基于人工神经网络铝箔轧机轧制力模型

彩用ＢＰ神经网络原理对１３５０ｍｍ铝箔轧机轧制数据重新处理，建立了基于人工神经网络的轧制务模型。结果表明，用人工神经网络轧制力模型的计算值与实测值相比偏差〈３％该模型较真实地反映了轧制过程的特征。     

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。     

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.     

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。     

热连轧轧制力模型系数回归的新方法

热连轧过程中,为了提高轧制力预设定精度,提出一种新的修改轧制力模型参数的方法·利用ＢＰ神经网络对以往的大量生产数据进行训练、预测·对ＢＰ神经网络的预测结果利用最小二乘法,回归出轧制力模型中的温度相关系数ｍ１和变形速度相关系数ｍ３·现场生产实验证明,应用修改后的轧制力模型系数,提高了轧制力预设定精度,从而使头部厚度精度有较大提高·对于象本溪钢铁公司热连轧厂这样的老企业,这种新方法更具有在线应用的可行性·     

2800 mm中厚板轧机轧制力模型研究

在考虑温度场对轧制力能参数影响的条件下,利用ANsYs软件对热轧板带的塑性变形过程进行了力能参数的计算,并由此获得2800mm轧机轧制压力的计算模型.经在武钢2800mm轧机生产现场实测大量数据,进-步完善轧制力模型,使之具有良好的计算精度.     

热连轧机轧制力和轧制力矩模型研究

研究了一种适用于热连轧机的新型高精度轧制力和轧制力矩模型,建立了一个轧制力功系数和轧制力矩功系数的新型指数公式,将两个系数的表达式统一起来,仅含压下率和压扁半径与出口厚度之比两个影响因子,形式简洁,物理意义明显.给出了新型指数公式中待定参数的确定方法,求得的待定参数值对不同钢种和不同精轧机架具有通用性.预测实践表明,新型轧制力和轧制力矩模型提高了热连轧过程中轧制力和轧制力矩的预报精度,可用于热轧板带生产线精轧机架的在线控制.     

基于小波分析的多RBF神经网络轧制力设定模型

带钢热连轧生产过程中,轧制力预设定时的轧制力信号影响因素多、关联复杂,难以建立精确的机理模型.为此,文中应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的子信号,并建立了一个多RBF神经网络模型.模型中每个子网络分别对一个子信号进行建模,最后将各子网络输出综合为轧制力设定信号.各个子信号的影响因素不同,每个子模型输入参数和输出参数亦不同,从而能真实地反映轧制力变化的内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP神经网络的10%降低到了5%.     

基于多神经网络的热连轧轧制力预计算

提出使用BP、RBF混合网络建立的多神经网络来预报热连轧轧制力。工程实例说明,相对于传统数学模型和单神经网络建立的数学模型,多神经网络在预报精度和网络冗余方面占有较大优势。文中建模方法也为．研究多变量复杂工程提出了一条新思路。     

利用BP人工神经网络实现对轧机轧制力的预测

将人工神网络与轧制力预测相结合,利用BP人工神经网络对4004铝合金轧机的轧制力进行预测,设计该预测模型并采用MATLAB神经网络工具箱加以实现,获得了较高的预测精度.     

基于遗传神经网络的冷连轧机轧制压力模型

对鞍网冷轧厂四机架冷连轧机轧制压力模型进行了认真分析,指出了其存在的缺陷,把遗传算法（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ,简称ＧＡ）和神经网络有机结合,设计出了具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及ＧＡ－ＢＰ算法联合进行网络权值修改几种功能的遗传神经网络,建立了基于遗传神经网络的新冷连轧机轧制压力模型,通过原模型计算值、新模型计算值与实测值之间的对比分析可知,遗传神经网     

基于小波多分辨分析的新型多RBF网络轧制力设定模型

带钢热连轧生产过程中,影响因素多、关联复杂,轧制过程控制的精确模型难以建立,其中轧制力的预设定是重要问题之一,各种影响因素都会在轧制力的波动中有所体现.本文应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的不同频率成分子信号,并建立了一个多RBF网络模型,模型中每个子网络分别对一个信号成分进行建模,最后子网络输出被综合为轧制力设定信号.因为各个子信号影响因素不同,所以每个子模型输入参数不同,输出参数也不同,能真实地反映轧制力变化内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP网络的10％降低到了5％.     

2350轧机轧制压力人工神经网络预报

基于Matlab人工神经网络工具箱，采用改进的BP网络Levenberg-Marquardt训练规则优化计算2350中板轧机轧制压力和力矩。通过该网络的μ参数的自适应调整，提高了收敛速度，使2350中板轧机轧制压力和力矩的预报精度大为提高，为预报该机组的轧制压力和力矩计算提供了一条新的途径。     

一种基于人工神经网络的内模控制方法

对SISO反馈线性化系统的自适应自校正神经控制进行改造,提出了一种基于BP网络的内模控制新方法,克服了原系统设计方案的理想化,提高了系统的鲁棒性,使该方法具有实用性。同时有只要建立被控过程的内部模型即可得到内模控制器模型的特点。     

GA—BP网络混合建模方法及其在冷轧参数优化中的应用

提出基于遗传算法与BP网络混合建模的冷轧参数智能优化新方法,该方法具有学习功能强、计算精度高、使用方便等特点,且适合在线计算、实验证明了该方法的有效性,为冷连轧机组轧制规程的智能优化设计提供了一条新的途径。     

基于径向基神经网络的薄板平整轧制力预报模型

冷轧薄板在平整轧制时具有轧件厚度薄、压下率小的特点,其平整轧制力往往计算困难,精度难以保证.针对上述情况,提出一种基于参数修正的轧制力数学模型来计算其平整轧制力.同时,为进一步提高计算精度,运用RBF(Radial Basis Function)神经网络来预测该平整轧制力数学模型的计算误差,并将该误差与数学模型的计算值相结合,完成对其的修正.离线仿真结果表明,薄板平整轧制力数学模型在经过自身修正参数及RBF神经网络的2次修正后,计算精度可达到6%以内,具有较高的工程应用价值.     

遗传算法优化神经网络的热轧带钢弯辊力预报模型

针对传统弯辊力预设定模型的缺陷和带钢热连轧轧制特点,利用某钢铁公司1580mm热轧线生产数据,对精轧机组末机架进行了基于遗传算法优化神经网络的弯辊力预报模型研究.以大量实际数据作为神经网络训练输入,充分考虑了输入参数之间的影响作用,模型结构简单、容易实现,其整体性能用平均绝对百分误差、均方根误差和相关系数R评价.通过将预测结果与实测结果比较,验证了模型的精度.研究发现,提出的弯辊力预测模型相比于传统模型可实现高度非线性拟合,适用于提高热轧带钢头部板形控制精度,为实际弯辊力设定提供指导和试验基础.     

基于神经网络的人工肌非线性控制

运用非线性控制的逆系统方法,提出了一种基于神经网络的人工肌非线性控制方案,由原系统导出n-m阶逆系统模型,并与原系统一起构成具有反馈结构的伪线性系统,从而可方便地运用线性控制理论完成对控制系统的设计,用BP神经网络逼近逆系统模型,并借助于递推预报误差算法来训练神经网络,该算法与传统的BP算法相比具有更好的收敛特性,设计了一个具有单关节的人工肌试验系统,给出了人工肌关节跟踪正弦波和矩形波参考信号的试验结果,与传统的线性控制方案比较,基于神经网络的人工肌非线性控制方案能够得到更快的控制速度和更高的控制精度。