综合等负荷改进算法在粗轧规程分配中的应用

针对热连轧粗轧机组立辊和水平辊交替轧制的特点,应用综合等负荷改进算法进行粗轧规程的负荷分配。在宽度和厚度两个方向上使用交替迭代的综合等负荷分配法进行轧制规程计算,采用黄金分割法搜索确定综合等负荷函数值。结合现场实例对基于该算法的规程负荷分配计算结果进行分析,结果表明,该算法求解过程简单,灵活性强,可以实现轧制规程的在线设定计算。     

基于PLC与模糊控制器的选煤厂灰分监控系统的研发

针对山东许厂煤矿选煤厂跳汰精煤灰分与设定灰分误差较大的现状,设计了基于PLC与模糊控制器的选煤厂灰分监控系统,并给出了该系统的实际应用效果。     

基于RS与FNN的通风系统评价模型

为了解决现有各种不同通风系统评价方法因素较多,而且具有这些因素又具有模糊性,利用传统的评价方法很难对通风系统进行准确地评价的难题,本文建立了基于粗集与模糊神经网络的通风系统评价模型,不仅可以完成多层次多因素系统评价,还具有自学习功能.通过对模型的验证分析,表明该模型具有较高的精度,总误差仅为0.037,可以将其应用到现场安全评价中.     

基于LMD模糊熵和概率神经网络的滚动轴承故障诊断

滚动轴承是机械传动系统重要的组成部分,其故障发生率极高,直接影响机械设备的正常、安全运行。基于此提出基于局部均值分解(LMD)模糊熵和概率神经网络(PNN)的滚动轴承故障诊断方法,原始振动信号应用LMD自适应分解为7个PF分量;设定模糊函数,提取每个PF分量的模糊熵,实现各PF分量的特征量化;并利用概率神经网络实现故障类型识别。实验结果证明利用该方法滚动轴承故障诊断识别率可达86.25%,是一种有效的滚动轴承故障诊断方法。     

基于模糊神经网络的采煤机变频器故障诊断系统

为了能够准确地对采煤机变频器进行故障诊断,深入研究了模糊神经网络技术在采煤机变频器故障诊断中的应用。建立了模糊神经网络理论模型,并且对传统的算法进行了改进。设定了模糊神经网络的输入和输出向量,设计出了合理的采煤机变频器模糊神经网络的结构。利用MATLAB数学计算工具对模糊神经网络进行训练,并且进行实验验证,结果表明模糊神经网络能够有效地对采煤机变频器进行故障诊断。     

冶金工业“十五”规划(二)

1.2　存在的主要问题(1 )产品结构方面。钢材生产的板带比同实际消费还有较大差距。 2 0 0 0年我国钢材消费的板带比为 40 %左右 ,而钢材生产的板带比只有 34%。 2 0 0 0年进口板带材共 1 41 0万 t,占当年钢材进口总量的 88%。部分高附加值关键钢材品种满足不了需求。这部分产品每年仍需进口解决 ,其中数量较大的品种有厚度小于 1 mm的冷轧薄板、厚度小于 3mm的热轧薄板、不锈钢薄板、镀锌板、冷轧硅钢片等品种。型线材、窄带钢等产品急需升级换代。目前我国建筑行业普遍使用 级螺纹钢筋 ,在发达国家已是淘汰产品 ,属于限期淘汰范围的叠轧…     

广义动态模糊神经网络及在轴承故障诊断中的应用

提出一种结合小波包分解和广义动态模糊神经网络的故障诊断方法,该方法首先采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此向量作为输入,再利用广义动态模糊神经网络建立轴承故障诊断模型,该模型不仅能对模糊规则而且能对输入变量的重要性做出评价,使每个输入变量和模糊规则都可根据误差减少率进行修正。实验结果表明:该方法对识别和预测轴承的状态具有较高的精度和效率。     

一种模糊神经网络控制器

简单介绍了模糊技术和神经网络的关系 ,并给出了一种利用神经网络技术的模糊控制器的控制方案。应用模糊神经网络技术 ,将模糊逻辑与BP算法相结合 ,使该控制器具有很强的适应性 ,拥有模糊控制和神经网络的双重优点 ,适用于参数时变、纯滞后的高阶系统。     

小波神经网络在数控机床热误差补偿中的应用

为了能够提高数控机床热误差补偿的精度和效率,深入研究了利用小波神经网络对数控机床进行热误差补偿的方法。首先,提出了小波神经网络的数学模型;然后,提出了基于遗传算法的小波神经网络模型的训练方法;最后,以数控铣床为例,利用小波神经网络对其进行了热误差补偿计算,并且得出了精度较高的数控机床的小波神经网络预报结果。     

铝电解槽针振信息元分析和诊断系统的开发与应用

针对铝电解槽针振信息元诊断手段的不足,提出基于小波-神经网络技术的铝电解槽针振信息元分析与诊断的新方法。获取5种针振信息元的特征波谱作为神经网络的训练样本,建立神经网络诊断系统。分析了系统软硬件结构及其特点,并在350kA预焙铝电解槽上进行实验和仿真。实验证明该系统有很高的精度,且具有很好的应用价值。     

冷轧带钢轧制中的新技术--边降控制

在轧制过程中,由于轧辊上的轧制载荷由加载区至无载区逐渐过渡,会在板带边部产生边降即厚度的减少现象。为减少边降对板带质量的影响,可在轧制过程中采用边降控制技术:在轧制过程中边降控制冷却系统,通过轧辊由相应的温度分布不同而得到热凸度突变来减少板带边降;也可采用边降控制辊,结构上对辊子边部区域进行弱化,减少轧辊轧制对板带边部的影响。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

黄铜/铝双金属轧后厚比预测的神经网络模型

采用正交实验方法, 对不同原始厚度、不同原始厚比和压下率的复合板进行轧制实验, 发现不同的轧制工艺条件对成品厚比影响较大。对试验数据进行了神经网络建模。训练发现, 在目标函数为0.05、隐层节点数为5、学习率为0.1 时, 系统误差较小。利用所建立的网络模型对其它8 组不同实验条件下的成品厚比进行了预测, 发现预测数据与实验数据吻合良好(总拟合度为8.7%)。说明神经网络模型很适合拟合轧制工艺参数和双金属板厚度比之间的非线性关系。     

基于优化终端滑模模糊神经网络的板形模式识别

针对板形模式识别问题, 将板形信号离散化、归一化, 作为终端滑模模糊神经网络的学习样本, 建立识别模型。在模糊神经网络的基础上, 利用终端滑模权值调整律代替梯度下降法的权值调整律, 提高网络的精度。为了进一步提高识别的精度以及收敛速度, 引入布谷鸟算法优化模糊神经网络的模型参数。仿真结果表明, 提出的识别模型对训练样本和未训练样本的平均最小方差分别为0.000 5和0.011 0, 比模糊神经网络(FNN)和径向基神经网络(RBF)的值都小。对某冷轧厂宽度1 040 mm带材的一组实测板形数据识别结果表明, 相比于FNN和RBF网络, CS-TSMFNN的识别效果更好。     

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。     

考虑辊缝摩擦及张力影响的冷轧机非线性振动特性研究

为研究轧机垂直振动系统过程中辊缝间摩擦及张力对冷轧机非线性振动特性的影响, 在考虑辊缝摩擦及张力作用的基础上建立了四自由度非线性垂直振动模型。采用时滞反馈控制与多尺度法结合求解系统主共振幅频特性方程, 运用奇点稳定性理论对系统稳定性进行分析。仿真分析了辊缝摩擦及张力对振动幅值的影响, 结果表明辊缝摩擦和张力对轧机垂直振动有很大影响, 并且通过适当调节时滞参数可以消除振动系统的跳跃现象。由稳定性分析得到了辊缝摩擦和张力对系统稳定性影响关系及出现各种不同奇点的条件。     

基于模糊神经网络卡车路段行程时间实时动态预测

提出了一种基于模糊神经网络卡车路段行程时间实时预测模型，阐述了自适应神经网络模糊系统(Adaptive Network-based Fuzzy Inference System, ANFIS)网络原理和方法对行程时间预测的可行性和可靠性，采用最小二乘法和误差反传算法结合的混合学习算法，减少了搜索空间的维数，而采用的减法聚类方法减少了模糊推理规则.混合学习算法和减法聚类方法的应用提高了网络参数的辨识和收敛速度.实例仿真论证了该模型预测速度更快、准确性更高，实时性好，获得了比单纯使用神经网络或模糊理论更精确的预测结果.     

基于T-S模型的模糊神经网络在地下硐室超挖预测中的应用

以山东某隧道为例, 运用基于T-S模型的模糊神经网络, 结合相关影响因素对地下硐室超挖进行了预测。预测模型根据工程实际情况选用了199组数据, 其中179组数据作为训练样本训练网络, 20组数据作为测试样本验证模型的预测结果。通过计算, 基于T-S模型模糊神经网络超挖预测的相关系数为0.962 8, 均方差为0.449, 平均相对误差为6.33%。与BP神经网络和回归模型的预测结果进行了比较分析, 结果表明基于T-S模型的模糊神经网络预测效果最好, 能精确预测地下硐室爆破超挖量, 对控制超挖量具有重要意义。     

采矿方法模糊优选的神经网络模型构造及其应用

应用神经网络模式识别原理，构建一种人工神经网络(ANN)——弹性神经网络，能较好地解决常用BP神经网络梯度算法中可能出现的收敛缓慢和局部最小问题，将模型应用于大红山铜矿缓倾斜中厚矿体采矿方法模糊优选，与用模糊数学法得出的结论基本一致。终选出的采矿方法工业试验后取得了显著成效，证明该决策方法切实可行。