小样本贫信息条件下高炉冶炼烧结终点组合预测法

由于烧结过程具有不确定性、多变量耦合、时变时滞的特点,并且烧结终点受多种因素的影响,采用传统控制方法难以将烧结终点控制在要求的范围内,提出应用支持向量机优良的时序预测性能,以及贝叶斯理论能够利用样本信息和先验知识来简化预测模型和优化参数的特性,建立了贝叶斯支持向量机烧结终点的预报模型.首先对烧结终点的机理分析,后分别叙述贝叶斯框架理论和LS-SVM算法,并将贝叶斯证据框架应用于最小二乘支持向量机模型参数的自动选择,建立起时间序列的烧结终点非线性预测模型.在贝叶斯推断的第一层,进行模型参数的选择;在贝叶斯推断的第二层,进行模型超参数的选择;在贝叶斯推断的第三层,估计模型核参数,然后利用贝叶斯最小二乘支持向量机算法(LS-SVM)对烧结终点进行预测,并在此基础上构造了烧结终点的贝叶斯最小二乘支持向量机模型.仿真结果和多种模型比较表明,本模型能在小样本贫信息条件下对烧结终点做出比较准确的预测,并具有预测精度高、所需样本少、计算简便等优点,取得了令人满意的结果.     

单桩竖向极限承载力预测模型分析

提出了一种基于最小二乘支持向量机在单桩竖向极限承载力预测方法,建立了单桩竖向极限承载力预测的最小二乘支持向量机模型。     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

基于支持向量机的连铸板坯表面温度预测

提出了一种最小二乘支持向量机的连铸板坯表面温度预测新模型.以中间罐温度、拉速、二冷水量等主要工艺因素为输入,连铸坯表面温度为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以现场采集的连铸生产工艺数据为样本对模型进行学习训练,用训练好的模型预测在一定工艺条件下板坯的表面温度.实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

基于稀疏化鲁棒LS-SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性.     

岩溶地下河日流量预测的小样本非线性时问序列模型

针对岩溶含水系统高度的非线性特征,在小样本时间序列条件下,引入了能较好解决小样本、非线性问题的支持向量回归方法,利用偏最小二乘回归对影响地下河流量的诸多因素进行综合分析,并提取主成分作为支持向量机的输入变量,采用遗传算法优化模型参数,建立了地下河日流量预测的偏最小二乘-遗传-支持向量回归模型;将该模型用于后寨典型岩溶地下河流域日流量模拟和预测,并与BP人工神经网络、多元线性回归模型预测结果进行对比.偏最小二乘-遗传-支持向量回归模型模拟期的均方误差(MSE)、平均绝对百分比误差(MAPE)分别为0.25%、6.89%,预测期为0.65%、6.03%;BP神经网络模拟期的MSE、MAPE分别为0.24%、7.30%,预测期为0.84%、7.39%;多元线性回归模型模拟期的MSE、MAPE分别为0.28%、9.30%,预测期为1.10%、10.54%.结果表明,偏最小二乘-遗传-支持向量回归模型预测精度明显优于BP人工神经网络和多元线性回归模型.     

支持向量机在铁水硅含量预报中的应用

支持向量机是基于统计学习理论发展而来的一种机器学习算法,它能较好地解决非线性、高维数、小样本、局部极小点等实际问题。本文提出了使用最小二乘支持向量机模型预测高炉铁水硅含量的方法,以山东莱钢1号高炉在线采集数据作为应用案例。结果表明最小二乘支持向量机模型预测高炉铁水硅含量命中率可达到85%以上。     

基于主客观证据融合的高炉悬料预测方法

针对高炉关键异常炉况悬料难以预测的问题,基于D-S证据理论,提出一种综合模糊专家推理和后验概率最小二乘支持向量机的悬料预测方法.首先,结合高炉生产过程和悬料现象,分析悬料形成的内在机理;其次,通过模糊专家推理提取基于专家规则的主观证据,再通过建立后验概率最小二乘支持向量机模型提取基于数据内在客观规律的客观证据;最后,基于D-S证据理论完成主客观证据融合,实现悬料预测.该方法充分利用专家经验和最小二乘支持向量机的自学习能力,能够提高预测精度.仿真结果表明本文提出的方法有效、准确.     

基于最小二乘支持向量机的结晶器液面预测控制

 针对连铸过程的结晶器液面控制问题,提出了基于最小二乘支持向量机技术的预测模型的预测控制方法。利用最小二乘支持向量机对非线性过程建立预测模型,采用非线性预测控制方法进行控制。以结晶器液面控制过程为控制对象进行仿真,仿真结果表明,最小二乘支持向量机的建模方法可以有效地建立预测模型并且具有较好的泛化能力,基于这种预测模型的预测控制具有很好的控制性能。     

基于减法聚类的带钢厚度数据驱动建模

针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象,提出了一种基于减法聚类的带钢厚度数据驱动在线建模方法.首先通过减法聚类将输入空间划分为一些小的局部空间,在每个局部空间中用最小二乘支持向量机建立子模型,子模型加权输出作为带钢厚度的离线模型;然后当在线数据不断增加时,通过在线减法聚类算法实时调整局部空间,子模型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识,子模型的预测输出作为模型的最后输出.实验结果表明,该方法具有良好的预测精度和较强的在线学习能力.     

基于贝叶斯方法的神经网络应用于冷轧轧制力预报

 采用了一种基于贝叶斯方法的前向神经网络训练算法以提高网络的泛化能力,并在网络的目标函数中引入了表示网络结构复杂性的惩罚项,避免了网络的过拟合。采用Levenberg Marquardt算法训练网络,并使用Gauss Newton的数值方法来近似求解Hessian矩阵,以减少计算量,从而提高了网络的收敛速度。将上述网络应用于冷轧过程的轧制力预报中,预报结果的精度远远高于解析模型,与基于传统BP神经网络的冷轧轧制力预报模型相比,在收敛的速度和预报的精度上均优于后者。     

具有伸长率分配计算功能的轧制力预报智能模型研究

针对双机架平整机的特性,以基态弯辊力下带材出口板形最好为准则,提出具有双机架平整机伸长率分配系数计算功能的轧制力模型;在此基础上,为了改善传统轧制力模型的预报精度,提出了先通过神经网络利用在线测得的实际数据预测变形抗力和摩擦因数,再与轧制力机理模型自学习过程相结合的轧制力预报新方法;并将其应用于宝钢1220双机架平整机的生产实践,结果表明此模型可以高精度地预报轧制压力.     

RBF网络优化设计及在轧机轧制力预报中的应用

将Hough变换用于RBF神经网络的参数确定中，以自适应地确定RBF网络的隐层节点数和径向基函数的中心值，使得网络结构及参数得到优化，提高了RBF神经网络的收敛速度和泛化能力。将此改进的RBF神经网络应用于冷轧过程轧制力的预测中，试验结果表明经过优化设计的网络模型具有高的输出精度，使得轧制力预报这种受多种因素影响的复杂系统的输出预报问题得到了很好的解决。     

硅钢板轧制中工作辊磨损模型参数的研究

对硅钢轧制中的工作辊磨损模型进行了研究,采用智能寻优的遗传算法解决了模型中的关键参数的确定问题,得到的模型不仅可以较好地对硅钢轧制中的工作辊磨损情况进行离线分析,也可用于磨损的在线预报。     

中厚板轧制过程中高精度的轧制力预测模型

结合首钢3500mm轧机改造项目，根据中厚板轧制工艺的特点，对影响轧制力的因素进行了详细的解析，包括变形区影响函数、变形率函数和变形速率影响函数等，给出了中厚板轧制过程中高精度的轧制力计算数学模型。分析了残余应变对轧制力计算的影响，得到了不同钢种的残余应变计算模型和轧制力在线计算时的修正策略。现场在线应用结果表明：给出的轧制力模型具有良好的预测精度，预测误差可以控制在5％以内。     

中厚板轧制过程智能化温度预报模型

 采用有限元(FEM)程序模拟计算了中厚板轧制过程中的温度变化,得到与实测温度符合甚好的模拟结果。以模拟计算结果为基础,建立了BP神经网络和回归温度预报模型。采用两种模型对中厚板热轧过程中轧件表面温度变化情况进行了预报。结果表明,神经元网络模型的预报值较回归模型更接近FEM模拟计算值和实测值,可将神经元网络模型应用于中厚板轧制过程中轧件表面温度变化的在线预报。     

宽厚不锈钢复合板轧制力计算与参数影响分析

 对宽厚不锈钢复合板层间真空热轧制变形过程进行受力分析,将热轧变形区分成I、II两个区间,运用主应力法建立各个区间的力平衡方程,根据边界条件和屈服准则求出各变形区的长度和各变形区所受压力,建立轧制力计算数学模型,在此基础上分析轧制工艺参数对宽厚不锈钢复合板轧制区间内不同应力分布的影响规律。将实际参数代入轧制模型计算公式,应用Matlab编程求得理论计算值,并与实测值进行比较。研究结果表明：轧制力模型可用于预测轧制力的大小,满足工程要求,轧制复合过程研究有助于优化成形工艺、预测产品性能,为今后此类材料的研究开发提供了参考依据。     

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。     

基于蚁群算法的神经网络冷连轧机轧制力预报

 为提高冷连轧机轧制力的预报精度和预报速度,用蚁群算法和神经网络相结合的方法进行轧制力预报模型设计。根据轧制原理建立了BP神经网络冷连轧机轧制力预报模型,以网络权值和阈值为自变量,网络预报误差为目标函数,通过蚁群多代运算,找出预报误差全局最小值,再将相应的权值和阈值输入网络进行训练。应用某厂1450 mm冷连轧机的实测数据进行离线计算的结果表明,该方法能够防止BP网络陷入局部极小点,且收敛速度快,可作为轧制力预报的新方法在实际应用中加以推广。     

Neural Network Friction Model for Cold Strip Rolling

A neural network friction model with very good prediction accuracy was developed on the basis of industrial data. Simulative calculation indicated that the accuracy of rolling force and motor power calculation can be improved using the calculated friction coefficient. It was found that reduction ratio and deformation resistance of strip has more effects than other parameters, and the effects of most parameters are affected by rolling speed.