BP神经网络和数学模型在中厚板板凸度预报中的综合应用

分析中厚钢板板凸度计算模型并给出相应的在线数学模型。为了提高板凸度在线模型预测精度,提出了一种基于模糊聚类BP神经网络的板凸度模型影响系数的优化方法。并采用模糊聚类分析方法,科学选取学习样本,解决了样本多、学习速度慢的问题。通过大量在线数据分析,可知这种方法对中厚板板凸度的预报精度有很大改善,能适应不断变化的工艺过程和设备条件。     

找矿预测中神经网络与模糊聚类的联合应用

采用神经网络与模糊模式识别相结合以及有监督的学习与无监督的学习相结合的方式,进行了金属矿的找矿预测,实践效果很好,并提出可用各自预测的矿集合求其并集的办法,确定最终的矿集合。     

韶钢3 450 mm中厚板轧机板凸度控制的研究

针对宝钢集团广东韶关钢铁有限公司3 450 mm中厚板轧机存在板凸度过大的问题,建立了3 450 mm机组辊系仿真计算模型,对该机组的板凸度调控能力进行了仿真分析,发现目前使用的工作辊辊型凸度过小,导致机组板凸度调控能力过低,同时弯辊力投用不合理和轧制负荷分配不合理加剧了机组板凸度过大的问题。为此,对机组的工作辊辊型进行了设计,并重新制定了弯辊力设定策略和机组轧制负荷分配制度,使成品平均板凸度由0.35 mm降至0.10 mm以下。     

基于LM算法延时反馈BP网络的铝热连轧板凸度预报

铝热连轧机是一个极其复杂的系统,为了精确地建模预报末机架出口处的板凸度,提出了利用延时反馈BP网络对板凸度时间序列的预报方法,来实现对铝带板凸度的精确建模和预测。通过某1+4铝热连轧机现场板凸度的预报试验,采集了大量试验数据。结果表明,板材相对凸度的预报精度可达到0.01%。验证了该方法的有效性和优越性。     

基于模糊聚类的弯曲回弹分析

弯曲工艺中,影响弯曲回弹角的因素很多,难以建立准确的弯曲回弹预测模型.将模糊聚类算法和统计学理论相结合,建立了弯曲回弹的模糊聚类预测模型.对V形件的弯曲回弹进行了预测并对预测结果进行了分析,预测结果符合实际实验弯曲回弹趋势,说明了模糊聚类算法的科学性及合理性.     

模糊聚类在样品检测中的应用

文章给出了模糊聚类的方法和步骤,并给出了一个例子,即模糊聚类在样品检测中的应用.     

模糊聚类方法在电力系统中的应用

电力负荷预测是电力系统调度、用电、计划和规划等管理部门的重要工作。本文采用模糊推理预测方法进行负荷预测的研究，该方法是基于模糊聚类对输入变量进行有效模糊划分，并通过递推最小二乘辨识模糊模型的结论参数。采用该方法对某供电企业电力系统进行建模研究，取得了满意的效果。     

混合聚类RBF神经网络焊接接头力学性能预测

构建混合聚类算法,与伪逆法结合建立RBF神经网络模型预测焊接接头力学性能.以TC4钛合金TIG焊接试验为基础,将焊接参数作为模型输入,焊后接头力学性能作为模型输出.通过仿真,该模型预测平均相对误差范围为1.74%~6.69%,具有较高的预测精度、适应性和泛化能力,能够预测焊接接头力学性能.采用数学解析对所建模型分解,得到焊接工艺参数与接头力学性能之间映射关系的函数表达式,可优化焊接工艺参数.利用焊接专业知识对模型的径向基单元参数进行调整,提高了模型的预测精度,为将焊接专家知识融入RBF神经网络模型开辟了新方法与途径.     

基于BP神经网络的轧机油膜厚度补偿的测试与建模

针对单机架热轧中厚板轧机天铁2500mm中厚板生产线的油膜补偿问题进行了研究,用基于BP神经网络的方法建立了轧机油膜厚度补偿模型,并与已成熟应用的基于Reynolds方程的轧机相对油膜厚度补偿方法进行比较分析.结果表明,BP神经网络模型比基于Reynolds方程的轧机相对油膜厚度补偿方法具有预测精度高、样本学习时间快、收敛速度快的优点,BP神经网络模型可以对轧机油膜厚度进行良好的补偿.     

基于模糊聚类的弯曲回弹预测模型的构建

弯曲工艺中,影响弯曲回弹角的因素很多,难以建立准确的弯曲回弹预测模型。本文对模糊聚类算法及弯曲回弹问题进行了系统分析,采用基于FCM模糊聚类算法和统计学理论相结合的方法,构建了V形件的弯曲回弹预测模型。模型构建过程简洁,能够很好地从样本数据中提取潜在的弯曲回弹工艺知识。     

基于神经网络的金属变形抗力预测

以恒变速率凸轮压缩试验机得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了优质碳素结构钢的变形抗力预测模型。通过该网络的μ参数的自适应调整,提高了收敛速度,使金属塑性变形抗力的预测精度大为提高。     

基于BP神经网络的带钢冷轧摩擦模型

建立了BP神经网络摩擦模型，并用遗传算法优化了BP网络的结构参数和初始值。模拟计算结果表明，BP网络摩擦模型的精度比原回归摩擦模型的精度有显著提高，可以使轧制力预测的平均RMS误差由3．98％降低到2．23％．轧制功率预测的平均RMS误差由4．57％降低到3．23％。     

基于模糊神经网络进行冷轧板形智能控制的研究

针对板带轧制过程中影响板形质量的非线性因素众多、精确数学模型难以建立的特点 ,提出冷轧板形控制的模糊神经网络方法 ,建立 BP网络模型 ,应用于六辊 HC冷轧机板形控制中 ,仿真实验结果表明 ,控制效果相当好 ,其超调小、鲁棒性强 ,达到了板形在线智能控制之目的     

基于BP神经网络的温挤压模具磨损量预测

连杆衬套毛坯在生产过程中会出现凸模磨损严重.根据连杆衬套毛坯的温挤压成形原理和加工成形特点,得到了影响温挤压凸模磨损寿命的4个主要因素,即模具初始硬度、摩擦系数、挤压速度和模具预热温度.以凸模磨损量最小为目标,设计了4因素3水平标准正交试验表.利用Archard磨损理论,通过Deform-3D软件,进行了温挤压磨损正交模拟试验.基于试验数据,建立了4-15-1的3层BP神经网络预测模型,得到预测值和数值模拟值误差小于3％,此方法可以用于快速预测温挤压模具的磨损量.     

基于BP神经网络的中厚板热处理洗炉试验模拟与应用

针对影响热处理钢板表面质量的炉底辊压痕缺陷, 分析了其产生机理, 并结合首秦公司实际生产情况, 采用现场实测数据和人工神经网络技术建模。根据模拟计算结果, 确定了最优的洗炉制度, 同时通过加强抛丸质量控制、在线炉内气氛检测等措施, 使钢板(生产温度不小于900 ℃、钢板厚度不小于30 mm)压痕比例由12%降至5%, 大大提高了热处理钢板的表面质量。     

基于人工神经网络的QCr0.5热反挤压力预测模型

以铬青铜热反挤压过程中凸模锥角、断面缩减率以及温度和挤压力的关系为研究对象，在Matlab语言环境下，以高温反挤压试验数据作为训练和预测样本，用2、3节点的双隐层BP型神经网络对钢材单位挤压力进行了预测。结果表明此方法预测铬青铜反挤压力是有效和可行的。     

Tool wear detection with fuzzy classification and wavelet fuzzy neural network

In the paper, a new method of tool wear detection with cutting conditions and detected signals is presented, which includes the model of wavelet fuzzy neural network with acoustic emission (AE) and the model of fuzzy classification with motor current. The results of tool wear estimated by cutting conditions and detected signals (spindle motor current, feed motor current and AE) are fused by fuzzy inference. Experimental results show that the method of tool wear detection is reliable and practical.