基于Matlab的BP神经网络轧制力预报模型及应用

借助Matlab神经网络工具箱的BP神经网络,建立了三辊Y型轧机钛合金棒材连轧轧制力BP神经网络模型。以φ18 TC4钛合金棒材为例,应用此BP神经网络轧制力模型来实现轧制力预报。结果表明,该BP网络模型轧制力预报精度高,且操作高效简洁,可代替计算过程繁杂的传统轧制力数学模型。     

中厚板轧机应力状态系数神经网络模型

为寻求计算应力状态系数的新方法,以4200轧机轧制的大量实测数据为基础,利用Matlab神经网络工具箱,以轧制前、后钢板厚度为输入神经元,以实测轧制压力并依靠压力公式进行逆运算获得的Qp为输出神经元,建立了轧制变形区的应力状态系数与轧件轧制前后钢板厚度对应关系的BP神经网络模型和GRNN神经网络模型.结果表明,用人工神经网络算法预测应力状态系数是可行的;且通过GRNN神经网络模型和BP模型的对比,说明GRNN网络具有更高的精度和更强的泛化能力.     

中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型。以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MAT-LAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络。模型的综合采用加法和乘法两种方式。结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好。     

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。     

板带钢头部翘曲的有限元分析

为了减轻轧件头部翘曲给轧制过程带来的影响,根据现场轧制工艺,采用弹塑性有限元法建立了三维非对称轧制有限元模型。利用该模型分析热轧板带钢生产过程中轧件头部翘曲的产生机理,并研究了不同轧制工艺下的辊速比、上下表面温差、不同摩擦系数对轧件头部翘曲的影响规律。结果表明,随着压下量的增大,轧件头部翘曲量的增大趋势减缓,采用不同的配辊方案（异径比）可控制其头部翘曲的现象。     

梅钢1420冷连轧机轧制力模型的开发及应用

梅钢1420轧制力模型在Hill方程基础上,分解提炼3个关键因子,建立了显函数的轧制力模型,并进行变形抗力参数和摩擦系数参数的自适应修正以提高轧制力模型精度．经生产实践数据检验,该模型自适应系数在0．9～1．1以内,满足模型在线控制要求．     

棒线材连轧过程数学模型

在筱Cang等开发出的孔型轧制中金属变形特性、力学性能等模型基础上,通过补充孔孔型尺寸计算、咬入条件验算等模型,构造出棒线材连轧过程工艺计算系统模型。该模型具有数学上的边疆性,可描述连轧过程中各道次轧制的变化规律及其相互关系,并可用于建立轧制工艺优化系统。     

热带钢粗轧立辊调宽轧制过程变形研究及应用

针对工业现场热带钢轧机粗轧段立辊侧压调宽轧制的工艺特点,利用ANSYS／LS—DYNA建立了精确的立辊-水平辊三维轧制有限元仿真模型,模拟计算了不同工艺条件下轧件的变形,重点分析了横截面形状（“狗骨形”）变形特点和宽展变形特点,所建模型及计算结果已应用于粗轧段自动宽度控制（AWC）程序预设定值,应用效果良好。     

基于DEFORM环件轧制塑性成形过程数字仿真

基于通用有限元DEFORM软件建立了环件轧制全过程三维动态仿真模型,对矩形截面环件一个生产周期内轧制过程进行了数值仿真.结果表明,采用合理的网格划分和轧制工艺,能够有效地控制计算时间,模拟的轧制过程真实地反映了环件轧制成形过程,为实际环件轧制过程的毛坯结构设计和轧制工艺优化提供了一个有效研究途径.     

活性污泥工艺BP神经网络模型的软件实现

应用神经网络可以利用历史数据,迅速、准确地建立起系统的预测和控制模型。本文作者用Visual Basic语言编写了活性污泥工艺BP神经网络软件,该软件由训练模块、测试模块组成,最终生成可用的BP网络模型。经测试验证,该软件能够实现活性污泥工艺过程的预测和自动控制的建模,具有良好的可操作性和通用性。     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.     

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．     

基于自适应遗传算法的神经网络字符识别

为了增强传统自适应遗传算法在进化初期的鲁棒性及避免早熟收敛,给出了一种改进算法,并利用这一算法来调整BP模型的网络权值与阈值,最后将新算法应用于字符的识别．仿真结果表明,新算法比BP算法具有更强的识别能力．     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.