Intelligent Control Method for the Secondary Cooling of Continuous Casting

An intelligent control plan for the secondary cooling of continuous casting of slab was put forward. An off-line simulation of the system by using neural networks combined with fuzzy logic control is provided. The results show that the intelligent control system can not only control the surface temperature of the bloom of the secondary cooling but also has a good ability of self-adaptation and self-learning.

基于改进BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢的缺陷,将LM(levenberg marquardt)算法引入到BP神经网络的训练过程,建立了LM-BP神经网络模型,并将其应用于连铸过程中的漏钢预报系统。结合某钢厂连铸现场历史数据对系统进行了测试,测试结果以96.15%的预报率及100%的报出率,验证了基于LM算法的BP神经网络连铸漏钢预报方案的可行性和有效性。

RBF神经网络应用于连铸漏钢预报

从结晶器上热电偶的时间序列和空间序列出发 ,将径向基 (RBF)神经网络应用于连铸漏钢预报 ,并对连铸过程进行了仿真 。

连铸二冷控制的智能化方法

提出了板坯连铸二冷区全智能控制系统的构想，并用人工神经网络和模糊控制的方法对该系统进行了计算机仿真.结果表明，该系统不但能完成二冷各区段铸坯表面温度的动态控制，而且具有良好的自适应性和自学习功能.

基于PSO-BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢、易陷入局部最优解的缺陷,将基于群体智能的全局寻优算法-粒子群优化算法引入到BP神经网络的训练过程,建立了PSO-BP神经网络漏钢预报模型;结合某钢厂连铸现场历史数据,分别对PSO-BP漏钢预报模型和BP网络预报模型进行了训练和测试;结果表明,PSO-BP漏钢预报的收敛速度较传统BP神经网络明显加快,其泛化能力和对漏钢温度特征的识别精度也有了较大提高。

基于遗传算法优化BP神经网络漏钢预报的研究

针对BP神经网络在训练过程中存在局部最优解和收敛速度慢的不足,将具有良好全局搜索能力的遗传算法应用到BP神经网络的训练过程,建立了GA-BP神经网络模型,并将其应用到板坯连铸漏钢预报系统中;结合某钢厂板坯连铸现场历史数据对该模型进行了测试,测试结果以97.56%的预报率及100%的报出率证明了GA-BP神经网络漏钢预报方案的可行性。

粘结漏钢预报技术的现状与动向

介绍了近年来国内外漏钢预报技术的发展概况和粘接漏钢形成的原因，讨论了现有几种漏钢检测方法的优劣。指出逻辑漏钢预报系统只有漏钢机理研究获得突破性进展，才有可能提高漏钢预报的准确率，并认为神经元网络漏钢预报技术的研究有望取得突破。

基于新型模糊神经网络连铸漏钢诊断预报的研究

基于某钢厂连铸现场采集的历史数据,通过对AFLC模糊神经网络学习算法和网络结构的改进,建立了融合模糊模式识别和模糊聚类的新型竞争型模糊神经网络,并将模型应用于连铸漏钢预报的过程中。结果表明,模型能够有效地识别连铸粘结漏钢过程中两种典型的温度模式和预报拉漏事故的发生。在警戒参数为0.88的条件下,该模型对两种典型温度模式的预报率分别达到95.6%和97.8%,报出率都达到100%。

连铸漏钢诊断预报技术的研究

本文针对某大型炼钢厂的连铸漏钢诊断预报系统 ,剖析了粘结性漏钢的本质特征 ,阐述了诊断预报的工作原理 ,研制了基于逻辑分析的漏钢诊断预报辅助系统 ,探讨了模糊神经网络技术在漏钢诊断预报系统中的运用 。

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。

连铸结晶器非正弦振动系统模糊神经网络跟踪控制

针对结晶器非正弦振动液压伺服系统参数易变、模型不确定这一特点 ,对模型未知的系统用神经网络模型逼近 ,并采用改进的递阶遗传算法对神经网络的权值和结构同时进行训练 ,实现系统模型的精确辨识 ;将模糊控制与神经网络相结合 ,提出一种模糊神经网络控制方法 ,实现连铸结晶器非正弦振动系统的跟踪控制。仿真验证了该方案能提高非正弦振动系统跟踪控制性能和鲁棒性 。

基于神经网络的板坯连铸二冷水动态控制模型

以缩小板坯表面实际温度和目标温度的差异为目标,基于神经网络技术,建立以BP神经网络进行连铸二冷段的温度预测和运用模糊神经网络对二冷段的水量进行实时控制的动态控制模型,模型能及时根据拉速、温度的变化做出水量的动态调整和分配。针对某钢厂2#板坯连铸过程进行了仿真计算和现场应用测试,结果表明:该模型将二冷水量控制问题与铸坯在冷却过程中的温度状态相结合,能很好的响应现场的变化,及时给出二冷段水量的动态调节量。

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。

基于漏钢预报的连铸拉速模糊控制

利用模糊控制器和神经元网络的优点，基于漏钢预报较成熟的热电偶方法，设计出一种基于漏钢预报的连铸拉速模糊控制系统，在保证不产生漏钢的前提下尽可能提高铸坯的拉速，从而提高钢产量。离线模拟结果证明了该方法的有效性。

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到95.6%和97.8%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。

连铸板坯二冷动态智能控制系统

以某钢厂连铸板坯二冷动态控制系统为研究对象,运用神经网络、模糊控制,结合改进PSO算法,设计了动态目标温度控制器、动态表面温度控制器。以此为基础,提出了二冷动态在线学习模糊神经网络控制系统,在遵守冶金准则的前提下,能够根据钢种、拉速、过热度的变化,动态设定目标温度及二冷水量,使二冷前段铸坯温度梯度小,矫直段温度在6℃范围内波动,保证了铸坯的内部及表面质量,降低了二冷用水量。

薄板连铸GA-LM-BP漏钢预报模型研究

针对传统BP神经网络在训练过程中存在收敛速度慢、易陷入局部最优解的缺陷,将遗传算法全局寻优能力与LM算法的局部寻优能力引入到BP神经网络训练过程,建立了GA-LM-BP神经网络漏钢预报模型;结合某钢厂连铸现场历史数据,对该预报模型进行了训练和测试。结果表明,GA-LM-BP漏钢预报的收敛速度较传统BP神经网络明显加快,其泛化能力和对漏钢温度特征的识别精度也有了较大提高。

板坯连铸漏钢预报神经元网络专家系统的研究

在提出混合式神经元网络专家系统的理论框架结构的基础上，用C语言开发了具有神经元网络模式识别功能和专家系统功能的漏钢预报模型。离线测试表明，本系统比武钢引进的逻辑判断预报系统性能更好。

基于BP神经网络的连铸结晶器液位模糊PID优化控制研究

针对塞棒和拉坯速度等因素对连铸结晶器液位在线控制的影响,提出了一种融合BP神经网络和模糊PID的优化算法。根据连铸结晶器液位控制模型,利用BP神经网络将金属液流入量影响因素量化为塞棒位置,再利用模糊PID关联结晶器内液位与塞棒位置修正量、拉坯速度,在线整定PID参数以实现结晶器内液位的优化控制。仿真结果表明,BP神经网络和模糊PID能避免连铸结晶器液位控制产生的超调,在较短时间内使液位趋于稳态,减小液位的控制偏差,降低塞棒和拉坯速度等不确定扰动对铸坯质量的影响。

基于神经网络辨识的模糊预测函数控制

针对生产过程中存在的滞后性、时变性、不确定性和变工况等特点及预测函数控制中模型失配的影响的情况,提出了基于神经网络辨识参数、通过模糊推理对控制量进行补偿的解决方案。并将基于神经网络辨识的模糊补偿预测函数控制应用于锅炉燃烧控制系统,通过连续系统仿真,结果表明这种控制器具有较强的鲁棒性。