中厚板轧制过程中平面形状控制实验研究

为减少轧制中钢板的切边、切头尾量,提高钢板的成材率,利用厚板展宽轧制法(MAS)对轧制过程中钢板的平面形状控制进行了试验研究.在简述平面形状控制原理的基础上,建立了平面形状控制的试验模型,并通过合理设定轧制速度,达到提高轧制钢板矩形化的目的.试验数据表明,MAS轧制法可以减少钢板的切损量,明显地提高生产效益.     

中厚板平面形状控制的立轧参数神经网络识别

根据中厚板轧制过程平面形状立辊控制的原理和现场生产数据,采用人工神经网络方法,建立了立轧参数的识别模型,应用效果良好。并用该神经网络模型计算,得到了各影响因素驿立轧量设定值的影响。     

基于人工神经网络的中厚板精轧机轧制力预报

采用人工神经网络方法,以生产实测数据为基础,建立了高精度的中厚板精轧机轧制力预报模型。     

中厚板平面形状控制中的GM-AGC系统

阐述了对中厚板平面形状控制系统的基本要求和提高中厚板成材率的关键技术内容,研究了中厚板平面形状控制ＧＭ－ＡＧＣ系统的基本结构,着重分析和研究了成形轧制阶段变截面轧制的控制特点,以及提高平面形状控制精度必须考虑的几个问题,对ＧＭ－ＡＧＣ系统应采用的改进措施。     

中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型.以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MATLAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络.模型的综合采用加法和乘法两种方式.结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好.     

微减宽轧制技术在中厚板宽度控制中的应用

在中厚板宽度控制中,为了提高不同展宽比条件下的产品矩形度,提出微减宽轧制技术．通过分析不同展宽比条件下的展宽变化规律及横向流动因子与展宽系数的关系,建立宽度形状函数,然后根据宽度形状函数计算出沿着长度方向上各个点的狗骨回展量,根据该回展量得出立辊变辊缝减宽轧制曲线．实际应用结果表明,应用该方法产品成材率有了明显提高,具有良好的应用价值．     

基于神经网络与线性回归的轧制力预报

通过将SIMS轧制力计算公式进行相应简约化处理,避免了模型软件在该公式计算时的重复迭代求解,缩短了计算时间,因此更适合在线软件计算.利用现场实际生产数据反向回归出变形抗力模型中的系数,提高了模型中系数的准确性.用神经网络对变形抗力与应力状态系数的乘积加以修正,进一步提高了轧制力预报的精度.预测结果与实测数据比较表明,轧制力预报误差基本在±5％以内,满足了轧制力预报的精度要求.     

轧制力预报中的神经网络和数学模型

采用ＢＰ神经网络方法预报热连轧精轧机组轧制力·通过训练数据预处理、利用遗传算法优化网络结构和参数、按钢种划分训练样本等方法,提高了网络的预报精度,优于传统的数学模型方法·ＢＰ神经网络与数学模型相结合的综合神经网络方法,进一步提高了轧制力的预报精度·预测结果与实测数据比较表明,相对误差基本在±７％以内,实现了精轧机组轧制力的高精度预报     

基于神经网络的冷连轧机轧制力预报模型

为了提高冷连轧机轧制力预报精度，提出一种解析数学模型结合神经网络校正模型的计算方法，建立冷连轧机轧制力预报模型。采用径向基函数的局部映射和全局线性映射相结合的神经网络校正模型求解带钢变形抗力和轧制变形区的摩擦因数；并采用轧制变形区离散化方法分析轧制变形区内张力、摩擦力及金属变形抗力等在带钢轧制方向上的分布规律，从而建立轧制力在线计算数学模型。现场实测数据离线仿真结果表明，采用此基于神经网络的冷连轧机轧制力预报模型预测轧制力，其预测误差小于8．9％，此模型能用于指导生产实践。     

轧制工艺参数对钢板平面形状的影响

利用有限元法计算软件ANSYS/LS DYNA,对不同工艺参数的立辊轧边、展宽轧制及精轧的中厚板生产过程进行了模拟计算·由模拟计算知,随立辊侧压量增大,展宽轧制后板坯前端由凸鼓形向凹鼓形变化,后端始终为凸鼓形,展宽轧制后轧件切头尾长度及宽度波动量先减小后增加,精轧后轧件宽度波动变化与展宽轧制时相似·展宽比大时,立辊轧边对减少宽度波动量效果较好;要得到好的轧后平面形状,应使展宽轧制后的钢板边部保持平直或微凸·模拟计算结果为合理匹配立辊侧压量、展宽比及精轧延伸率,提供了理论参考·     

用神经网络进行车牌定位的研究

该文采用BP人工神经网络模型 ,研究汽车图像中车牌定位的神经网络方法。选取训练样本图像 ,以人工定位后的图像为导师信号 ,将图像的灰度序列采用BP算法进行训练 ,获得有效的网络权值。试验结果表明 ,用BP网络对灰度图像进行感知能够获得较好的定位效果     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理,采用BP算法训练网络,建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明,将神经网络模型应用于热轧控制预报,具有现实意义。     

台阶清碴爆破孔网参数智能选取

应用模糊神经网络模型对台阶清碴爆破孔网参数进行智能选取，增强了设计孔网参数的可靠性和爆破设计的合理性．该方法从爆破实例中获取经验知识并应用，克服了人为因素的干扰，取得了符合实际的结果，为选择爆破控制参数和取得良好的爆破效果提供了依据.     

基于神经网络的工业图像识别

工业现场所采集的图像一般都会受到不同程度的污染，针对这种情况，将离散型Hopfield神经网络的联想记忆特点运用于有噪声污染的工业图像识别。所设计的网络具有并行处理、可训练性及容错性等特点，它能完成图像的识别与分类，在输入有噪声污染的图像时，仍可以识别与恢复图像。以监控系统采集到的有污染的数字图像为例，运用数值仿真技术，证明了该方法的有效性。     

中厚板角轧过程的形状预测模型研究

大单重或小展宽比的中厚钢板,可以采用角轧技术进行生产,以解决因设备限制无法生产或由于多次转钢导致生产效率低的问题.基于体积不变原理和三角函数关系,推导了中厚板角轧过程的轧件形状尺寸变化公式,获得角轧实现矩形化的转角和压下量关系,建立了角轧过程转角、压下量与宽展之间的预测模型.设计了中厚板角轧过程形状预测计算程序流程,简化角轧过程的宽展计算,进行角轧形状预测程序的开发.利用角轧实验对形状预测模型进行验证,模型计算尺寸数据与实际轧制尺寸数据的最大误差为6.22%,表明角轧形状预测模型具有较高精度.     

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

一种新的神经网络畸变不变模式识别方法

本文以Ｗｉｄｒｏｗ等人的方法为基础，提出一种新的神经网络畸变不模式识别方法－－最小距离畸变不变模式识别网络。数值模拟显示，新方法具有完全的畸变不变性，相当高的识别精度、实时的识别速度、强大的抗噪能力、极短的自适应时间以及显著降低的运算量。     

彩色模式识别中的神经网络

提出实拍标准彩色集、建立纠偏数据库的方案，以减轻偏色的影响；构造一个两级人工神经网络系统，分别为纠偏数据库的快速匹配、色彩集的快速变换提供了保证。