人工神经网络在热轧宽厚板组织性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型．在此基础上,利用神经网络对热轧管线钢力学性能进行了预测．并对预测结果与生产数据进行了比较．此外,还利用神经网络对生产工艺参数进行了优化,结果表明,将神经网络应用于热轧生产进行力学性能预测和工艺参数优化具有一定现实意义．     

基于人工神经网络的SS400钢板力学性能预测

寻求微观组织与性能的定量关系一直是研究开发离线与在线预测系统的关键问题，针对热轧带钢SS400性能预测系统，提出了基于Matlab神经网络工具箱的神经网络解决方案．该模型采用前向神经网络，在利用BP算法的基础上，为了克服常规BP学习算法的缺陷，Matlab神经网络工具箱对常规BP算法进行了改进，采用更有效的数值优化方法，如Levenberg—Marquardt优化方法，建立了化学成分和生产的主要工艺参数与产品力学性能之间的关系．结果表明影响板带屈服强度、抗拉强度和延伸率三者的显著因素为钢板厚度和含碳量．     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理，采用BP算法训练网络，建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明，将神经网络模型应用于热轧控制预报，具有现实意义。     

热轧管线用钢轧制工艺及数学模型

介绍高韧性管线钢技术开发中的轧制工艺及数学模型。在综合测定的基础上，对轧制工艺及力能参数进行了全面的分析，采用热加工模拟机，对轧制规程和控冷制度进行了试验研究，对热轧工艺提出改进；在研制材料变形抗力模型时，考虑了残余应变的影响；利用生产数据，建立起轧制压力模型和能耗模型。     

C—Si—Mn系热轧双相钢显微组织与力学性能之间的关系

通过对热轧试样的组织性能测试,研究了热轧双相钢显微组织与力学性能之间的关系。研究发现,铁素体和马氏体强度是影响力学性能的主要因素。建立了C-Si—Mn系热轧双相钢力学性能的数学模型,可以作为热轧双相钢基本力学性能参数预测的理论依据。     

基于蚁群优化的小波神经网络钢铁生产能耗预测模型

针对钢铁生产流程中能耗预测模型建立困难、预测精度低等问题,提出了一种基于蚁群优化的小波神经网络的钢铁生产物流能耗预测模型,首先对钢铁生产过程以及影响生产能耗的因素进行分析,确定输入参数构成特征空间,然后利用小波变换重构特征空间,接着利用神经网络模型建立能耗预测模型,最后采用蚁群算法对预测模型参数进行优化.在炼铁、炼钢以及轧钢工序的能耗预测实验表明,提出的方法具有较好的普适性,提高了预测精度,为钢铁企业提前了解能耗需求提供了指导.     

基于神经网络的微合金钢热轧奥氏体晶粒尺寸预报模型

基于神经网络原理，对微合金钢热轧控制参数的选取进行了研究。制订了一套获取样本数据的实验方案。该方案利用Gleeble-1500热力模拟机提取了轧制温度、应变量、应变速率和相应的应力应变曲线，并通过显微观察获取了实验后样品断面的奥氏体晶粒尺寸。通过归一化把实验所得数据进行必要的处理。采用改进BP算法训练网络，对热轧控制参数（轧制温度、应变量、应变速率）和描述微合金钢组织性能的参数（奥氏体晶粒尺寸）之间的映射关系进行了函数逼近，建立了奥氏体晶粒尺寸流变应力神经网络模型，实践证明，将该神经网络模型运用于热轧控制预报，提高了预测精度并取得较好的效果。     

基于RBF神经网络模型的改进加权主成分分析参数全局优化研究

为分析响应预测能力对优化结果的影响,建立响应与可控因子间参数回归模型以计算预测能力指数,但复杂生产过程中模型拟合度不高,难以满足建模要求,因此提出一种基于RBF神经网络的改进加权主成分分析参数优化方法。该方法利用RBF神经网络构建非线性预测模型,计算并引入网络预测能力指数以调整加权主成分分析法,优先改进预测能力强的响应,然后进行主效应图分析,并通过建立响应曲面模型,利用遗传算法全局搜索最优点。实验结果表明,RBF神经网络泛化能力强,改进的方法能够使得多个响应达到较理想的综合优化效果,且优于企业所用参数组合。     

基于BP神经网络的钱塘江水质指标的预测

为掌握钱塘江水质未来的变化情况以及预防污染事件的发生，建立了一个水质指标预测模型.利用钱塘江某行政交界断面的水质指标实测数据作为学习样本，选取了总磷、总氮、化学需氧量等9项指标作为预测参数，运用Levenberg-Marguardt优化算法对学习样本进行优化，建立了反向传播（BP）神经网络模型，并运用该模型对钱塘江水质指标进行了预测.结果表明，BP神经网络模型的预测精度较高，预测速度快，对大部分水质指标能够得到较好的预测值，相对误差的绝对值小于6％.此BP神经网络能够有效地应用于水质指标的预测和水质趋势的预警预报系统中.     

X70管线钢热轧过程中奥氏体再结晶模型

给出了X70管线钢热轧过程中的再结晶模型利用热模拟实验对再结晶率表达式中的常数进行了回归,并根据模型对热轧过程中的再结晶进行了计算,计算结果与实验结果相吻合。     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

热轧管线钢组织及性能预报研究

作者通过将热轧管线钢生产过程中的冶金学行为和最终得到的组织，性能与各种因素之间的关系化，并编制成程序，对其组织和性能的预报进行了研究，结果表明，预报值与实测值基本吻合。     

遗传算法在神经网络趋势预示中的应用

当前旋转机组状态预测神经网络的结构参数主要靠人工经验和实验来确定,网络结构差、预测精度低,因而不能满足复杂工况的工业现场的应用。针对以上特点,结全工业现场的实际工况,利用ＧＡ并行搜索能力对ＢＰ网络结构参数进行动态优化,使神经网络能够根据不同的历史数据,动态的确定最优的网络结构参数,在现场应用中表明,经过遗传算法优化的神经网络在邦联趋势预示中取得了令人满意的在线预测的效果。     

基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测

基于停车场有效停车泊位短时变化特性,提出了一种小波变换和粒子群小波神经网络组合预测方法。首先,通过选择合适的小波函数对有效停车泊位时间序列进行多尺度的小波分解与重构,然后对重构后的时间序列分别采用小波神经网络进行预测,并利用粒子群算法对神经网络初始参数的选取进行优化,最后将各自外推的预测结果进行合成,得到最终预测结果。实例分析表明:与单独使用小波神经网络模型相比,小波变换-粒子群小波神经网络模型的预测精度提高了5~7倍,且预测稳定性较好。     

炉卷轧机X70级管线钢组织与性能研究

采用低碳、低硫和微合金化成分设计,在1200-1220℃加热温度、790-830℃终轧温度、500-550℃终冷温度控制工艺下进行热轧处理,对3500 mm炉卷轧机生产的X70管线钢进行组织性能检验。结果表明,所生产的X70管线钢均满足西气东输二线X70级管线钢的技术要求。     

基于遗传小波神经网络的故障预报应用

目的减少铝电解故障的发生,提高阳极效应预报的准确性、实时性和铝的生产效率,节约能源.方法将遗传算法应用于小波神经网络,构成遗传小波神经网络,以确定小波基函数的个数、优化网络参数,以遗传小波神经网络为预测模型,通过预测槽电阻变化率来预测电解过程中的阳极效应.结果通过遗传算法能对小波神经网络的参数进行全局优化,确定了网络结构,而且小波神经网络具有较强的自适应性、鲁棒性和函数逼近能力,使预报精度提高了约9.5%,提前预报时间1 m in左右.结论该预测模型改善了故障预报准确性和实时性,避免了故障的发生,降低了能源消耗,提高了铝电解的生产效率,实现了安全生产.     

基于离散过程神经网络的装备技术状态预测方法

针对传统预测方法无法综合分析多维参数中存在的空间聚合及时间累积效应的问题,该文利用离散过程神经网络对装备技术状态多维参数进行预测。针对网络训练中存在的易获得局部最优解的问题,利用混沌粒子群算法对网络学习过程进行了优化。在此基础上,以某装备传动箱油液数据预测为例对该预测方法的有效性进行了验证,优于其他同类预测方法。     

基于神经网络的空调负荷实时预测模型

针对暖通空调系统优化和预测控制,研究了利用神经网络进行空调负荷预测的方法.首先对影响空调负荷的因素进行了分析,并讨论了对空调负荷起主要影响作用的气象参数的预测,在此基础上建立了神经网络负荷预测模型.根据神经网络的泛化性能要求,采用最优停止法训练神经网络.将所研究的负荷预测模型用来实时预测北京市某建筑物的空调负荷,仿真结果表明,该模型能对任意气候条件下的空调负荷进行准确预测,可用于暖通空调系统的实时控制.     

深基坑变形预测的进化支持向量机模型

提出了深基坑变形预测的进化支持向量机方法。利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力。利用优化后的模型对基坑实例进行了变形预测,并将预测结果与监测结果进行了对比。研究结果表明,该模型与神经网络模型相比,具有预测精度高、泛化能力强等优点,对基坑安全监控具有实用价值。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。