基于改进遗传算法优化Elman网络的板形识别方法

针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。     

基于万有引力优化的支持向量机模型在板形识别中的应用

 针对目前板形模式识别模型泛化能力不高、训练速度慢等缺陷,以1次、2次、3次、4次勒让德正交多项式为板形缺陷基本模式,提出了由支持向量回归机（SVR）构建的模式识别模型;为了提高该模型的精确度,引入万有引力算法（GSA）优化SVR的参数,由此构成GSA-SVR预测模型。仿真试验结果表明:GSA-SVR模型不仅识别结果精度高,而且与PSO-BP神经网络模型相比泛化能力更强,训练速度更快,其识别结果可以为板形控制提供有效的依据。     

超宽带钢冷连轧机板形模式识别

引入以三次勒让德多项式表达的基本板形模式,并采用基于最小二乘原理的回归分析方法建立了板形模式识别模型.对某厂2180 mm CVC(continuously variable crown)超宽带钢冷连轧机和1550 mm UCM(universal crown mill)普通宽带钢冷连轧机的板形进行了识别与对比,结果表明对超宽带钢轧机板形而言,引入三次基本板形模式识别出的主要板形缺陷为"OS(operating side)单侧肋浪加DS(driving side)单边浪",未引入为"四分之一浪";对普通宽带钢轧板形,识别结果均为"中浪",验证了在超宽带钢冷连轧机板形模式识别中引入三次基本板形模式的必要性,并讨论了此模型在超宽带钢冷连轧机板形缺陷分析及非对称板形控制方面的应用价值.     

基于改进的微粒群算法的板形模式识别方法

针对在实际生产中板形信号识别精度不高的问题,通过对板形信号和板形识别数学模型的分析,采用基于混沌序列的微粒群寻优算法对板形信号进行识别。以勒让德正交多项式作为板形缺陷的基模式,将板形信号模式识别过程转化为函数的优化问题,有效地提高了算法的寻优效果,改进了板形信号模式识别的速度和精度。     

离散跟踪微分器在板形识别上的研究与应用

 实际生产过程中很多因素会对板形信号产生干扰,从而造成板形缺陷识别不准确。针对这一问题,在板形勒让德多项式回归分解识别方法基础上应用最速离散跟踪微分器对板形信号进行滤波处理,消除噪声干扰。仿真结果表明,两种方法相结合后在板形缺陷识别的精确度和抗干扰性方面都有很好的效果。     

人工神经网络在板形缺陷识别中的应用

宝钢冷轧板形控制采用ＣＶＣ技术，在板形缺陷识别方面存在一些问题，为此，开展了冷轧板形缺陷识别中采用人工神经网络的研究工作。从神经网络的工作原理、拓扑结构、学习过程，工作过程及用于板形缺陷识别中的实际效果等方面进行阐述。     

基于Legendre多项式的板形模式识别优化仿真及应用

板形缺陷模式识别是铜带轧机板形控制中最重要的部分.本文在对多种识别方法对比分析的基础上,提出了一种基于Legendre多项式的板形缺陷识别优化算法.利用其正交特性,结合轧制工艺要求,采用Matlab仿真得到板形基函数多项式的参数设定,代替原Legendre多项式的固定参数,同时根据来料板形特征设置迭代方程.结果表明:该优化算法能够有效地得到板形特征值,既弥补了最小二乘法板形识别的缺陷,又避免了Legendre正交多项式对调节机构的特殊要求;经现场验证,板形平均误差从±8 I减小到±6 I,精度提高了10％左右.     

基于循环神经网络的板形模式识别模型

板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。     

基于自适应神经模糊推理系统的板形模式识别研究

 针对传统的最小二乘板形模式识别方法的抗干扰能力差、精度低和神经网络板形模式识别方法存在的网络学习时间长、易陷入局部最小值、应用效果不佳等问题,提出了一种基于ANFIS的板形模式识别方法。该方法融合了模糊理论和神经网络的优点,弥补了彼此的不足,有效的解决了上述问题。板形模式识别是一个多输出系统,而MATLAB中ANFIS指令仅有一个输出,针对这个问题,本文提出利用系统拟合的方法,有效的克服了这个缺陷。研究结果表明,该方法能有效识别出常见的板形缺陷,识别速度和精度有所提高,识别结果跟板形仪的实测板形非常接近。     

带钢平整轧制过程中板形缺陷的遗传和演变规律

应用ABAQUS有限元软件对平整轧制过程进行三维弹塑性建模及仿真研究,通过温度场模拟入口带钢的初始板形缺陷,利用刚性工作辊的辊形变化综合表达各板形控制手段对承载辊缝形状的调控功效.基于以上力学模型,针对具有初始板形缺陷的带钢,仿真研究平整轧制后带钢的板形缺陷及其与初始板形缺陷及平整工艺条件的关系,揭示带钢平整轧制过程中板形缺陷的遗传与演变的规律.仿真计算结果表明,承载辊缝形状是决定带钢板形缺陷遗传和演变的最主要因素,轧前带钢的初始板形缺陷的程度,即最大纵向延伸差的大小,对平整后带钢的板形缺陷仅有一定程度的遗传性影响.