基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到956%和978%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上，有机结合模糊模式识别和模糊聚类算法，并通过引入新的学习机制和优化网络结构，建立了改进的新型模糊ART神经网络模型；同时，结合某钢厂连铸现场采集的历史数据，将该模型应用于连铸漏钢预报过程中。其结果表明，该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到956%和978%，报出率都达到100%，且在避免漏报的同时保证了较低的误报率，能准确识别典型的温度模式和预测拉漏事故的发生。     

基于模糊聚类及神经网络的连铸漏钢预报

在模糊RBF神经网络的基础上,通过融合基于贴近度的改进FCM和Conditional FCM算法,建立了改进的模糊RBF网络模型;并结合某钢厂连铸现场采集的历史数据将该模型应用于连铸漏钢预报的过程中。结果表明,改进的网络模型能更准确地辨识连铸粘结漏钢过程中典型温度模式1和模式2,对二者的预报率分别达到949%和983%,报出率均达到100%,其预报性能更佳,能更有效地预报拉漏事故。     

基于温度比波形识别的BP神经网络漏钢预报模型

通过对粘结漏钢过程的研究,提出了一种温度比波形,该波形可以反映粘结发生时热点的传播过程,弥补了以往漏钢预报模型只能通过延迟检查对热点传播过程进行监控的不足.利用BP神经网络对温度比波形和粘结发生时的两种典型温度模式进行识别,建立漏钢预报模型.将该模型应用于板坯连铸漏钢预报中,并用某厂的现场数据对该模型进行测试,测试结果表明该模型能有效地进行漏钢预报.     

连铸黏结漏钢发生机理及预报模型

连铸是炼钢过程非常重要的工序之一。连铸过程多发漏钢事故，其影响因素多且机理复杂，其中以黏结漏钢最为常见，约占总漏钢事故的70%。连铸漏钢事故造成钢液泄漏，容易发生灼烫、火灾甚至爆炸等安全事故，造成人员伤亡和巨大的财产损失。为解决上述问题，剖析了黏结裂口的扩展方式和黏结漏钢的形成机理；基于热电偶测温法预报黏结漏钢的原理，利用神经网络建立黏结漏钢预报模型，并运用遗传算法完成神经网络的优化，预报模型测试样本的正确报出率达到100%,预报率为97.56%;对空间网络模型进行了验证，A型空间网络模型的输出符合期望，可以实现黏结在空间裂口扩展的预报。模型具有很好的应用价值，可为连铸安全生产提供支撑。     

基于BP神经网络的漏钢预报技术研究

介绍了利用BP神经网络进行连铸结晶器漏钢预报的基本方法,优化神经网络系统的结构和参数,粘结性漏钢的温度波形特点等,同时用C#开发了单偶、横向、纵向漏钢预报系统,能快速准确地对粘结性漏钢进行预报。     

基于支持向量机的漏钢预报系统在唐钢板坯连铸项目中的应用

在河北钢铁集团唐山钢铁集团有限责任公司板坯连铸生产中,浇铸过程中的漏钢是典型的事故。为了尽可能降低连铸过程中漏钢事故所造成的损失,上海宝信软件股份有限公司开发了连铸漏钢预报系统,通过将逻辑判断方法和机器学习方法相结合,大大提高了漏钢预报模型的准确性,相应减少了漏报和误报给连铸生产带来的经济损失。     

基于漏钢预报的连铸拉速模糊控制

利用模糊控制器和神经元的优点，基于漏钢预报较成熟的热电偶方法，设计出一种基于漏钢预报的连铸拉速模糊控制系统，在保证不产生漏钢的前提下尽可能提高铸坯的拉速，从而提高钢产量。离线模拟结果了该方法的有效性。     

几种常用漏钢预报系统模型的比较（上）

漏钢预报系统属于高效连铸生产的关键工艺和装备。作为漏钢预报核心技术的模型是目前技术开发和运用的热点和难点。本文从连铸漏钢预报工程技术实际出发,总结铸坯振痕和裂纹生成的规律,介绍了坯壳生长热力学模型及其振痕、厚度模型;同时基于漏钢预报流行的热电偶测温方法,介绍了结晶器埋设热电偶间距的优化模型、基于结晶器铜板热传播的漏钢预报逻辑判断模型、热电偶网络化的漏钢预报逻辑判断模型及其神经网络模型,并对这些模型在现场的实际应用效果进行了评价。     

FTSC薄板坯连铸漏钢预报及热像图技术应用

介绍了FTSC薄板坯连铸漏钢预报及热像图技术的组成、特点、工作原理及实际应用情况.实践证明,该漏钢预报系统具有非常高的粘结漏钢预报准确性,粘结后恢复浇注的成功率达到99%,特有的热像图技术非常直观的反应了结晶器内的温度场情况,在弥补漏钢预报判断逻辑不足的同时,也为深入研究连铸过程中结晶器内的冶金行为提供了可视化平台.     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

模糊神经网络在30MnSi金属塑性变形抗力预报中的应用

采用模糊神经网络,建立轧钢生产过程中30MnSi钢轧制温度,变形程序,变形速率和变形抗力之间的数学模型,预报金属塑性变形抗力,离线预报表明,模糊神经网络预报金属塑性变形抗力有较高的精度。     

小波模糊神经网络在高炉炉温预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

基于新变量选择方法的FNN预报转炉终点

考虑到机理模型能较准确给出转炉吹炼过程的定性规律，而难以给出可靠的定量关系，首先利用冶金机理模型和PLS方法分析影响转炉终点碳的因素，然后建立基于模糊推理神经网络的转炉终点碳预报模型。结果表明，此法能有效提高对转炉终点碳预报的命中率和网络的训练速度。在w(C)绝对误差±0.02%控制精度下命中率达94.12%，相对误差±10%控制精度下命中率达56.86%。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

Fuzzy Neural Model for Flatness Pattern Recognition

For the problems occurring in a least square method model, a fuzzy model, and a neural network model for flatness pattern recognition, a fuzzy neural network model for flatness pattern recognition with only three-input and three output signals was proposed with Legendre orthodoxy polynomial as basic pattern, based on fuzzy logic expert experiential knowledge and genetic-BP hybrid optimization algorithm. The model not only had definite physical meanings in its inner nodes, but also had strong self-adaptability, anti interference ability, high recognition precision, and high velocity, thereby meeting the demand of high-precision flatness control for cold strip mill and providing a convenient, practical, and novel method for flatness pattern recognition.     

A New Flatness Pattern Recognition Model Based on Cerebellar Model Articulation Controllers Network

In the traditional flatness pattern recognition neural network, the topologic configurations need to be rebuilt with a changing width of cold strip. Furthermore, the large learning assignment, slow convergence, and local minimum in the network are observed. Moreover, going by the structure of the traditional neural network, according to experience, the model is time-consuming and complex. Thus, a new approach of flatness pattern recognition is proposed based on the CMAC （cerebellar model articulation controllers） neural network. The difference in fuzzy distances between samples and the basic patterns is introduced as the input of the CMAC network. Simultaneously, the adequate learning rate is improved in the error correction algorithm of this neural network. The new approach with advantages, such as high learning speed, good generalization, and easy implementation, is efficient and intelligent. The simulation results show that the speed and accuracy of the flatness pattern recognition model are obviously im proved.