基于模糊神经网络的一种漏钢预报方法*

现有拉漏预报方法经常会发生误报，本文尝试了一种基于神经网络的漏钢预报方法，它采用神经网络进行模糊模式识别和预测拉漏事故，实验表明该方法能比原有方法更快速准确地检测出铸坯粘结和裂缝等缺陷，可有效预防连铸中的漏钢事故。     

基于小波神经网络的结晶器漏钢预报技术研究

介绍了预报粘结性漏钢的基本方法,并对结晶器热电偶测得的大量温度数据进行预处理,再利用小波神经网络技术对经过预处理的检测数据进行训练,优化神经网络系统的结构和参数,识别出具有漏钢征兆的波形,提高了预报系统的精度和快速性;给出了用MATLAB实现的网络训练和测试的仿真结果,同时用VC开发了能识别结晶器内单偶、横向、纵向漏钢征兆温度波形的仿真系统。     

基于热电偶测温的漏钢预报系统

在结晶器铜板中埋入热电偶对铜板进行热监控,可以有效地检测和预报粘结漏钢。通过对影响漏钢预报系统预报准确率的原因进行分析,镭目公司开发了一种高准确率漏钢预报系统。多家钢厂采用RAMON漏钢预报系统后证明,该系统从判断漏钢到输出拉速信号的响应时间≤0．5S,漏钢检测的准确率≥95％,报警输出率≥99％。     

量子小波神经网络及其在漏钢预报中的应用

针对传统神经网络收敛速度慢,收敛精度低,以及用于模式识别泛化能力差的问题。提出了将量子神经网络与小波理论相结合的量子小波神经网络模型。该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,称之为多层小波激励函数,这样隐层神经元既能表示更多的状态和量级,又能提高网络收敛精度和速度。给出了网络学习算法。并以之在漏钢预报波形识别中的应用验证了该模型和学习算法的有效性。     

基于灰色理论和神经网络的拉坯阻力状态预测模型研究

由于拉坯阻力在时域上的非线性特征,漏钢现象产生的信息不完全以及连铸生产环境、工艺复杂等问题,利用灰色理论对传统的使用神经网络进行故障预测的模型进行了改进和优化;文章首先论证了建立灰色一神经网络模型预测拉坯阻力状态的实际需要和可行性,而后阐述了利用灰色理论和神经网络解决问题的方法,最后在论证的基础上利用编程仿真证明了模型建立的可行性和可靠性;文章根据实际现场数据以及生产工艺参数,结合生产故障典型特征,得出更加精确有效的故障诊断模型.     

基于模糊式识别的漏钢预报

提出了一种基于模糊模式识别和采用学习方法的模糊决策网络的漏钢预报方法，同时对热电偶测温系统做了改进。实验表明该模糊漏钢预报系统不但可以准确对温度模式进行分类和预测拉漏事故，而且对于连铸生产过程故障诊断和产品质量评价也有一定的指导意义。     

基于虚拟仪器的结晶器漏钢预报系统研究

为了降低漏钢所造成的损失,提出了一种基于虚拟仪器的结晶器漏钢预报系统的设计方案;分析了粘结性漏钢的形成机理及其特征,详细介绍了系统实现方法,并给出了破裂坯壳的愈合条件。实验结果表明,该系统能够有效地识别热电偶温度变化特征并及时报警,具有一定的实用性。     

连铸漏钢预报系统研究

漏钢预报是冶金连铸生产过程中的关键环节,需要非常可靠的安全性。提出的二值数据窗前置处理法,不但实现了数据的归一化,而且利用数据窗技术只需截取发生漏钢时温度变化异常的8个采样点,这样大大减少了网络的输入个数,提高了网络运算速度。实际应用表明,该系统可直接用于生产现场,具有预报速度快、精度高、鲁棒性能好等优点,有着广泛的应用前景。     

基于模糊模式识别的漏钢预报

提出了一种基于模糊模式识别和采用学习方法的模糊决策网络的漏钢预报方法，同时对热电偶测温系统做了改进．实验表明该模糊漏钢预报系统不但可以准确对温度模式进行分类和预测拉漏事故，而且对于连铸生产过程故障诊断和产品质量评价也有一定的指导意义     

BP神经网络漏钢预测系统优化

针对传统逻辑漏钢预测系统稳定性差、收敛速度慢、收敛精度低等缺点,建立具有自组织、自学习等功能的误差反向传播BP神经网络预测模型.采用变步长并加入动量项、防振荡项等方法,使网络训练过程能够跳出局部极小,加快了收敛速度.系统改变以往只将温度数据作为输入参数的传统,将拉速、中间包钢水温度作为考虑因素,扩大了漏钢因素的考虑范围.实验结果表明,采用BP神经网络对某炼钢厂实际数据进行漏钢预测,预报结果准确,具有较好的在线应用前景.