共查询到17条相似文献,搜索用时 140 毫秒
1.
结合某厂连铸生产数据,采用带有附加动量项的改进BP算法,建立了连铸板坯中心偏析的BP人工神经网络预测模型。应用结果表明,其预测准确率为90%,可满足连铸生产中对铸坯中心偏析预报精度的要求。分析导致预报偏差的主要原因是,网络模型隐含层节点较多、网络结构复杂、中心偏析等级为1.0的样本学习次数较多和噪音样本剔除不彻底等。 相似文献
2.
针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法. 相似文献
3.
4.
5.
6.
7.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
8.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
9.
10.
轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini-batch策略的Adam优化算法进行参数寻优,采用Early-stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
11.
BP Neural Network of Continuous Casting Technological Parameters and Secondary Dendrite Arm Spacing of Spring Steel 总被引:1,自引:0,他引:1
The continuous casting technological parameters have a great influence on the secondary dendrite arm spacing of the slab, which determines the segregation behavior of materials. Therefore, the identification of technological parameters of continuous casting process directly impacts the property of slab. The relationships between continuous casting technological parameters and cooling rate of slab for spring steel were built using BP neural network model, based on which, the relevant secondary dendrite arm spacing was calculated. The simulation calculation was also carried out using the industrial data. The simulation results show that compared with that of the traditional method, the absolute error of calculation result obtained with BP neural network model reduced from 0.015 to 0.0005, and the relative error reduced from 6.76% to 0.22%. BP neural network model had a more precise accuracy in the optimization of continuous casting technological parameters. 相似文献
12.
13.
为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。 相似文献
14.
15.
16.
钢水温度的精确管控有利于提高铸坯质量和降低生产成本。针对目前炼钢—连铸区段钢水温度在线管控方面存在的不足,在分析钢水温度影响因素的基础上,建立了基于案例推理的炼钢—连铸区段钢水温度在线管控模型。同时通过调整案例推理算法的相似度计算方法、权重计算方法、重用案例个数等参数提高模型的精度。结果表明:转炉出钢温度预定模型平均降低转炉出钢温度6℃,精炼结束温度预定模型提高连铸开浇温度命中率2.33%。精炼开始温度,精炼结束温度和连铸开浇温度预报模型误差小于10℃的命中率分别达到75.33%、98.33%和95.67%,且均高于神经网络模型。 相似文献