用神经网络BP算法预报热轧钢材抗拉强度

应用ＳＰ算法程序,对钢材力学性能按单隐蔽层不同结点数进行预报计算,结果表明．以成份Ｃ、Ｓｉ、Ｍｎ、温度Ｔ四项因素做为网络输入因素．隐蔽层为七个结点时．预报结果与实测抗拉强度最为接近．     

BP算法的模糊神经网络及烧结终点辅助预测模型

烧结终点状态是烧结过程非常重要的参数之一.目前烧结终点的预测模型多采用人工神经元网络.本文介绍了一种模糊神经元网络结构及算法,可以处理不完全的、模糊的信息,并将这种模糊神经元网络应用到烧结终点辅助预测模型.文章最后给出了详细的仿真结果.     

GA-BP算法及其在冰铜品位神经网络模型中的应用

分析了遗传算法(GA)和BP算法的优缺点，将GA算法与BP算法有机地结合，形成了遗传BP算法。对冰铜品位神经网络模型的训练和检验结果比较表明，该算法优于BP算法，是一种快速全局搜索算法。模型训练结果也说明了神经网络技术应用于铜闪速熔炼过程建模的可行性和有效性。     

基于LM算法BP神经网络的高炉-转炉界面铁水温度预报模型

通过研究高炉-转炉界面铁水运输过程温度的主要影响因素,确定了影响高炉-转炉界面铁水运输过程温度的参数,建立了基于Levenberg-Marquardt (LM)算法BP神经网络的高炉-转炉界面铁水温度及铁水过程温降的预报模型.用沙钢100包铁水数据进行模型训练,50包铁水数据进行现场预报,结果表明:在高炉-转炉界面“一包到底”模式下,当绝对误差| X |≤20℃时,铁水温度命中率为94％,铁水温降命中率为78％;当绝对误差|X|≤40℃时,铁水温度命中率为100％,铁水温降命中率为92％,该预报模型能够满足现场实际生产需求,对炼钢生产有很好的指导意义.     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

基于鲸鱼算法优化BP神经网络的结晶器液面波动的预测

在连铸过程中,结晶器液面波动是限制连铸速度和铸坯质量的关键参数之一,因此,液面波动行为的准确预测一直是冶金学者的研究重点。基于此,本文利用Python对结晶器液面波动的振幅值进行预测。首先,选取中间包的质量、塞棒的位置、拉力和结晶器振动作为模型的输入,对数据快速傅里叶变换和归一化处理。然后,构建4×3×1的反向传播(back propagation, BP)神经网络模型,并利用鲸鱼算法(whale optimization algorithm, WOA)对初始权值和阈值优化。通过训练预测,相比BP神经网络,WOA-BP神经网络能较好地对结晶器液面波动进行预测,且预测值与结晶器液面波动振幅吻合较好,拟合决定系数(R²)为0.841 4;当振幅偏差为±0.02时,命中率可达到91%。     

BP神经网络模型应用于结晶器漏钢预报的研究

连铸生产过程中,漏钢事故会严重影响生产.针对钢厂的漏钢事故,研究BP神经网络理论,应用神经元算法参与计算,准确预报事故信息.在用钢厂实际生产数据的模拟过程中,取得较好的结果,验证了算法的有效性和可行性.     

基于L-M算法BP神经网络的转炉炼钢终点磷含量预报

转炉炼钢过程是一个非常复杂的物理化学变化过程,人工控制很难一次达到终点目标值,通常需要经过多次补吹才能出钢.通过研究影响转炉冶炼终点磷含量的主要因素,确定了影响转炉终点磷含量的参数,建立了基于Levenberg-Marquardt(LM)算法BP神经网络转炉终点磷含量的预报模型.结果表明:在预报误差目标精度为土0.00...     

一种结合模拟退火算法的BP网络冷连轧参数预报模型

 用神经网络模型代替传统的数学模型,达到提高轧制参数预报精度的目的。在分析了轧制原理的基础上设计了神经网络冷连轧参数预报模型,并针对前向网络反向传播算法（BP）收敛速度缓慢和易陷入局部极小点的缺点,将有全局寻优特性的模拟退火算法（SA）与之结合得到具有较快收敛速度和较高逼近精度的神经网络轧制参数预报模型,提高了网络的快速性和精确性。最后以轧制力预报为例,证明了该方法收敛速度快,稳定性好,可信度高,具有较好的应用前景。     

基于BP神经网络双对数算法的刀具磨损分析及寿命预测研究

针对刀具磨损状态和寿命预测受刀具材质、切削参数及加工材料等影响使得测试复杂且难以准确预测的问题,建立基于BP神经网络结合双对数算法的刀具磨损分析与寿命预测模型。用交叉验证法改变切削参数,对前后刀面的失效分析可知主要以后刀面磨损为主。将切削过程中的刀片后刀面磨损值VB与时间T双对数化发现：在一定范围内,改变单个切削参数,只有后刀面的初始磨损量发生变化;改变多个切削参数,后刀面的初始磨损量和磨损速率都发生变化。根据耐用时间T双对数变换后结合BP神经网络进行仿真,结果显示偏离值降低至0.1,偏离度降低至0.2%,证明BP神经网络结合双对数变换算法在一致性与试验结果的符合度都高于单纯采用BP神经网络作为预测算法的计算结果,能更好的预测刀具寿命。     

BP改进算法神经网络的保护渣性能预测模型

采用混料回归设计原理设计试验保护渣组成。以试验为基础,针对常用BP算法的不足采用动量因子与自适应学习速率相结合的BP改进算法建立神经网络保护渣性能预测模型。研究结果表明该模型预测精度高,适用组元多、成分变化范围大;对保护渣的性能预测取得了较好的效果,能为保护渣设计提供理论指导。     

BP神经网络在大学生专业课学习热情统计中的应用

运用BP神经网络建立大学生对专业课学习热情的数学模型,通过Matlab神经网络工具箱学习训练网络,并进行测试验证.结果表明,该方法可以推动学校培养计划的跟踪修订,具有广泛的适用性.     

BP神经网络在连铸板坯质量在线诊断中的应用

为了更好地应用BP神经网络对连铸板坯质量进行在线诊断,基于连铸生产特点,利用采集的过程数据建立了符合生产实际的均一化函数.通过分析BP神经网络中各参数对网络性能及诊断准确率的影响,对BP神经网络的结构及学习算法进行修正,使该网络有选择和有区分地学习铸坯质量知识.结合某钢厂连铸现场数据,以黏结为例,建立了6种网络模型,对各模型算法进行了比较测试.结果表明:采用自定义函数均一化样本或采用提出的差异性算法训练神经网络,均可明显提高诊断准确率;采用选择性算法可确保诊断准确率不变的同时,提高学习速度;修正的算法更能很好地符合连铸生产实际.     

热轧轧制力小波神经网络预报模型的研究

为了进一步提高热连轧精轧机组轧制力的设定精度,采用小波神经网络建立轧制力预报模型。并采用改进的快速BP算法来训练网络。仿真结果表明：建立的轧制力预报模型的预报值与实际值之间的相对误差在±6％以内,且学习算法收敛速度快。     

BP网络参数优化及其在轧制压力预报中的应用

利用最优化算法对ＢＰ算法中的学习速率（η）和动量因子（α）进行了优化选取,利用优化的ＢＰ网络对冷轧机轧制压力进行了预报,结果良好。     

网络参数对神经网络BP算法预报结果的影响

应用ＢＰ算法程序，对钢材力学性能按单隐蔽层不同结点数和不同学习速率进行预报计算，结果表明，在以成分Ｃ、Ｓｉ、Ｍｎ和精轧温度Ｔ四项因素作为网络输入，网络结构为单隐蔽层时，学习速率可高达０．９５，仅两千多次训练就得到与实测极为接近的结果。     

BP神经网络技术在钢铁工业中的应用

BP神经网络具有结构清晰、可操作性强等特点,在炼铁、炼钢、轧钢、钢材性能以及组织预报等领域得到了广泛的应用。介绍了BP神经网络的发展历程、基本原理和结构,对BP神经网络在钢铁工业中的应用现状进行了阐述,指出了其局限性,并对其发展前景进行了展望。     

BP神经网络在地下巷道支护中的应用

通过现场调查与测试，找出采准巷道失稳的原因，提出支护形式及其支护方案的选择，并利用BP神经网络预测程潮铁矿围岩的稳定性及其支护等级。     

大棚气候的BP神经网络预测模型研究

以大棚外气象因子中温度、湿度、辐射等为输入量,分别以大棚内气温、地温、湿度等气象因子为单项输出量,构建了基于神经网络预测预报原理的大棚小气候预测模型,模型预测结果好,该模型一方面能够解决大棚内气候资料缺乏的问题,另一方面能够提前模拟大棚内气候,对大棚的环境调控起指导作用.     

粒子群优化算法优化BP神经网络联合PID模型的烧结自动加水控制

针对烧结混合料自动加水控制的难点,尤其是在烧结配料过程中自动加水系统的大滞后、非线性、低稳定性问题进行了加水控制算法研究。采用内环和外环方案分别控制两级混合机加水,设计基于粒子群优化(particle swarm optimization, PSO)算法优化BP(back propagation)神经网络联合模糊PID控制模型以解决时变、非线性系统的局限性问题。通过PSO算法对BP神经网络进行训练优化以获得最优控制参数,将预测的烧结料水分加入模型参与下一步控制。考虑系统存在较大延时,Simulink仿真中同步加入延时环节。仿真结果表明,相比BP神经网络模型,PSO-BP预测模型的拟合性能更加优越;相比PID、BP-PID控制算法,PSO-BP-PID控制算法在超调量、响应时间以及震荡周期等指标上均有显著提高。经梅钢4号烧结机实际应用数据表明,相比传统PID控制,PSO-BP-PID控制平均误差下降约45.75%,控制标准差下降约62.72%,可以明显提高混合料水分控制的精准度、稳定性、敏捷性,提高烧结过程的稳定性。