自调整动态神经网络模型及其在带材板形预测中的应用

建立了一个自调整动态神经网络预测模型,它在BP网络模型基础上,对网络的自身结构及学习规则进行了动态优化。网络能自组织和自学习自己的结构,即在学习过程中,网络可根据具体问题自动调整本身的结构,从而使结构达到最优。在此基础上,建立了板形神经网络预测模型,经某带钢厂四辊冷轧实测数据仿真验证表明,该模型具有很高的预测精度。

基于人工蜂群算法的Elman网络板形预测

针对常规Elman网络泛化能力差的缺点,以及工业生产中对高精度板形预测模型的需要,用人工蜂群算法(ABC)代替误差反传算法训练Elman网络,建立了一个基于Elman网络的板形预测模型.神经网络的隐层节点数通过经验公式和仿真试验来确定.通过仿真验证,用人工蜂群算法训练的Elman网络在同等条件下比常规Elman网络具有更强的泛化能力,其板形预测精度更高.

森吉米尔轧机板形预测的神经网络方法

针对传统板形预测模型的固有缺陷 ,研究建立了基于神经网络的森吉米尔轧机板形预测模型。模型经由某钢铁公司森吉米尔 2 0辊冷轧实测数据仿真验证表明 。

板带冷轧机高精度板形预测模型的研究

针对传统数学工具建立的板形关系模型的固有缺陷 ,为了提高板形预测精度 ,提出了一种基于人工神经网络建模的自适应板形预测控制算法。仿真实验结果表明

基于插值组合核的LS-SVR板形预测方法

基于RBF核的LS-SVR模型,采用实验变差函数计算插值算法权值,对权系数与各训练样本内积值相乘所反映样本空间结构和相互间关联度的插值核函数进行构造,提出了一种通过Kriging空间散乱插值方法利用样本数据构造出的插值核函数与RBF核函数进行组合而成的核方法。结果表明,该方法使LS-SVR板形预测有更好的性能,在提升预测算法泛化能力的同时,实现了对板形的精准回归预测。

基于BP神经网络与有限元原理的板形预测控制研究

针对2800四辊可逆式冷连轧机,结合有限元模拟了板带轧制过程,并利用MATLAB分析了板凸度的变化规律。利用有限元仿真计算结果作为训练样本和检验样本,结合BP神经网络法非线性映射的特点,建立了基于BP神经网络的板形预测模型,实现了轧制过程中板凸度的预报。分析结果表明:基于有限元与BP神经网络结合的板形预测模型能够获得良好的预测精度,解决了有限元计算时间长的缺点,弥补了传统的板形预测模型的预测精度无法满足板形在线控制的要求的缺陷。

基于BP神经网络的板形预测

板带材的板形精度一直是研究的重点。在实际生产过程中影响板形精度的因素很多而且因素之间存在非线性、强耦合的关系,基于板形控制机理的传统数学模型很难准确表达其中的关系,而基于数据驱动的非机理模型则能取得很好的结果。BP神经网络作为一种发展成熟的算法可以作为一种新的预测手段应用在板形的预测工作中。因此,本文将BP神经网络应用于板形的预测研究中,讨论了基于BP神经网络的板形预测模型的可行性以及应用的优势,重点介绍BP神经网络对板形预测带来的积极意义。BP神经网络在对即时板形缺陷系数进行预测时,能够较好的接近实际的拟合值。BP网络在训练过程中,在50轮训练后基本收敛,并且整个训练过程没有产生过拟合现象。BP神经网络对测试集进行预测,能够有效的反映板形的变化情况,且对一次、三次板形缺陷系数的预测结果较好。

基于BP神经网络与有限元原理的板形预测控制研究

板带材是一种广泛应用于我国交通领域以及机电化工领域的原材料之一。随着人们对其质量和技术含量要求的不断提高,钢材板带的比重呈现不断上升的趋势。板形的概念,是基于板带轧制的过程来说的,主要是指轧制过程中原材料发生塑性变形的过程。随着科学技术的不断发展,BP神经网络和有限元原理被应用在板形的预测和控制工作中,成为一种新的慢性预测与控制手段。鉴于此,重点介绍BP神经网络和有限元原理给板形预测和控制工作带来的积极意义。

一种新的板形预测模型

提出了一种新的板形预测模型。它不仅能直接给出板形预测结果 ,而且能为板形及板形控制理论研究提供科学依据 。

基于类别特征梯度提升的冷轧带钢板形预测模型

板形控制是冷轧带钢生产过程的核心技术。为了提升板形预设定和闭环反馈控制效果,建立高精度的板形预测模型非常必要。提出了一种基于类别特征梯度提升的冷轧带钢板形预测模型,通过某1 450 mm冷连轧生产线采集的生产数据建立模型,采用贪婪搜索和交叉验证的方式进行超参数设置,以自适应提升模型、梯度提升决策树模型和深度学习神经网络模型作为对比。结果表明:类别特征梯度提升模型的RMSE为0.666 IU,并且有90.397%的预测数据绝对误差小于1 IU,较其他3种模型有更好的表现,对冷轧带钢板形预测有更好的鲁棒性和预测精度。

基于神经网络集成学习的冷连轧板形预测

为了实现对冷连轧带钢出口板形的预测,基于粒子群算法对小波神经网络进行了优化,将优化后的网络作为基学习器,并通过bagging算法构建集成学习预测模型,进行冷连轧带钢板形的预测。以某1450mm冷连轧生产线数据作为样本,比较了该模型与未经优化的小波神经网络和单个学习器的预测效果。结果表明,集成学习模型预测的带钢出口板形与实测板形的偏差更小,板形预测精度更高,模型泛化性能更好。

神经网络与有限元结合在轧机板形预报中的应用研究

通过有限元仿真分析,较准确的模拟了带钢轧制过程,获取对轧机板形影响较大的参数值,并将其结果作为训练样本对神经网络进行训练,建立了较为理想的基于神经网络的板形预测模型,实现了轧制过程中的板形参数的预报。仿真结果表明该神经网络与有限元结合的板形预测模型可获得良好的预测精度,弥补了传统板形预测模型的预测精度不能满足板形在线控制要求的缺陷。

基于云自适应差分和BP神经网络的板形动态影响矩阵控制方法

为了克服传统板形控制中产品质量差、控制速度慢、生成效率低,以及静态影响矩阵控制信息不足等缺点,将云自适应差分算法(CADE)优化的BP神经网络应用到板形控制中,建立板形预测神经网络,并在离线状态下,根据板形轧制的历史数据和板形调控机构中的关键影响因素建立动态影响矩阵表。在线轧制过程中只需要与板形控制关键影响因素对应的动态影响矩阵表和板形识别变化量,就可以很快得到主要板形控制手段的控制量。该方法避免了神经网络的在线训练,提高了板形的控制速度和轧制精度。仿真实验表明,该方法稳定性好,控制精度高,适合用于板形的在线控制。

基于极限学习机的板形建模与优化

以铝合金板带生产厂2100 mm轧机的4.1 mm厚铝薄板带轧制生产过程作为研究对象,综合分析各个因素对板形的影响规律,分别从平直度和截面形状两个方面建模和研究,采用平直度转换为与标准板形曲线的厚度差,建立了四辊轧制过程中铝薄板带板形预测模型,预测误差范围为-0.0223~0.0191 mm。为了进一步提高模型预测精度,采用极限学习机智能算法对预测模型进行修正,修正后的预测模型误差更小,为-0.0160~0.0141 mm。考虑了平直度和板厚分布的综合预测模型可以更好地反映板形,同时为高精度板带轧制过程中板形在线控制提供了理论基础。