共查询到19条相似文献,搜索用时 109 毫秒
1.
2.
3.
4.
5.
6.
以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。 相似文献
7.
用神经网络建立提拉法钛单晶生长过程的经验模型,并通过试验验证模型的有效性。改进钛单晶生长试验设备,采集建立经验模型所需的无噪实验数据。建立前馈神经网络预测器,建模提拉法钛晶体生长过程非线性动态特性,用自适应BP算法训练神经网络,以加快网络的学习和收敛。 相似文献
8.
9.
10.
在人类认知过程中,除了通过有指导的学习来获取知识以外,还可以根据对外界事物的观察,找出其内在规律和本质属性,调整自己的认识,这种功能称为自学习或自组织的学习。通过自组织特性来记忆知识的网络统称为自组织神经网络。自组织神经网络有许多种,在这里介绍应用较多的自组织特征映射网络和自适应共振理论网络。脑模型控制器(CMAC)由于能快速学习,在实时控制中很有应用前景,在本讲中也加以介绍。1自组织特征映射网络自组织特征映射(Self-OrganizingFeatureMap简称SOFM)网络是由Kohonen提出的,常称为Kohonen自组织网络… 相似文献
11.
森吉米尔轧机板形预测的神经网络方法 总被引:1,自引:0,他引:1
针对传统板形预测模型的固有缺陷,研究建立了基于神经网络的森吉米尔轧机板形预测模型,模型经由某钢铁公司森吉米尔20辊冷轧实测数据仿真验证表明,预测模型具有较高的预测精度。 相似文献
12.
基于RBF-BP混合神经网络的烧结烟气NOx预测 总被引:1,自引:0,他引:1
摘要:对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。 相似文献
13.
14.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
15.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
16.
富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。 相似文献
17.
针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法。在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象。利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命中率、减少钢材浪费。深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现。调整神经网络各参数,通过研究它们对模型性能的影响,优化预测模型。最后使用多种厚度的带钢测试数据训练并检验头部厚度预测模型,结果显示,分类预测命中准确率在80%以上。 相似文献
18.
针对神经网络极易陷入局部极小的问题,提出变尺度混沌优化方法与神经网络相结合的变尺度混沌神经网络综合模型,讨论变尺度混沌神经网络模型的建模思路及其算法实现;介绍球磨机常见的故障类型,建立球磨机故障诊断的变尺度混沌神经网络模型,并进行仿真试验,结果表明:该模型具有较高的预测精度,可以有效地运用于球磨机诊断中的故障预测。 相似文献