基于人工蜂群算法与反向传播神经网络的铝热连轧轧制力预测

在分析传统的轧制力数学模型的不足之后,提出了一种基于人工蜂群算法与反向传播神经网络相结合的铝热连轧轧制力预测方法,使用人工蜂群算法优化反向传播神经网络的初始权值和阈值。以现场采集的精轧机组数据作为训练和测试样本,并与Sims数学模型和反向传播神经网络的预测结果进行比较,实验结果表明所提方法的轧制力预测精度和误差明显优于传统算法。     

基于循环自编码网络的冷轧轧制力建模方法

在钢铁冷连轧生产过程中,轧制力预测结果直接影响带材的轧制精度和产品质量。为进一步提高轧制力预测精度,同时实现模型的在线更新,避免漂移问题,提出了基于循环自编码网络的轧制力模型。首先,使用循环自编码网络对处理好的输入数据进行特征提取,为了加速网络训练,加入了小批量训练方法,然后使用高斯过程回归模型对提取到的特征进行回归拟合。仿真结果表明,该模型预测精度可达3%以内,能够实现轧制力的高精度在线预测。     

基于改进果蝇算法与最小二乘支持向量机的轧制力预测算法研究

铝合金板材精轧过程中,轧制力是影响板材质量的重要因素。为了满足轧制现场的轧制力预报精度要求,采用改进果蝇算法(FOA)与最小二乘支持向量机(LSSVM)相结合进行轧制力预测。改进了果蝇算法的味道浓度判定函数和步长设定方法,采用了分组并行搜索的策略,进而提出一种基于改进FOA-LSSVM的轧制力智能预报方法。将该方法用于铝热连轧现场数据的仿真实验,结果表明样本预测误差在10%以内,其中84%的样本误差在5%以内,精度优于传统模型。     

基于有限元的三辊行星轧制力预测及分析

为预测三辊行星轧制力,建立了三维热力耦合有限元模型,用均匀设计法安排有限元模拟样本,采用基于LM算法的BP神经网络学习有限元轧制力结果,确定了轧制参数与轧制力的映射关系,并根据训练后的神经网络分析了摩擦系数、轧辊偏转角和轧辊转速对轧制力影响．预测结果表明：摩擦系数和轧辊偏转角对轧制力影响是多方面的,在高轧辊转速时,较大的摩擦系数有利于降低轧制力．     

超声振动辅助磨削牙科氧化锆陶瓷切削力预测模型研究

通过单因素实验设计,开展了牙科氧化锆陶瓷的超声振动辅助磨削实验,分别建立了超声振动辅助磨削加工切削力指数预测模型、BP神经网络预测模型以及理论预测模型。通过验证实验对比分析了三种模型的预测精度,并阐明了误差产生的原因。结果表明,基于BP神经网络的切削力预测模型相对于指数和理论模型具有较高的预测精度,其平均相对误差仅为9.60%,理论模型因未能考虑材料的塑性流动去除,导致预测精度较低。     

基于神经网络的混杂SiC颗粒增强铝基复合材料力学性能预测

目的 提高混杂SiC颗粒增强铝基复合材料的韧性,利用卷积神经网络预测其力学性能,以得到力学性能关键因素的影响规律。方法 首先,通过实验得到了铝基复合材料的力学性能数据。其次,基于相场裂纹扩展本构,采用Python代码批量生成了不同构型参数的代表性体积单元,并利用Abaqus软件进行了有限元仿真(FEM)。通过代码实现了建模与仿真的一体化构建,利用得到的仿真数据,建立了神经网络模型,并实现了对复合材料力学性能的预测。建模前,对数据进行预处理和筛选,以提高数据质量并降低模型复杂度。最后,建立卷积神经网络,并优化模型的超参数。结果 通过建立的神经网络模型,实现了对复合材料力学性能的有效预测。极限强度的预测误差保持在−7%~8.5%,能耗的预测误差保持在−5%~6%,预测精度较高。结论 通过结合实验、仿真和卷积神经网络模型,可以更有效地预测混杂SiC颗粒增强铝基复合材料的力学性能,从而为材料设计和制备提供指导。     

轧制力模型自适应在神经元网络预报轧制力中的应用

在中厚板生产过程中,神经元网络已经运用到中厚板轧制力模型预报中,但是与实际的轧制力相比还存在着较大的误差。为了提高神经元网络预报轧制力精度,将轧制力模型的自适应过程引入到神经元网络用于轧制力预报,应用结果表明,采用本文所述的方法,神经元网络的预测精度得到很大改善,预报精度的相对误差可以控制在±3％以内。     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择。仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;GA-BP神经网络预测模型的塔筒应力预测平均误差为7.04%,相对BP神经网络预测结果误差减少了4.38%,预测精度满足工程需求。所提出的方法建立风电场海量监测数据和塔筒应力数据之间的有效关系模型,可为风电场长期有效的载荷监测提供新的手段。     

基于粒子群算法优化支持向量机的铝热连轧机轧制力预报

为了提高热轧带材的轧制力预报精度,提出了粒子群算法和支持向量机结合的方法来预报轧制力。根据轧制原理用支持向量机建立轧制力预报的模型,通过粒子群算法优化支持向量机参数来提高预报精度。为了进一步提高轧制力预报精度,还提出了支持向量机网络与数学模型相结合的方法,对某“1+4”铝热连轧厂现场采集的5052铝合金轧制数据进行离线仿真,仿真结果可以看出支持向量机网络与数学模型结合的方法预报轧制力,提高了轧制力预报速度并使其轧制力预报精度控制在7%以内。     

SA-GA-CNN-LSTM新型冷暖系统负荷预测方法研究

为提高预测精度,给新型相变储能供冷供暖系统提供准确的储能参考,结合该系统的特点,提出新的负荷预测方法。该方法先对数据进行模糊C均值聚类,然后将聚类结果分别传入由遗传算法（genetic algorithm, GA）、自注意力机制（self-attention, SA）和卷积长短时记忆神经网络（CNN-LSTM）相结合的模型进行预测。采用北京昌平某变电所的相变储能冷暖系统的实测数据进行训练并确定了该预测模型,最后用该模型进行负荷预测,预测数据和实测数据对比,证明了该模型的有效性。与单一神经网络模型CNN、LSTM和混合神经网络模型CNN-LSTM、GA-CNNLSTM相比,所提出的SA-GA-CNN-LSTM神经网络模型的预测精度最高。在平均绝对误差（MAPE）指标下,比表现较好的单一神经网络模型LSTM误差降低2.32%,比混合神经网络模型CNN-LSTM误差降低1.49%。     

基于改进深度信念网络训练的冷轧轧制力预报

在带钢冷轧过程中,轧制力预报精度直接决定板带材的轧制精度以及产品质量。传统的基于单隐层的神经网络建模方法结构简单,对复杂函数的表达能力与泛化能力都受到一定制约;轧制现场环境复杂,数据测量存在噪声干扰,都会直接影响预报精度。针对这些问题,提出一种基于非监督学习的改进深度信念网络预测模型。深层网络的构建以及去噪机制的引入可提高系统对输入数据特征学习的能力,同时采用改进的对比散度算法对网络进行训练,提高网络训练速度。最后,利用某钢厂1200mm轧机组的实测数据对模型进行检验,对比分析3种不同模型,结果表明该模型对轧制力预测的平均相对误差控制在4.5%以内,建模所需时间相比于栈式自编码网络减少26%。     

表面滚压强化工艺对FV520B钢表面完整性的影响及预测模型建立

目的 基于多元回归法和BP神经网络建立预测模型,实现对滚压后试件表面完整性指标的精准控制,从而指导实际加工生产。方法 以FV520B钢为研究对象,以滚压工艺参数（压强、进给量、滚压速度）为影响因素,以材料表面完整性指标（表面粗糙度、表面硬度、塑性变形层深度）为评价指标,设计了正交试验。通过对正交试验数据进行方差分析和信噪比分析,探究了滚压工艺参数对FV520B钢表面完整性的影响。基于正交试验数据构建了多元回归预测模型和BP神经网络预测模型,并对2种模型的有效性和精准度进行了分析和比较。结果 进给量对表面粗糙度有显著影响,随着进给量的增大,表面粗糙度也显著增大。压强和进给量对塑性变形层深度均有显著影响,且塑性变形层深度随着压强的增大而增大,随着进给量的增大而减小。多元回归法建立的预测模型的拟合度较差,而BP神经网络预测模型的实验值和预测值的相对误差均在10%以下,预测效果较好。结论 相比于多元回归预测模型,BP神经网络预测模型具有误差小、泛化性能好等优点,能够实现对滚压后试件表面完整性指标的精准控制,为实际的加工生产提供一定的指导。     

An innovative air-conditioning load forecasting model based on RBF neural network and combined residual error correction

Accurate air-conditioning load forecasting is the precondition for the optimal control and energy saving operation of HVAC systems. They have developed many forecasting methods, such as multiple linear regression (MLR), autoregressive integrated moving average (ARIMA), grey model (GM) and artificial neural network (ANN), in the field of air-conditioning load prediction. However, none of them has enough accuracy to satisfy the practical demand. On the basis of these models existed, a novel forecasting method, called ‘RBF neural network (RBFNN) with combined residual error correction’, is developed in this paper. The new model adopts the advanced algorithm of neural network based on radial basis functions for the air-conditioning load forecasting, and uses the combined forecasting model, which is the combination of MLR, ARIMA and GM, to estimate the residual errors and correct the ultimate foresting results. A study case indicates that RBFNN with combined residual error correction has a much better forecasting accuracy than RBFNN itself and RBFNN with single-model correction.     

基于神经网络遗传算法的深腔型零件拉深工艺参数优化

目的 解决冲压成形中工艺参数优化难的问题.方法 以一种深腔型零件的冲压成形为例.首先,借助灰度关联分析法对有限元中的工艺参数进行分析,获取该零件冲压成形中影响成形质量的2个主要因素——冲压速度和压边力.其次,借助拉丁超立方抽样法对上述2个因素进行随机取样,并借助DYNAFORM软件对其进行逐一模拟.再次,将冲压速度和压边力作为输入,最大减薄作为输出,训练在MATLAB中建立的BP神经网络,并借助遗传算法对其进行寻优.结果 最优成形压边力为1.372 MN,最优加载速度为1.5366 m/s.结论 与神经网络遗传算法预测相比,有限元结果的相对误差小于2％,零件试制结果的相对误差小于6％,该方法有较高的预测精度.     

Relationship between chatter marks and rolling force fluctuation for twenty-high roll mill

Chatter marks on the surface of a rolled steel strip may seriously affect the final product quality. It is still difficult to discover the generation mechanism of chatter marks and develop an effective method to identify chatter marks. In this paper a rolling force fluctuation model is proposed based on the variation of the rolling force between the forward and backward skid area. A dynamic model coupling vertical and horizontal vibrations is also established to analyze the vibration characteristics of a Sendzimir twenty-high cold roll mill based on the rolling force fluctuation model. Good agreement between the simulated results and the experimental results verifies the effectiveness of the established models. Furthermore, various rolling forces and rolling speeds are taken into consideration in analyzing the vibration characteristics. The proposed models provide clear theoretical support for better comprehension of the mechanism of chatter mark generation.