共查询到10条相似文献,搜索用时 265 毫秒
1.
热轧带钢卷取温度是影响成品带钢性能指标的重要工艺参数之一,其层流冷却控制系统具有高度非线性。影响卷取温度的因素多而且复杂,采用传统的温度预报模型难以达到较高的精度要求。为了满足卷取温度高精度的要求,提出了一种基于数据挖掘技术的遗传神经网络方法。充分发挥数据挖掘的关联分析能力、神经网络的泛化映射能力和遗传算法的全局搜索能力,将三者结合起来,建立了卷取温度预测模型。运用实际现场数据进行测试表明:它能准确地预报卷取温度,具有在线应用的前景。 相似文献
2.
3.
4.
5.
现有的卷取温度预报补偿模型和带钢批次间补偿模型中,由于案例推理(Case-based reasoning, CBR)系统中检索特征权重系数采用人工凑试的方法,难以获得满意的补偿作用,且由于缺乏迭代学习的初始工况条件的匹配算法,难以进行准确匹配和有效迭代.因此,本文针对这两个问题, 提出了基于神经网络技术的案例推理系统检索特征权重系数自动学习算法及迭代学习技术初始工况匹配算法,改进了卷取温度预报补偿模 型和带钢批次间补偿模型,并采用国内某大型钢厂的现场实际数据进行实验研究.实验结果表明,与原有方法相比,带钢卷取温度的控制偏差减小了1.63℃,卷取温度精度控制在±10℃以内的命中率提高了14.5%. 相似文献
6.
基于卷取温度预测的层流冷却优化控制模型 总被引:2,自引:0,他引:2
卷取温度对带钢的金相组织影响很大,是决定成品带钢加工性能、力学性能、物理性能的重要工艺参数之一;层流冷却过程具有强非线性、不确定性、时变的特点,采用传统的基于传热机理和统计分析的建模方式难以满足卷取温度优化控制要求;针对某钢铁企业热轧板厂卷取温度控制过程中存在的问题,建立了基于神经网络的卷取温度预测模型,综合考虑多种因素对卷取温度的影响,将该模型预测值与目标卷取温度值的偏差作为原有前馈模型的输入,以提高前馈补偿的控制精度;仿真结果表明,模型预测精度高,具有在线应用前景. 相似文献
7.
热轧层流冷却过程带钢温度难以连续检测,其换热系数具有随工况频繁变化而变化、动态特性具有时变、强非线性等综合复杂特性.正确辨识热轧层流冷却过程带钢温度的离散动态模型中的换热系数是提高模型精度的关键.本文将案例推理技术和神经网络技术相结合,提出了混合智能参数辨识方法.采用某钢铁公司热轧层流冷却过程实际运行数据对所提出的方法进行实验研究.结果表明本文提出的混合智能参数辨识方法大大提高了层流冷却过程带钢温度预报精度. 相似文献
8.
由于热轧带钢卷取温度控制过程存在强非线性,经典数学模型难以精确描述,我们采用遗传神经网络建立了卷取温度预报模型,并且通过改进的遗传算法优化了神经网络的权值.其中,提出了重新进化的思想,用"返祖"操作找回丢失的较优模式并将其耦合至下一代种群中,极大的提高了算法的收敛速度;分析了"种群解的空间跨度"和"基因段距离"对种群多样性的影响,用"优生"操作来推动算法从平面到多维空间的立体式搜索,以勘探和挖掘出更广、更优的寻优区间,并在种群进化后期,强力驱动算法收敛于全局最优.MFC(微软基类库)仿真结果表明:该卷取温度预报模型的收敛速度快、精度高,满足实时在线的控制要求,预报精度在±10?范围之内,能为卷取温度的前馈补偿控制提供可靠的参考数据,从而为进一步提高卷取温度的控制精度提供了新的途径. 相似文献
9.