共查询到17条相似文献,搜索用时 140 毫秒
1.
针对中厚板轧制过程中厚度计模型预测轧机出口实时厚度精度不高的问题,提出一种麻雀搜索算法(sparrow search algorithm, SSA)优化径向基(radial basis function, RBF)神经网络的中厚板厚度预测模型。通过SSA对RBF神经网络的参数进行优化,提高模型的预测精度。根据现场实际采集的数据,结合产线的工艺布局,对数据进行时空坐标转换后代入模型进行训练。通过多种规格中厚板厚度数据仿真验证,SSA-RBF模型预测精度可以控制在0.075 mm以内,预测效果好于反向传播(back-propagation, BP)神经网络和广义回归神经网络(generalized regression neural network, GRNN),模型预测精度可以满足实际轧制的精度要求。 相似文献
2.
基于GRNN神经网络的4200轧机宽展模型 总被引:1,自引:0,他引:1
轧制过程中,针对4200轧机在轧件宽展变化自动预测和控制,分析了轧制过程中宽展变化的影响因素。在神经网络技术和现场实测数据的基础上,利用Matlab人工神经网络工具箱,应用GRNN广义回归神经网络建立宽展变化预测模型来提高轧制宽展变化预测的精度。结果表明,该方法建立的模型可以实现对宽展变化的预测,其预测精度有较大提高。 相似文献
3.
4.
5.
6.
7.
8.
9.
10.
摘要:轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力,精度较低。为提高轧制力预报精度,首先基于大量历史生产数据,通过主成分分析法对影响轧制力的因素进行处理和分析,选出权重较大的影响因子;其次选取现场代表钢种进行热模拟压缩实验,在此基础上提出基于极限学习机(ELM)的综合神经网络轧制力预报模型,即先通过化学成分计算出基准变形抗力,再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数,并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产,轧制力预报相对误差±10%以内占比提高15.61%,钢板头部厚度命中率提高1.9%。 相似文献
11.
12.
13.
本文探讨了影响中厚板厚度波动的因素,结合安钢中板厂2800mm轧机按合同轧制一批交货重量不大于理论重量船板的生产实践,总结了实际生产中实现高精度厚度控制的有效方法。 相似文献
14.
15.
16.
17.