基于Φ函数的铝热连轧防打滑轧制规程优化

针对铝材轧制过程中的打滑现象提出了预防热轧打滑的判断条件, 并提出了预防打滑为主的综合电机功率剩余程度相近的目标函数, 建立了轧制规程多目标优化的数学模型, 并应用果蝇优化算法对压下率进行了优化。在河南某铝热连轧厂对5052铝合金加工进行轧制规程优化, 将Φ函数负荷分配法应用到轧制规程中, 结果表明: 合理的负荷分配能较好地实现各电机在功率上的剩余程度相近, 并有很好的预防打滑效果, 证明Φ函数负荷分配法制定轧制规程是合理有效的。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

基于数据相似性的铝热连轧轧制力模型自学习

针对铝热连轧中轧制力预报精度低、模型自适应能力差的问题, 提出了基于数据相似性的自学习方法, 该方法首先计算第i卷和第i+1卷轧制初始数据的相似程度, 然后以第i卷的实测轧制力为自学习目标, 将两卷带材的相似程度作为自学习系数的修正因子来对轧制力模型进行自学习运算。以河南某1+4铝热连轧机为实验对象, 通过对现场实测数据的分析表明: 本方法能有效提高轧制力预报精度, 满足在线控制要求。     

基于改进蜂群算法的冷连轧规程优化设计

综合考虑现场和设备所受的约束条件,以等负荷和克服打滑为目标函数,建立了轧制规程多目标优化模型。为了提高算法性能,对人工蜂群算法进行了改进。首先,应用反向学习的策略初始化种群,使得个体尽可能均匀分布在搜索空间。其次,人工蜂群算法采用不同的选择机制,提高收敛速度和寻优精度。最后,用改进的算法对某五机架冷连轧机进行规程优化设计。结果表明,改进的人工蜂群算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

基于Memetic算法寻优SVM的瓦斯浓度预测

瓦斯浓度预测是进行煤矿瓦斯灾害表征的一个重要指标,为了提高瓦斯浓度预测模型的预测精度,提出了一种基于Memetic算法寻优的支持向量机预测模型。利用特征提取和特征选择的方法获取最优输入特征集进行降维简化处理,建立支持向量机回归模型,在学习过程中引入Memetic算法对传统支持向量机预测模型进行参数优化。通过用实际监测数据进行验证,结果表明:经过Memetic算法优化后的支持向量机预测模型提高了瓦斯浓度预测的精度。     

基于改进遗传算法优化BP网络的轧制力预测研究

为提高铝热连轧轧制力预报精度, 满足现场生产需求, 采用改进遗传算法优化神经网络建立铝热连轧轧制力的智能模型。以河南某1+4铝热连轧厂连轧实测数据作为实验样本, 在遗传算法的初始化和变异机制中引入混沌序列, 同时选择最优保存机制、动态调整交叉率和变异率等方法, 提出了改进的遗传算法, 并将其与改进的BP算法相结合, 对多层前馈神经网络权值阈值进行优化, 避免学习中陷入局部最小, 使模型最终具有了良好的收敛性和适应性。网络预测结果与实测数据的相对误差基本在10%以内, 该预测精度明显优于传统数学模型, 实现了铝热连轧轧制力的高精度预测。     

基于改进布谷鸟算法与SVM的矿用变压器故障诊断

矿用变压器主要用于含有易燃气体和煤尘的矿井中,为采煤机、运输车及照明系统提供电源。针对目前矿用变压器故障诊断准确率不高的情况,提出了一种基于改进布谷鸟算法和支持向量机(SVM)的矿用变压器故障诊断方法。首先引入改进的布谷鸟算法对支持向量机参数进行寻优,获得具有最佳参数的支持向量机模型,然后利用支持向量机对变压器故障进行分类来实现变压器故障的诊断,最后,通过算例仿真对所提算法和检测方法进行了验证,Matlab仿真结果表明：利用改进布谷鸟算法和诊断模型得到的矿用变压器故障诊断准确率要高于传统的矿用变压器故障诊断方法。     

基于动态多目标进化算法的冷连轧负荷分配研究

在变速冷连轧过程中, 针对负荷分配线性处理方式存在的缺陷, 建立了以速度为变量的轧制过程动态模型。选择以等功率裕量、综合打滑因子函数为最小的动态多目标优化模型, 采用动态多目标进化算法进行优化。仿真结果表明, 动态多目标进化算法相对线性处理方法, 能获得更优的负荷分配方案。     

基于GA-ACO-SVM组合模型边坡位移预测研究

针对目前常用的预测模型存在一定的问题,建立支持向量机预测模型,并将遗传算法与蚁群算法有效结合。用此组合算法对支持向量机模型参数优化。最终将建立的模型与单独两种算法所优化的模型进行精度对比。实例表明,组合算法所优化的预测模型具有更高的精度,具有一定的应用价值。     

遗传支持向量机在液压泵轴承故障的预测与应用

为了能够提高液压泵轴承故障预测的效率,深入地研究了支持向量机在液压泵轴承故障诊断中的预测和应用。提出了遗传模拟退火算法优化的最小二乘支持向量机预测模型,并分别对最小二乘支持向量机和遗传模拟退火算法进行了描述,给出了优化预测模型。通过实例研究,结果表明该方法具有较高的预测精度。     

基于物理规划的铝热连轧多目标轧制规程优化

针对铝热连轧轧制规程多目标优化中综合目标函数权值难以确定的问题, 运用基于物理规划的多目标优化方法, 并以萤火虫智能算法为基础, 选取等功率裕量、轧制总能耗、末机架板型良好及各机架打滑因子为目标函数, 进行优化计算。物理规划使设计者以一种更加灵活的方式完成目标函数的权值分配, 然后通过萤火虫智能算法对综合目标函数进行优化计算。结果表明 不同的设计偏好能有效反映设计者的意愿, 从而产生偏向不同重点的轧制规程。     

基于灰色预测的MFAC在铝热连轧张力控制中的仿真研究

针对重庆某铝加工厂双机架铝带热连轧机机架间张力波动问题, 分析了影响张力波动的原因。为提高张力系统的控制精度, 对传统PID控制器进行了算法改进, 采用无模型自适应算法进行控制器设计, 并加入灰色预测模型, 通过超前预测来补偿系统延时及参数时变, 形成新的控制律作用在被控对象上。仿真结果显示, 基于灰色预测的无模型自适应控制在跟踪性、适应性、克服大时滞能力方面与传统的PID控制相比有很大的优越性。     

基于DBN算法的热轧高强钢薄板轧机振动预报研究

针对热轧高强钢薄板生产过程中轧机出现剧烈振动、造成产品质量不高和设备损坏等问题,深度挖掘钢铁工业积累的轧制实时监测数据(PDA数据),提出采用DBN算法和GA-BP算法建立轧机振动预报模型,从而对轧机振动进行预报。首先通过建立轧机垂直振动数学模型,分析轧机振动机理,然后建立振动预报模型,并利用现场实测数据训练其精度,结果表明,本预报模型预测结果的误差在3.94%以内,可以用于轧机振动的预报。建立了轧制工艺参数和轧机振动强度的定量关系,为轧制制度的改进以及在轧制过程中实现快速减弱甚至消除轧机振动提供参考。     

江西盘古山钨矿区开采沉陷预计的GA-SVA算法

传统矿山开采沉陷监测方法存在耗时较多且精度不高等不足,且难以对矿区开采沉陷发展趋势进行准确预计。以江西盘古山钨矿区为例,将遗传算法(Genetic algorithm,GA)与支持向量机(Support vector machine,SVM)算法相结合,提出了一种基于GA-SVM算法的开采沉陷预计方法。首先利用遗传算法(GA)对支持向量机(SVM)进行选择、变异和交叉,生成精度符合要求的数据集群;然后采用GA-SVM算法对概率积分法开采沉陷预计参数进行了训练,对矿区开采沉陷进行了预计。研究表明:基于GA-SVA算法的开采沉陷预计值与实测值的误差小于5%,基于该算法的预计值构建的矿区数字高程模型(Digital elevation model,DEM)与基于实测数据构建的数字高程模型(DEM)具有高度的一致性,表明利用所提算法预计矿山开采沉陷具有较高的精度。