改进的神经网络在连铸板坯缺陷预报中的应用

在传统BP神经网络算法的基础上提出了一些改进措施,如采用了变步长的学习方法、加入了动量项,以防止网络振荡,达到了加速网络收敛的效果.本研究分析了表面纵裂成因及影响因素,以梅钢生产的焊瓶钢HP295为例构建表面纵裂预报系统,利用改进的BP网络预报表面纵裂,通过系统的分析发现焊瓶钢HP295表面纵裂产生的原因主要是二冷水分配不均匀.因此实际生产中,通过调节二冷水比例减少表面纵裂的产生.

嵌入式FRP抗剪增强梁斜裂缝水平投影长度计算

为计算嵌入式FRP抗剪增强梁在四点加载作用下的斜裂缝水平投影长度,利用投影长度经验公式和变角空间桁架模型分别研究了剪跨比和纵筋-箍筋强度比对投影长度的影响,在此基础上综合考虑两者的相互关系,同时根据9根FRP嵌入式增强梁的实测试验数据,采用最小二乘法拟合斜裂缝投影长度计算公式.分析结果表明,单独考虑剪跨比和纵筋-箍筋强度比都不能很好地预测斜裂缝水平投影长度,而将两者结合能够较好地反应斜裂缝出现和发展的全过程,从而准确地计算斜裂缝水平投影长度.推导公式的计算结果和试验实测值取得了很好的吻合,误差小,离散程度低,同时还表明剪跨比是影响斜裂缝投影长度的主导因素.

连铸板坯表面纵裂纹预判系统的开发

采用SQL Server 2008数据库技术,对连铸生产过程中板坯表面纵裂的影响因素进行了回归分析,模拟了实际生产线上的数据采集与提取,建立了连铸板坯表面纵裂纹预判系统模型,基于VS2010系统开发平台,使用C#语言+SQL SERVER 2008数据库开发了连铸板坯表面纵裂纹铸坯预判系统。

基于PSO-PNN的铸坯全长表面纵裂纹在线预测

表面纵裂纹是铸坯质量缺陷中一种最常见的表面质量缺陷。环境因素使得铸坯表面纵裂纹在线检测精度不高,各大钢厂铸坯质检仍要依赖人工,因此提出一种基于粒子群PSO优化概率神经网络PNN的铸坯全长表面纵裂纹预测方法。首先,建立铸坯生产过程跟踪及数据时空变换模型,构建铸坯生产系统将生产过程数据与铸坯长度方向进行匹配;再利用PNN的Bayes最小风险准则进行有监督特征学习,并利用寻优算法PSO优化PNN关键参数的选取,得到最终的模型PSO-PNN;最后,利用某钢厂连铸产线铸坯质量缺陷数据和生产过程数据进行试验验证。结果表明,该方法对铸坯整体的质量预测分类精度达到97.5%,铸坯全长的裂纹缺陷的预测精确率和召回率均在92%以上,能有效实现铸坯全长表面纵裂纹的预测,为现场质检人员提供参考。