模糊神经网络控制在矿渣粉生产线中的应用

针对磨机出人口温度控制过程非线性、大滞后等特点以及模糊控制理论,利用VB6．0语言编程进行硬件描述,通过模糊自整定参数的方式来整定PID控制器的3个参数,利用PID控制器进行控制输出,设计出了多通道模糊PID温度控制器。应用表明,该模糊神经网络具有良好的自学习功能,磨机出入口温度误差被控制在±5℃之内,控制效果良好。     

加热炉自适应模糊神经网络智能温度控制系统设计

针对加热炉出口温度控制过程属于时变性、滞后性、具有分布参数等非线性过程，其数学模型难以精确建立，在传统控制中，出口温度往往又会受到多种干扰变量实时变化而缺乏控制能力。基于此，将模糊控制鲁棒性强、用语言模糊规则描述过程及无需建立数模等优点和神经网络自适应、自学习以及容错性强等优点相结合构成一种新型智能控制系统即自适应模糊神经网络控制系统对加热炉出口温度进行控制，同时对模糊控制和神经控制算法进行改进。经试验仿真证明，该控制对加热炉出口温度具有较好的动态性能，控制品质得到了提高。     

一种基于模糊神经网络FNN在加热炉温度控制中的应用

从实际出发,以昆明钢铁集团公司中板厂加热炉为研究对象,对具有时变性、非线性、模糊性的随机过程进行了研究。着重研究了神经网络与模糊系统融合的可行性及融合方式,采用了一种新型的智能控制方案——模糊神经网络控制。对提出的模糊神经网络控制算法进行了仿真试验,仿真结果表明,对比PID控制和自整定PID控制,采用本文所提出的模糊神经网络控制算法对加热炉进行控制,具有推理速度快,跟踪性能好,抗干扰能力强的优点,它完全能够满足工业生产需要,具有较强的可行性和实用性。     

状态变量合成的三级倒立摆的模糊神经网络控制

为解决模糊神经网络在控制多变量系统时的规则组合爆炸问题并同时获得最佳结构和参数，结合SCNN训练竞争出最佳模糊标记数以及改进的遗传算法优化网络的权值，提出SCNN优化的用状态变量合成模糊神经网络控制二级倒立摆。该方法既能解决具有快速、强非线性、绝对不稳定系统的控制问题，又能对状态变量可按性质和类型分类的多变量系统，大大减少模糊神经网络控制器的规则数，有利于利用专家的控制经验。实验结果证实该方法的控制效果好，鲁棒性强。     

基于T-S模糊神经网络模型的高炉铁水温度预测建模

 针对高炉炉温与铁水硅含量呈正相关而非严格的线性关系和机制建模的主观性以及其难以建立各变量之间隐含的数学关系等的不足,在数据挖掘理论的基础上,对海量的样本数据进行预处理和特征提取,然后以高炉铁水温度为研究对象,建立了基于T-S模糊神经网络的高炉铁水温度预测模型。最后,应用某高炉数据进行模型验证,并将该模型与T-S模糊多元回归模型以及BP神经网络模型进行比较研究,仿真结果表明T-S模糊神经网络模型的有效性和优越性。     

模糊神经网络自组织控制算法在罩式加热炉温控系统上的应用

罩式炉在工作过程中,需要控制好炉台的温度,达到生产需要的温度及变化要求。为了实现温度控制的要求,整个系统采用双闭环的控制方式,外环为温度环,内环为电流环。其中加入模糊神经网络自组织控制算法,使系统更具有精确性。模糊控制器以温度及温度变化作为输入变量,以脉冲宽度调节作为输出变量。从而通过可控硅开关的通断来改变回路中的电流,以达到控制电阻丝的发热量,调节炉膛内的温度变化。整个过程中,模糊神经网络自组织控制与可控硅开关起着重要的作用,着重研究基于模糊控制的罩式加热炉可控硅控制的实现问题。     

钢丝电接触运动加热温度的模糊神经网络控制

利用模糊逻辑及推理机制划分出问题解空间的网格，并同步训练神经网络的初始权值，然后利用神经网络并行与分布式学习机制，在模糊划分的区间中，快速搜索出被控对象的优化解值。这种模糊神经网络控制算法对于具有分布参数、动态特性快速变化的钢丝电接触运动加热温度，取得了良好的控制。     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

石油企业财务风险评价神经网络模型的建立

石油企业财务风险评价是石油行业的重要课题.在确立石油企业财务风险评价指标体系的基础上,建立了基于模糊神经网络的石油企业财务风险评价模型.该评价模型分为模糊量化模块和模糊神经网络(FNN)模块,可根据实际问题进行具体调节,具有学习的功能.经过对200多家石油企业的实证分析,结果表明该模型网络预测误差小,是一种可靠、有效的企业财务风险评价模型.     

基于模型迁移方法的回转窑煅烧带温度软测量

回转窑的煅烧带温度是其控制过程中一个非常重要的参数,但煅烧带温度难以直接获取并且缺少大量的实测数据进行软测量.为了在数据较少的情况下获得准确的软测量模型,并考虑到窑头温度与煅烧温度的相似性,引入了基于过程相似性进行模型迁移的方法(PMBPS),首先采用混沌混合学习算法训练T-S模糊神经网络,对具有大量准确测量值的窑头温度建模,然后用PMBPS算法对窑头温度模型进行规划修正,获得煅烧带温度的软测量模型.仿真验证了所提出的软测量建模方法的有效性.     

Thickness and Shape Synthetical Adjustment for DC Mill Based on Dynamic Nerve-Fuzzy Control

Due to the complexity of thickness and shape synthetical adjustment system and the difficulties to build a mathematical model, a thickness and shape synthetical adjustment scheme on DC mill based on dynamic nerve-fuzzy control was put forward, and a self-organizing fuzzy control model was established. The structure of the network can be optimized dynamically. In the course of studying, the network can automatically adjust its structure based on the specific questions and make its structure the optimal. The input and output of the network are fuzzy sets, and the trained network can complete the composite relation, the fuzzy inference. For decreasing the off-line training time of BP network, the fuzzy sets are encoded. The simulation results indicate that the self-organizing fuzzy control based on dynamic neural network is better than traditional decoupling PID control.     

基于GRNN网络的中厚板轧制温度的预测

 针对中厚板轧机控制模型中的轧制温度精度的提高问题,以4200轧机轧制的大量实测数据为基础,利用Matlab人工神经网络工具箱,建立了中厚板轧制温度的GRNN神经网络预测模型。通过分析影响钢板温度变化的各种因素,调整神经网络的光滑因子,确定了最佳的网络结构形式,提高了模型的预测精度,并与传统的BP神经网络模型相比较。结果表明,GRNN网络具有更高的精度和更好的泛化能力。该神经网络模型可应用于中厚板轧制温度的预测,也可为人工神经网络在其它自动控制方面的应用提供参考。     

模糊神经网络融合建模方法及其在轧制力控制中的应用

针对目前热轧中神经网络控制模型不能满足一些特殊轧制规律钢种精度要求的问题,在深入研究现有热轧模型建立与优化的基础上,结合模糊控制技术,提出在神经网络的基础上建立基于模糊规则补偿模型的融合建模方法.针对两类特殊钢种的特性,详细阐述了基于模糊规则补偿模型的建立及实际应用过程,并根据实际生产经验给出建模中规则库的建立过程.实...     

基于人工智能的自适应板形控制

针对板带材轧制过程是一个复杂的非线性过程及传统板形控制模型的固有缺陷,为了提高冷轧带钢的板形质量和成材率,提出一种基于神经网络模糊推理的自适应板形控制（AI－AFC）方案,并将其引入森吉米尔20辊轧机的板形控制系统。离线仿真结果表明：该系统具有良好的控制性能,可提高板形控制质量。     

Fuzzy Neural Model for Flatness Pattern Recognition

For the problems occurring in a least square method model, a fuzzy model, and a neural network model for flatness pattern recognition, a fuzzy neural network model for flatness pattern recognition with only three-input and three output signals was proposed with Legendre orthodoxy polynomial as basic pattern, based on fuzzy logic expert experiential knowledge and genetic-BP hybrid optimization algorithm. The model not only had definite physical meanings in its inner nodes, but also had strong self-adaptability, anti interference ability, high recognition precision, and high velocity, thereby meeting the demand of high-precision flatness control for cold strip mill and providing a convenient, practical, and novel method for flatness pattern recognition.     

4200 mm轧机AGC的模糊神经网络滑模控制

针对舞钢4200mm轧机AGC控制系统在工作过程中的高阶、非线性、强耦合等特性,提出一种将模糊神经网络与滑模变结构控制相结合的控制算法,仿真与实验结果表明,该控制器能有效克服轧机的上述不良特性,并具有较好的鲁棒性与跟踪性能。     

模糊神经网络在加热炉温度控制中的应用

本方案把神经网络控制的学习机制以及模糊控制的人类思维和推理结合起来,用神经网络实现隶属,驱动模糊推理,利用神经网络的模糊建模,达到求精模糊规则的目的。由此可以看出,模糊控制在加热炉中的应用是可行的：一方面,它可以改善控制效果,提高控制精度,从而减小板坯的头尾温差,提高板坯温度的均匀性;另一方面,它可以降低系统燃料消耗,提高成材率,达到节能环保的目的。     

焦炉加热复合智能控制系统的研究与应用

 焦炉是具有大时滞、强非线性、多变量耦合、变参数的复杂对象。直行温度受多种因素的影响,传统的控制方法难以满足焦炉加热控制的要求。提出了间歇加热控制与加热煤气流量调节相结合的控制原理,利用模糊控制、神经网络等智能控制方法建立了焦炉加热的智能控制策略和模型。该控制策略采用一前馈、二反馈和智能控制相结合。根据焦化机理建立焦炉供热量前馈模型,并提出结焦指数CI反馈模型控制焦炉的炼焦过程。基于线性回归和RBF神经网络构建火道软测量模型,为控制建立温度反馈环节。智能控制方法用于调节停止加热时间和加热煤气流量。最后研究开发了焦炉加热的复合智能控制系统。实际运行结果表明：该系统能够实现焦炉加热的智能控制,稳定了焦炉生产,有效地提高了焦炭质量和降低了能耗,具有很好的实用价值。     

Prediction of the measured temperature after the last finishing stand using artificial neural networks

In this report the development of an artificial neural network, capable of predicting the temperature after the last finishing stand of a hot strip mill for a certain class of steels, is described. Three neural networks with different numbers of hidden nodes (3, 5 and 7) were trained. The relative standard deviation in finish temperature as predicted by the best performing neural network model (7 hidden nodes) was just over 25% smaller than that of the linear Hoogovens model. This improved accuracy can be explained by the incorrect assumption in the Hoogovens model of linear dependence of the finishing temperature on some input parameters. With the trained neural network, the influence of the various input parameters on the finishing temperature could be examined. The dependencies predicted by the neural network can be approximated by a linear fit and are a factor 2 lower for all input parameters. It is conceivable that operation of the mill using an artificial neural network for the prediction of the finishing temperature would have resulted in smaller operational fluctuations.     

Improvement of Prediction Method for Strip Coiling Temperature

Thecoilingtemperatureisoneoftheimportanttechnologicalparametersaffectingthefinalmechani calpropertiesofstrip[1,2 ] .The purposeofcoilingtemperaturecontrolistomakestripcooltorequiredcoilingtemperaturefromhighertemperatureforap propriatemicrostructureandmechanicalproperty .Atpresent ,thecontrolmodelofcoilingtemperatureforBaosteel 2 0 5 0millisaself adaptingempiricalmodel.Thoughthecontrolissatisfactory ,theout of toleranceofcoilingtemperatureisstillobservedinproduction .Itwasconcludedbytheinvest…