• ВХОД

    •  

    Полное описание


     Севидов, Алексей Евгеньевич. Моделирование механического износа рабочих валков широкополосного стана горячей прокатки методами машинного обучения / А. Е. Севидов, А. В. Мунтин, А. Г. Колесников. - DOI 10.17580/chm.2022.11.02. - Текст : непосредственный // Черные металлы : ежемесячный научно-технический и производственный журнал по актуальным проблемам металлургии и машиностроения. - 2022. - N 11. - С. 22-27. - Библиогр. в конце ст. - ISSN 0132-0890.
    (Шифр в БД У940/2022/11)
    ГРНТИ УДК
    28.23004.8
    28.23.25004.85
    28.23.37004.032.26
    РУБ ИИ
    04.01
    04.07

    Рубрики:
    Искусственный интеллект
    Нейронные сети
    Машинное обучение
    Моделирование

    Кл.слова (ненормированные): литейно-прокатный комплекс -- рабочие валки -- механический износ -- нейронные сети -- машинное обучение -- рулонный прокат
    Аннотация: Представлены современные методы моделирования механического износа рабочих валков стана горячей прокатки в условиях промышленного производства. Использование алгоритмов машинного обучения, основанных на многомерной линейной регрессии, деревьях решений, нейронных сетях, позволило наиболее точно описывать особенности износа рабочих валков в зависимости от многих технологических факторов. При этом составляющие производственной базы данных подвергли дополнительной классификации по каждому технологическому параметру в определенном диапазоне. Данный подход к классификации в предложенной задаче значительно повысил качество выходной модели по всем основным метрикам. Входными переменными для обучения служили основные технологические факторы, измеренные в чистовой группе клетей во время кампании каждого рабочего валка. Выходными параметрами были кривые износа на вальцешлифовальном станке, измеренные после перевалки. При обучении алгоритмов машинного обучения использованы 93 входных параметра для моделирования каждого из 300 выходных значений механического износа по длине бочки валка. Разработаны модели прогнозирования износа валков на основе многомерной линейной регрессии, случайного леса, градиентного бустинга и нейронных сетей. Сравнительный анализ разработанных моделей с классическими подходами по расчету механического износа рабочих валков показал, что методы машинного обучения имеют более высокую точность. Предложены подход и рекомендации для внедрения новых моделей в автоматизированную систему управления технологическим процессом широкополосных станов горячей прокатки.
    Доп. точки доступа:
    Мунтин, Александр Вадимович
    Колесников, Александр Григорьевич

    Экз-ры полностью У940/2022/11
    Имеются экземпляры в отделах: всего 2 : ЧЗХР (1), ХРЦ (1)
    Свободны: ЧЗХР (1), ХРЦ (1)
    Переход по DOI



    Заказ фрагмента документа ₽