-Meng, YANG Ai-Fan.

Study on Optimization Model of Rolling Parameters of High Speed Rail by Universal Mill

[J]. China Mechanical Engineering, 2010, 21(10): 1200-1202,1207.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/

http://www.cmemo.org.cn/CN/Y2010/V21/I10/1200

[1]	李小力, 陈威, 闫蓉. 基于BP神经网络的空间轮廓误差自适应补偿 [J]. J4, 201016, 21(16): 1902-1906.
[2]	赵伟, 王志远, 周志立. 载重汽车连续下坡弯道路段制动稳定性仿真研究 [J]. J4, 201016, 21(16): 2010-2015.
[3]	谢阳, 戴逸群, 张超勇, 刘金锋. 融合集成模型与深度学习的机床能耗识别与预测方法[J]. 中国机械工程, 2023, 34(24): 2963-2974.
[4]	刘孝保, 严清秀, 易斌, 姚廷强, 顾文娟. 基于集成学习和改进粒子群优化算法的流程制造工艺参数优化[J]. 中国机械工程, 2023, 34(23): 2842-2853.
[5]	陈剑, 许畅, 徐庭亮, . 基于位错叠加法和改进概率神经网络的离心泵故障诊断方法[J]. 中国机械工程, 2023, 34(23): 2854-2861.
[6]	屈小章, 张加贝, 翟方志. 高速列车散热离心风机性能灵敏性分析及优化[J]. 中国机械工程, 2023, 34(20): 2504-2512.
[7]	徐美姣, 薛善良, 张惠, 周国庆, 卢红根. 基于BP-AdaBoost算法的复杂产品装配制造成熟度等级评估方法[J]. 中国机械工程, 2023, 34(20): 2513-2519.
[8]	张东, 刘啸奔, 孔天威, 杨悦, 武学健, 吴锴, 张宏. 高钢级管道焊缝材料应力应变本构关系确定方法[J]. 中国机械工程, 2023, 34(17): 2106-2114.
[9]	阴艳超, 施成娟, 邹朝普, 刘孝保. 基于深度时间卷积神经网络与迁移学习的流程制造工艺过程质量时序关联预测[J]. 中国机械工程, 2023, 34(14): 1659-1671.
[10]	贺青川, 刘慧, 潘骏, 陈文华. 基于电机运行状态的电静压伺服机构内泄漏检测方法[J]. 中国机械工程, 2023, 34(12): 1407-1414.
[11]	古玉锋, 杜雨洁, 王育阳, 李昆鹏, 黎程山. 基于神经网络与自调节卡尔曼滤波的超宽带定位算法研究[J]. 中国机械工程, 2023, 34(12): 1504-1511.
[12]	曾俊玮, 季元进, 任利惠, 葛方顺, 孙泽良, 黄章行. 融合一维卷积神经网络和双向门控循环单元的APM车辆轮胎径向载荷识别方法[J]. 中国机械工程, 2023, 34(03): 359-368.
[13]	王东杰, 王鹏江, 李悦, 郭明泽, 郑伟雄, 沈阳, 吴淼. 掘进机截割臂自适应截割控制策略研究[J]. 中国机械工程, 2022, 33(20): 2492-2501.
[14]	唐东林, 杨洲, 程衡, 刘铭璇, 周立, 丁超. 浅层卷积神经网络融合Transformer的金属缺陷图像识别方法[J]. 中国机械工程, 2022, 33(19): 2298-2305，2316.
[15]	郭伟, 邢晓松. 基于改进卷积生成对抗网络的少样本轴承智能诊断方法[J]. 中国机械工程, 2022, 33(19): 2347-2355.