BP神经网络漏钢预测系统优化

针对传统逻辑漏钢预测系统稳定性差、收敛速度慢、收敛精度低等缺点,建立具有自组织、自学习等功能的误差反向传播BP神经网络预测模型.采用变步长并加入动量项、防振荡项等方法,使网络训练过程能够跳出局部极小,加快了收敛速度.系统改变以往只将温度数据作为输入参数的传统,将拉速、中间包钢水温度作为考虑因素,扩大了漏钢因素的考虑范围.实验结果表明,采用BP神经网络对某炼钢厂实际数据进行漏钢预测,预报结果准确,具有较好的在线应用前景.

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统BP网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和BP网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景。

连铸结晶器粘结性漏钢预报系统研究与设计

介绍了粘结性漏钢的形成过程,对比分析了正常工况和粘结漏钢形成过程中结晶器壁的温度变化特征。通过BP神经网络建立了漏钢预报温度识别模型,用某钢厂200组典型历史温度数据对其进行训练;采用虚拟仪器平台搭建了漏钢预报实验系统并进行了模拟实验。结果表明,该方法预报实时、准确,具有一定的应用价值。

基于加权极限学习机的连铸漏钢预报系统

为了能够及时准确地预测连铸漏钢,提出了一种基于改进人工蜂群算法(IABC)优化加权极限学习机(WELM)参数的连铸漏钢预测模型,有效地提高了漏钢预测模型的寻优速度和预测精度,并结合钢厂连铸现场的历史数据,对所提出的连铸漏钢预测系统进行了离线测试。结果表明新的IABC-WELM模型具有良好的泛化能力,其连铸漏钢预报准确率可达98%。