首页 | 官方网站   微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 109 毫秒
1.
 从辅料运行特性的角度对烧结工艺做了总体分析,并对烧结矿的质量指标及其影响因素做了研究,在此基础上运用了一种带动量项和变学习率的BP神经网络算法建立了烧结矿质量预测模型。模型预报结果表明,用拓扑结构为15-20-4的BP神经网络和0000191的网络误差进行训练后,模型的命中率在833%以上,充分展示了基于辅料运行特性的烧结矿质量预测模型的准确性和有效性。  相似文献   

2.
烧结矿质量预测中神经网络的结构优化   总被引:3,自引:0,他引:3  
利用BP神经网络,建立了烧结矿质量预测模型,预测烧结矿FeO含量和碱度及指标。并采取遗传算法、网络隐含层节点自构性学习等办法优化网络构造。仿真结果表明,模型能取得良好的预测结果。  相似文献   

3.
董敏  刘才  李国友 《钢铁》2006,41(12):49-52
为提高轧制过程轧制力预报精度,建立了将轧制接触面积由几何关系确定,将影响因素复杂的轧制单位压力通过RBF神经网络预测模型.为适应工况的改变,提出了一种在线动态调整算法,利用新的测试数据对网络进行重新训练,使模型能够调整结构及网络参数,从而使最终设计的网络具有最佳结构.试验研究证明,所设计模型具有良好的适应能力,提高了轧制力的预报精度.  相似文献   

4.
轧机液压AGC系统基于神经网络的传感器故障诊断技术   总被引:1,自引:0,他引:1  
董敏  刘才  李国友  张伟 《钢铁》2005,40(5):45-48
针对板带轧机液压AGC系统在线故障诊断问题,建立了一种基于非线性自回归滑动平均模型(NARMA)的递归神经网络,通过AIC定阶法确定模型阶次。运用生产实际数据,通过动态学习算法完成对网络的训练,使网络映射系统的动力学特性。该网络模型避免了故障的自学习,能够很好地实现故障检测。试验研究证明了该神经网络方法进行轧机液压AGC系统在线故障诊断的可行性和有效性。  相似文献   

5.
根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型。仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10~(-3)的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性。  相似文献   

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.
 针对中厚板轧机控制模型中的轧制温度精度的提高问题,以4200轧机轧制的大量实测数据为基础,利用Matlab人工神经网络工具箱,建立了中厚板轧制温度的GRNN神经网络预测模型。通过分析影响钢板温度变化的各种因素,调整神经网络的光滑因子,确定了最佳的网络结构形式,提高了模型的预测精度,并与传统的BP神经网络模型相比较。结果表明,GRNN网络具有更高的精度和更好的泛化能力。该神经网络模型可应用于中厚板轧制温度的预测,也可为人工神经网络在其它自动控制方面的应用提供参考。  相似文献   

9.
板坯连铸二冷段的动态配水模型研究与应用   总被引:3,自引:1,他引:2  
根据建立的在线温度推算模型和冷却段表面温度预测模型,设计了一种板坯连铸二冷段动态配水模型,实现铸坯表面温度自适应控制。该模型通过利用在线调整神经网络配水模型权重,使板坯表面温度与目标温度的差值最小化。现场数据分析证明了模型的适用性,仿真结果表明,模型对表面温度控制的效果优于在线温度推算模型。  相似文献   

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.
为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。  相似文献   

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.
于加学  孙杰  张殿华 《钢铁》2021,56(9):19-25
 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   

19.
 采用有限元(FEM)程序模拟计算了中厚板轧制过程中的温度变化,得到与实测温度符合甚好的模拟结果。以模拟计算结果为基础,建立了BP神经网络和回归温度预报模型。采用两种模型对中厚板热轧过程中轧件表面温度变化情况进行了预报。结果表明,神经元网络模型的预报值较回归模型更接近FEM模拟计算值和实测值,可将神经元网络模型应用于中厚板轧制过程中轧件表面温度变化的在线预报。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司    京ICP备09084417号-23

京公网安备 11010802026262号