基于变结构神经网络的铁合金加工温度控制算法

通过对铁合金加工的温度有效控制,保障加工过程的温度和火候,提高加工精度,提出一种基于变结构神经网络的铁合金加工温度控制算法。仿真结果表明,采用该算法进行铁合金加工温度控制,温度控制输出的目标值与预测值具有较好的匹配性,温度控制精度较高,自适应性能较好。     

金属冶金工控网络中的流量均衡性研究

对金属冶金工控网络中的流量均衡调度,避免金属冶炼过程中的数据拥堵,提高金属冶金工控网络的稳定性和可靠性。提出一种基于小波变换尺度耦合调度的金属冶金工控网络中的流量均衡控制方法。进行金属冶金工控网络模型构建与流量时间序列分析,提取流量序列的小波变换尺度特征,进行耦合调度,实现流量均衡控制。仿真结果表明,该方法进行金属冶金工控网络中的流量均衡性控制,稳定性较好,精度较高,保障了冶金过程中流量数据的稳定性输入和输出,提高了冶金控制性能。     

铜闪速熔炼过程操作参数预测模型及应用

基于某厂实际铜闪速熔炼工艺和控制过程,对神经网络模型在铜闪速熔炼过程在线控制进行了研究。在分析影响溶剂率、熔炼氧单耗、反应塔总风量操作参数因素的基础上,提出一种基于BP神经网络的操作参数的预测方法,分别建立了输入向量只包含主要元素和考虑杂质元素的BP神经网络模型。网络的训练和测试结果表明,两种神经网络的输出值与实际值的最大相对误差均小于1.0%,输出值与实际样本值吻合得较好,模型输入参数中包括杂质元素时具有更高的计算精度。     

一种基于上下文感知的垂直切换决策机制

针对垂直切换决策考虑的因素越来越多而增加了决策复杂性的问题,提出一种基于上下文感知的垂直切换模型,设计出由切换发起、网络过滤、网络选择3阶段组成的新的切换决策机制.通过引入网络过滤,以某项网络选择指标为依据,对当前可检测到的接入网络进行过滤,并最终实现网络选择算法中对候选网络集或者选择指标的优化.该算法可以使网络选择策略更加灵活并保障其有效性,有助于快速确定目标网络.通过应用实例分析表明,该机制具有明显性能优势.     

RH-KTB炉外精炼过程的RBF网络故障诊断系统

提出一种利用RBF神经网络进行聚类分析,用于对RH炉外精炼进行故障诊断的方法.并进行神经网络的建立、训练、数据的实时采集、知识的获取、表达、推理、决策以及建立知识库,从而达到迅速,准确地判断和识别故障的目的.此外在网络学习中采用调整中心半径的RBF学习算法,是基于现实应用背景下对RBF学习算法改进的大胆尝试与实践.最后通过仿真证明其具有可行性和准确性.     

面向应用的mSCTP垂直切换决策方法

在泛在的无线异构网络中,垂直切换是实现无缝接入首要解决的问题.提出一种面向应用的基于传输层协议mSCTP的垂直切换决策方法;采用改进的层次分析法IAHP与灰关联分析法GRA相结合,选择最佳目标网络进行切换.仿真结果表明,本文所提出的垂直切换决策方法能满足不同业务类型对QoS的不同需求,并且不会造成性能的降低.     

高速钢轧辊热处理工艺参数的预测

材料的热处理工艺和性能之间具有很强的非线性关系,人工神经网络是解决非线性映射关系的一种有效的手段.本文以离心铸造高速钢轧辊的热处理工艺与性能的关系为研究对象,以人工神经网络中的BP网络理论为基础,再借助MATLAB工具设计出具有较好性能的网络结构,使用训练后的网络模型对高速钢轧辊的性能进行预测,得到了较好的效果.     

多分辨率小波极限学习机

针对一类具有空间不均匀性的辨识和回归问题,提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发,构造一簇紧支撑正交小波作为隐层激活函数,并利用改进的误差最小化极限学习机训练输出层权重,避免了新加入高分辨率子网络后的重新训练.同时,由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间,对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明,与标准极限学习机相比,小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度.      

基于贝叶斯网络的发动机曲柄连杆机构可靠性分析

曲柄连杆机构是发动机中重要的组成部分,其工作状态直接影响发动机的输出性能.为评估其可靠性,识别系统中的薄弱环节,基于贝叶斯网络提出了一种曲柄连杆机构可靠性评估方法.在运用故障树进行分析的基础上进一步将故障树映射为贝叶斯网络,给出了故障树向贝叶斯网络的映射方法,融合各验前信息计算各底事件和顶事件的发生概率,分析各个底事件对系统整体可靠性的影响,并计算各事件的重要度指标,通过分析查找系统的薄弱环节,以应用实例对提出方法的有效可行性进行了验证.     

多输出PID神经网络在碳化塔建模中的应用

碳化过程是纯碱生产中的关键反应.本文针对碳化过程的反应复杂、机理建模难的特点,提出了一种多输出PID神经网络的建模方法对碳化塔内温度分布进行非线性建模,并用梯度法训练该网络.文章讨论了多输出PID神经网络的结构和算法,通过仿真研究得出其良好的实用价值.     

Linear Predictor-Based Lossless Compression of Vibration Sensor Data: Systems Approach

This paper presents a novel systems approach to compressing sensor network data. Unlike previous data compression methods, the proposed lossless linear predictor-based sensor data compression method utilizes structural system information to minimize the signal correlation in sensor network data. In the proposed method, linear predictor is derived in a system identification framework in which auto-regressive (AR) model is used as its model structure and the instrumental variables (IV) method is used to calculate the predictor parameters. A parametric study was carried out to study the effects of changes in system property, number of sensors, and sensor noise level on the compression performance of the proposed method. Both numerical simulation and experimental results show that the proposed sensor data compression method has a better compression performance than conventional linear predictor-based data compression method for single sensor.     

基于模糊神经网络的地图匹配算法

提出了基于模糊神经网络的新的地图匹配算法.该算法综合了数字道路信息和GPS/DR定位信息,提取两个重要参数作为输入变量,即定位点到候选路段的投影距离及定位航向与候选路段方位角差.设计出了四层模糊神经网络及改进的收敛学习规则.实验结果表明所提出的算法能很好地匹配车辆行驶路段位置.      

连铸与热轧工序余材集成匹配模型与算法

针对钢铁企业连铸工序余材板坯及热轧工序余材钢卷对热轧生产合同的匹配问题,基于一体化的管理思想建立了余材板坯、钢卷与合同集成匹配的多目标0-1非线性整数规划模型,在模型中引入板坯材质与合同要求钢种特征差异值矩阵及钢卷钢种与合同要求钢种特征差异值矩阵.采用分段整数编码、基于启发式修复策略的改进遗传算法求解.最后,通过对实际生产数据的仿真实验验证了所提模型和算法的有效性,为科学合理地匹配铸轧工序余材板坯、钢卷提供了有效的解决方法.      

一种基于卷积神经网络的CSI指纹室内定位方法

针对提高Wi-Fi指纹室内定位技术性能,提出了一种基于卷积神经网络（Convolutional neural networks,CNN）的信道状态信息（Channel state information,CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息,利用CNN进行训练,保存训练后的CNN网络模型作为指纹;在线阶段,针对不同实验场景,对测试数据的幅度差信息和相位差信息进行加权处理,引入改进的基于概率的指纹匹配算法,利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外,为增强算法普适性,针对复杂室内场景,提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验,信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差,验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性。      

安钢FSF电极智能预测建模及应用研究

交流电弧炉电极控制系统是一个多变量、非线性、参数时变、复杂强耦合系统,经典的控制策略难以获得优良的性能.为此从安钢FSF电极控制的实际应用出发,提出了1种变结构遗传Elman网络预测建模方法,其中改进的混和遗传算法用来对网络结构和权值及自反馈增益的同步动态寻优.并将基于BP算法的改进Elman网络和本文提出的变结构遗传Elman网络都应用于交流电弧炉的电极模型的辨识中,通过基于安钢现场数据的计算机仿真实验表明:变结构遗传Elman网络克服了因复杂的辨识对象造成的网络辨识结构复杂问题和采用BP算法带来的权值训练缺陷;并具有更好的动态性能,逼近速度快,精度更高等优点.最后,把建立的模型应用于电极控制系统的参数整定上,取得了良好的控制效果,为电极控制提供了理论指导.     

Improving Planning Reliability and Project Performance Using the Reliable Commitment Model

Commitment planning reliability at an operational level is a key factor for improving project performance. In the last 15 years, the Last Planner System, a production planning and control system based on lean production principles, has improved commitment planning reliability in the construction industry. However, many construction decision makers continue to rely on their experience and intuition when planning their commitments, which hinders their reliability. The reliable commitment model (RCM) is proposed to improve commitment planning reliability at the operational level by using statistical models. RCM is an operational decision-making tool based on lean principles that supports short-term forecasting commitment planning using common-site information such as workers, buffers, and plans. RCM was tested in several case studies, demonstrating its production forecasting capabilities and its ability to help increase commitment planning reliability and improve project performance. RCM also supports workload and labor capacity matching decisions. RCM has the potential of becoming a useful production decision-making tool.     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

基于配合辊系的楔形板矫直工艺

 采用常规矫直辊系矫直楔形板严重降低了楔形板矫直范围和效率，为了提高楔形板矫直厚度范围和矫直质量，提出了一种基于配合辊系（大直径矫直辊系和小直径矫直辊系）的楔形板矫直方法。首先研究了配合辊系矫直机辊径、辊距与楔形板矫直效果的关系，设计了楔形板矫直机配合辊系，给出了矫直工艺方案；然后给出了配合辊系矫直楔形板的分区原则，基于有限元法建立了基于配合辊系的楔形板矫直过程有限元模型，仿真结果与实测结果一致，验证了有限元模型的正确性；最后对基于配合辊系的楔形板矫直过程进行仿真，计算了常规辊系和配合辊系下楔形板矫直力及残余应力，分析了不同板厚分区对楔形板矫直效果的影响，结果表明，配合辊系设计方案适合楔形板矫直过程且矫直效果较好。     

基于深度卷积神经网络的地磁导航方向适配性分析

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义.