深度神经网络轧制力建模及其并行优化研究北大核心CSCD

冷连轧过程控制的轧制力模型是整个轧制过程计算机控制的基础。为提高5机架2030冷连轧系统轧制力模型的精度和适用性,提出了多输入多输出深度神经网络轧制力模型的数据预处理、建模和并行优化方法。对含有不同隐含层数和节点数的神经网络,采用不同训练算法(SCG算法和L-M算法)与不同优化方法(多线程CPU、单GPU和多线程CPU+GPU),研究了神经网络结构、训练算法和优化方法对神经网络轧制力模型的性能、训练时长、线性相关系数的影响。研究结果表明:含有2个隐含层、采用L-M算法和多线程CPU优化方法可获得综合性能最优的神经网络轧制力模型;神经网络轧制力模型的计算误差远小于在线使用的Siemens轧制力模型的计算误差。     

一种补偿递归模糊神经网络及其学习算法

文中在系统研究各种模糊神经网络的基础上,通过在传统的模糊神经网络中引入递归环节和补偿环节,提出了一种新型的补偿递归模糊神经网络(CRFNN)。在此基础上,进一步提出了一种序贯学习策略对网络进行结构辨识,可有效确定模糊规则的条数及相关参数的初始值。文中还针对CRFNN的特点,通过改进BP算法,对CRFNN网络的结构参数进行学习。通过对典型非线性系统的建模计算,结果表明:文中的CRFNN具有优良的动态响应特性和很强的学习能力。     

演化循环神经网络研究综述

演化计算利用生物演化过程中的自然选择机制和遗传规律求解优化问题，循环神经网络的精度和效率依赖其参数以及结构的优化效果，采用演化计算解决循环神经网络中的参数与结构自适应优化问题是自动化深度学习领域的研究热点。文中针对结合演化计算和循环神经网络的算法进行了详细的调研。首先，简要介绍了演化算法的传统类别、常见算法和优点，以及循环神经网络模型的结构及特点，并对影响循环神经网络性能的因素进行了分析；其次，分析了演化循环神经网络的算法框架，并分别从权重优化、超参数优化和结构优化方面分析了当前演化循环神经网络的研究进展；然后，对演化循环神经网络的一些其他工作进行了分析；最后，指出了演化循环神经网络面临的挑战以及发展趋势。     

改进型支持向量回归预测模型的轧机轧制力预测

对轧机轧制力预测模型进行研究.使用人工鱼群优化算法对支持向量回归(SVR)参数选取进行最优的参数组合,将粒子群优化算法引入到常规人工鱼群算法中,并对其进行改进,提高了人工鱼群算法的性能.研究结果表明:Ekelund模型的轧制力计算结果误差较大,超过了10％,常规SVR预测模型的轧制力预测精度低于10％,而本文研究的改进SVR预测模型得到的轧制力误差低于5％,说明通过人工鱼群算法优化SVR算法模型的参数能够提高预测模型的预测精度,并且预测消耗时间在3种预测模型中是最短的.     

基于改进人工鱼群算法的1050铝合金变形抗力模型优化

变形抗力是轧制力模型预测的重要参数,其模型的精确度直接影响轧制力的预报精度。为了得到更为精确的变形抗力数学模型,文中以据河南某铝热连轧厂1+4连轧精轧机组为研究对象,根据大量现场实测稳定段数据,应用轧制理论反推得到变形抗力回归所用数据后,将模型线性化再应用最小二乘法对1050系铝合金变形抗力进行了线性回归,得到初始参数后运用改进鱼群算法对影响变形抗力的参数进行了优化,仿真结果表明用改进鱼群算法优化出的参数得到的变形抗力模型比用最小二乘法回归出的变形抗力模型应用于轧制力预报的误差更小,所以,在进行轧制力预报时选择改进鱼群算法优化后的变形抗力模型。精确的轧制模型是轧制过程中的轧制预报的关键,对于指导生产,提高产品质量有着重要的实践意义。     

一种快速的演化学习神经网络模型

神经网络的学习算法一直是人们研究的重点,各种算法都有自己的优点和不足。演化学习具有全局优化性能好,实验样本数要求少等优点,但也存在一些问题,如演化学习的速度较慢、模型的稳定性较差等。笔者在多年的神经网络的研究过程中,对传统的演化学习算法作了一些改进,该文利用梯度下降计算改进演化算法,极大地提高了模型的学习速度,对那些需要及时优化工艺参数的生产过程,该种模型有很好的应用前景。     

中厚板板坯轧制温度建模研究

以国内某中厚板轧制现场为背景,研究了中厚板板坯轧制温度建模问题.通过考虑轧制过程中影响板坯的各种温度要素,结合真实数据和经验公式,给出了不同情况下的温度边界条件,进而选用二维有限差分方程来建立板坯温度场模型,此改进后的温度模型克服了传统温度计算模型精度低、适应性差等缺点.新模型引入了网格重建等功能,能够很好地完成不同规格钢种的温度预测.基于真实现场数据,给出并分析模型计算生成的温度变化结果曲线图,能够有效地预测中厚板坯在轧制过程中的温度变化趋势.最终实验结果表明,此模型预测的终轧表面平均温度与真实值之间具有很小的误差,说明此模型计算精度高,并能够很好地应用于中厚板生产实践之中.     

人工神经网络用于乙醇发酵生产过程的建模探讨

基于发酵生产的特点及建模要求,以某企业燃料乙醇生产过程为研究对象,利用工业生产中的参数及数据,建立了以乙醇发酵效果为目标的BP神经网络模型,以静态模型反映复杂的动态问题.探讨了乙醇发酵生产模型的误差产生原因,并提出改进方案,根据已有经验将相关参数进行了合理组合,调整神经网络模型的输入输出参数结构,以提高仿真模拟效果.通过多次模型改进,使模拟的平均相对误差从10%提高至5.4%,为进一步研究发酵生产建模提供了思路.     

基于模糊神经网络火灾探测信号处理方法

针对火灾探测信号的特点,建立了火灾探测系统模型及用于处理火灾信号的模糊神经网络计算模型.利用神经网络构造模糊系统,用神经网络的自学习和自适应能力自动调整模糊系统参数,用改进的BP算法对网络进行学习和训练.根据国家标准试验火数据进行网络的学习和测试,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.     

改进ASMDE算法和RBFNN的配电网线损计算

针对中压配电网结构复杂,运行数据不全,常规网损计算方法难以实施的问题,提出了一种配电网线损的实用计算方法。利用RBF神经网络的强拟合特性,映射配电线路的特征参量与线损之间复杂的非线性关系,记忆配电线路在结构参数和运行参数变化时线损的变化规律,建立了基于RBF神经网络的线损计算模型。采用改进的自适应二次变异差分进化（ASMDE）算法,对RBF神经网络的结构参数进行整体优化,克服了常规算法隐含层与输出层结构参数分开确定,输出层易陷入局部极小的缺点。实例仿真验证了所提方法的有效性和实用性。     

热轧带钢中精轧区基础级自动控制系统的应用

文章介绍了某钢铁公司带钢中精轧区自动控制系统的配置及二级自动化网络构成、中精轧机速度及活套自动控制,为类似带钢电控方面提供了可借鉴的经验。     

鱼群优化下的BP网络在冷轧控制中的应用

在轧机液压AGC系统及其运行机理的基础上,建立了电液位置控制系统数学模型。通过FB Generater、C语言等对优化后的网络进行编写封装,得到了基于改进人工鱼群算法优化的神经网络智能控制器,创建了基于神经网络智能算法的CFC(连续功能图)块,并在西门子FM458平台下对电液系统模型进行控制实验。实验结果表明,人工鱼群算法优化后的神经网络控制器能够准确、快捷的达到控制要求,此方法应用于冷轧AGC控制行之有效。     

神经网络算法与机理模型融合的 冷连轧轧制力智能预报模型

冷轧带钢的生产模式正在向多品种、小批量、低库存转变,这直接导致了轧制过程中需要更频繁地切换品种规格。由于变规格过程中轧制工艺状态变化较大,传统机理模型加常规自学习和自适应方法很难保证规格切换后首卷产品设定精度。为提高变规格过程中轧制力预报精度,本文提出一种机理模型与轧制过程海量历史数据相融合的复合模型。该方法建立在轧制力理论模型的基础上,采用遗传算法优化BP神经网络的方法对模型轧制力进行校正。使用该算法进行轧制力预报,使变规格后首卷钢轧制力预报的平均相对误差控制在±5.5%内,远高于常规机理模型的设定精度,该方法具有现场应用价值。     

分层模糊神经网络的轧钢产品质量建模

轧钢生产过程是极其复杂的大系统,模糊神经网络进行质量建模将不可避免地陷入维数灾。分层模糊神经网络是解决维数灾的有效手段。文中采用分层模糊神经网络对轧钢产品质量进行建模,并用预处理后的数据进行训练和校验。仿真结果表明所建质量模型能够较好地拟合建模数据,表明了该方法的有效性。     

基于Boosting RBF神经网络的滚动轴承故障诊断

提出了一种新颖的基于RBF神经网络滚动轴承故障诊断方法。以滚动轴承动态信号的能量信息作为特征,RBF神经网络作为分类器进行滚动轴承故障自动分类与诊断。为了进一步提高神经网络的泛化能力和故障诊断的准确性,采用Boosting方法,进行网络集成。对七类滚动轴承进行了实验,结果表明该方法具有很好的故障诊断效果。     

Steel columns under fire—a neural network based strength model

This paper presents a strength model of steel columns under elevated temperatures using the artificial neural network. The many influencing parameters make it difficult to build an analytical steel strength model. Being a flexible model building method, the artificial neural network is an ideal tool to construct the complex relationship between the input and the output parameters accurately. A hybrid neural network, which combines the sigmoid neurons and the radial basis function neurons at the hidden layer, is proposed to better map the input–output relationship both locally and globally. The use of the genetic algorithm approach in searching the best-hidden neurons makes the hybrid neural network less likely to be trapped in local minima than the traditional gradient-based search algorithms. The genetic algorithm based hybrid neural network is applied to model the strength of steel columns under fire. The neural network results are compared with the modified Rankine formula.     

基于填充函数算法的工业产品小波网络质量模型

为避免反传学习(BP)算法易于落入局部极小点,该文提出一种基于新填充函数的小波神经网络全局优化学习算法,用来解决连铸连轧过程的产品质量建模问题.该过程很复杂,影响其产品性能的因素很多,物理模型难以建立.该文以小波神经网络为模型,建立连铸连轧产品质量与其化学成分和轧制参数之间的复杂非线性模型.该模型用来对板材产品的断裂延伸率、屈服强度等质量性能指标进行预测.数值实验表明:所建立的模型拟合与校验命中率较高,能够较好地预测产品的物理性能.     

基于自适应模糊神经网络的功放预失真新方法

针对无线通信系统中记忆非线性功率放大器预失真结构不足和精度不高等问题,提出了一种基于模糊神经网络模型识别的双环学习结构自适应预失真方法。该方法以实数延时模糊神经网络模型为基础,采用改进的简化粒子群优化（Simplified Particle Swarm Optimization,SPSO）算法进行间接学习结构离线训练模糊神经网络来确定模型参数,作为预失真器的初值,再利用最小均方（Least Mean Square,LMS）算法进行直接学习结构在线微调整预失真器参数,拟合功放的非线性和记忆效应。该方法结构简单,收敛速度快且精度高,避免了局部最优。实验结果表明,该方案邻信道功率比经典的双环结构预失真方法约改善7 dB,功放的线性化性能明显提高,由此验证了其可行性。     

Neural network based model predictive control for a steel pickling process

A multi-layer feedforward neural network model based predictive control scheme is developed for a multivariable nonlinear steel pickling process in this paper. In the acid baths three variables under controlled are the hydrochloric acid concentrations. The baths exhibit the normal features of an industrial system such as nonlinear dynamics and multi-effects among variables. In the modeling, multiple input, single-output recurrent neural network subsystem models are developed using input–output data sets obtaining from mathematical model simulation. The Levenberg–Marquardt algorithm is used to train the process models. In the control (MPC) algorithm, the feedforward neural network models are used to predict the state variables over a prediction horizon within the model predictive control algorithm for searching the optimal control actions via sequential quadratic programming. The proposed algorithm is tested for control of a steel pickling process in several cases in simulation such as for set point tracking, disturbance, model mismatch and presence of noise. The results for the neural network model predictive control (NNMPC) overall show better performance in the control of the system over the conventional PI controller in all cases.     

基于BP神经网络的故障诊断模型研究

滚动轴承是旋转机械中最常用的部件之一。滚动轴承很容易损坏，而它的工作条件通常比较复杂，很难对其故障进行准确判断。为了提高滚动轴承故障诊断的有效性，构建了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型（IQABC-BP）。首先针对量子蜂群算法在种群初始化和进化过程中存在的问题，提出了一种改进量子蜂群算法，然后利用改进量子蜂群算法对BP神经网络的初始权值、阈值和隐含层单元数进行优化，建立了一种具有超并行超高速的基于改进量子蜂群算法的BP神经网络模型，并应用于滚动轴承的故障诊断中。实验结果表明，IQABC-BP模型收敛速度更快，故障诊断效果更好，具有很好的应用价值。