基于BP神经网络和回归的脱硫粉剂预报模型

分析了铁水脱硫时铁水温度、铁水量、初始硫含量、脱硫后硫含量对镁粉耗量的影响,表明:随铁水温度增加镁粉耗量随之增加;随脱硫后硫含量的降低,镁粉耗量明显增加且增幅逐步扩大,为降低成本,脱硫深度应控制合理。为确定合适的粉剂用量,建立了基于BP神经网络和回归的铁水脱硫粉剂预报模型,其中BP神经网络模型是粉剂模型的主输出,回归模型用于限定输出范围。铁水脱硫粉剂预报模型已实现了在线控制,无需人工干预,达到了较好的应用效果。当偏差区间为[-0.001 5%,0.001 5%]时,脱硫后硫含量的符合率为90.85%,可有效实现脱硫后硫含量的控制。     

基于BP神经网络的非晶相外标定量分析

 说明了非晶相不能用Rietveld方法来定量的原因。BP神经网络可以实现非线性的映射关系,非晶相的含量与其本底的高度存在一一对应关系,将两者联系了起来。用本底和衍射峰面积的数据,通过神经网络计算来求得非晶相的含量,所得结果优于多项式及S函数计算所得结果。同时指出了BP神经网络计算方法的适用范围。     

基于LM算法BP神经网络的高炉-转炉界面铁水温度预报模型

通过研究高炉-转炉界面铁水运输过程温度的主要影响因素,确定了影响高炉-转炉界面铁水运输过程温度的参数,建立了基于Levenberg-Marquardt (LM)算法BP神经网络的高炉-转炉界面铁水温度及铁水过程温降的预报模型.用沙钢100包铁水数据进行模型训练,50包铁水数据进行现场预报,结果表明:在高炉-转炉界面“一包到底”模式下,当绝对误差| X |≤20℃时,铁水温度命中率为94％,铁水温降命中率为78％;当绝对误差|X|≤40℃时,铁水温度命中率为100％,铁水温降命中率为92％,该预报模型能够满足现场实际生产需求,对炼钢生产有很好的指导意义.     

基于改进BP算法的连铸板坯中心偏析预报模型

结合某厂连铸生产数据,采用带有附加动量项的改进BP算法,建立了连铸板坯中心偏析的BP人工神经网络预测模型。应用结果表明,其预测准确率为90%,可满足连铸生产中对铸坯中心偏析预报精度的要求。分析导致预报偏差的主要原因是,网络模型隐含层节点较多、网络结构复杂、中心偏析等级为1.0的样本学习次数较多和噪音样本剔除不彻底等。     

基于BP神经网络的大方坯质量在线预报模型

在对铸坯质量缺陷类型及其主要影响因素分析总结的基础上,确定以特殊钢大方坯常见的中间裂纹、中心裂纹和中心偏析为研究对象,利用BP神经网络建立了该3种典型缺陷的预测模型.基于冶金理论和连铸生产大量历史数据的统计分析,提炼出影响以上3种内部缺陷的20个主要工艺参数,进而提出20-15-3的预测模型网络拓扑结构.采用生产现场数...     

基于人工神经网络的热连轧参数预测模型

将BP神经网络的思想用于预测热连轧参数，研究并建立了基于BP神经网络的预测控制数学模型。以热连轧精轧自然宽展值为例，现场实测数据仿真验证表明，该模型明显优于传统的数学预测模型，具有很高的预测精度。     

基于改进BP神经网络的铁水预处理终点硫含量预报模型

铁水预处理脱硫是纯净钢生产中的一项重要任务,其中铁水终点硫含量是反映脱硫站能力和生产效果的重要指标.对梅山钢铁股份有限公司铁水包喷吹CaO Mg粉剂复合脱硫过程,通过采用自适应调整学习率和最大误差学习法对标准BP算法进行了改进,建立了基于改进BP神经网络的铁水预处理终点硫含量预报模型.用梅钢的1154炉数据进行模型训练,经100炉数据现场验证表明,改进的BP算法比标准BP算法预报误差≤0.003%的精度提高28%,有19%的炉次预报值与实际值完全一致,有90%的炉次误差≤0.003%,平均误差为0.0017%.改进的BP算法在铁水预脱硫终点硫含量预报模型应用中获得了更好的使用效果.     

BP神经网络在铜锍吹炼终点预报中的应用

采用BP神经网络 ,建立炼铜转炉吹炼造铜期终点与各影响因素之间的数学模型 ,对吹炼终点进行预报。经实践检验 ,模型具有较强的自学习及泛化能力 ,预报结果具有较高的精度 ,能有效地指导生产实践。     

基于BP神经网络的冷轧带钢力学性能预测

利用BP神经网络方法预测SPCC冷轧带钢产品力学性能并以现场正交试验数据为基础,对比预报结果和试验结果可以知道,该模型具有较高的精度,适用于现场生产。     

基于神经网络的中厚板轧机轧制力模型

 以4200轧机大规模测试得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了该轧机轧制力的预测模型。通过对该网络隐层神经元个数的调整,提高了收敛速度,使轧制力的预测精度大为提高。     

Mechanical Property Prediction of Strip Model Based on PSO-BP Neural Network

Mechanical property prediction of hot rolled strip is one of the hotspots in material processing research. To avoid the local infinitesimal defect and slow constringency in pure BP algorithm, a kind of global optimization algorithm-particle swarm optimization （PSO） is adopted. The algorithm is combined with the BP rapid training algorithm, and then, a kind of new neural network （NN） called PSO-BP NN is established. With the advantages of global optimization ability and the rapid constringency of the BP rapid training algorithm, the new algorithm fully shows the ability of nonlinear approach of multilayer feedforward network, improves the performance of NN, and provides a favorable basis for further online application of a comprehensive model.     

基于神经网络与遗传算法的多目标充填料浆配比优化

随着充填法在地下矿山开采中的应用越来越广,在满足充填体强度要求的情况下,寻找生产成本最低的充填料浆配比对于矿山生产经营十分重要。基于人工神经网络和遗传算法提出了一种新的充填料浆配比优化方法。首先,以水泥质量分数、粉煤灰质量分数和尾砂质量分数3个充填料浆配比参数为优化参数,以充填体强度为优化目标,建立了3-9-1的BP神经网络,并基于遗传算法对BP神经网络进行优化,建立起预测精度更高的GA_BP神经网络。然后,将预测精度更高的GA_BP神经网络作为适应度函数,结合成本计算函数,通过遗传算法进行多目标优化以获取最优的充填料浆配比参数。结果表明：当充填体抗压强度为1.5 MPa时的成本最低,充填料浆配比组合为水泥质量分数为8%,粉煤灰质量分数为2.3%,尾砂质量分数为66.3%,最低成本为29.3元/t,优化结果与实际情况一致。     

基于BP神经网络预测硬质合金硬度

通过BP神经网络，对WC-Co硬质合金硬度进行模拟和预测。结果表明，该方法能够比较精确地预测WC-Co硬质合金硬度与其成分变化的关系。     

烧结矿碱度的灰色神经网络预测模型及仿真

本文提出了用灰色神经网络对烧结矿化学成分进行预测,并在此基础上构造了灰色神经网络模型,该模型有效地融合了灰色理论可弱化数据序列波动性和神经网络特有的适应非线性信息处理的能力,研究结果证明,本模型能在小样本、贫信息的条件下对烧结矿碱度做出比较准确的预测,此种模型具有预测精度高、所需样本少、计算简便等优点,取得了比较满意的结果。和BP神经网络算法相比,灰色神经网络算法有很大的应用前景和推广价值。     

Multi-Objective Optimization for Tandem Cold Rolling Schedule

 Based on rolling feature of continuous tandem cold rolling mill, such as multi-variable, strong coupling, non-linear, analyze and set the equal relative load, preventing slippage and profile well as the multi-objective optimization goal, BP neural network with self-learning function is adopted to replace traditional rolling force models and then Levenberg-Marquardt algorithm is adopted to predict the rolling force. Then use multi-objective fuzzy theory to solve the problem of multi-objective optimization of tandem cold rolling schedule. With the example of 1370mm tandem cold rolling, the rolling schedule of the common rolling, the single-object optimization design and the multi-objective fuzzy optimization design are compared with each other, optimization result shows the proposed optimization method decreases the value of three objective functions simultaneous. The performance of the optimal rolling schedule is satisfying and it is promising.     

利用BP神经网络预测AOD炉冶炼含氮不锈钢氮含量

根据AOD炉吹氮气冶炼含氮不锈钢的生产条件,运用BP神经网络建立了含氮不锈钢氮含量预测模型和吹氩时间预测模型。模型可利用生产现场的实际操作数据预测钢中氮含量,并可预测冶炼过程中控制钢中氮含量所需要的吹氩时间。结果表明,预测结果准确率较高,模型适用性较强。     

基于BP神经网络的Ti-26钛合金本构模型

利用Gleeble-1500热模拟实验机,进行了Ti-26合金等温恒应变速率压缩试验,获得了不同温度(700~940℃)、应变速率(0.01~10 s-1)、真应变下的流变应力数据。基于实验数据,根据BP人工神经网络原理算法,建立了Ti-26钛合金高温塑性变形时流变应力的预测模型,训练结束后的神经网络即成为Ti-26钛合金的一个知识基的本构关系模型。预测结果表明,该神经网络本构关系模型具有很高的精度,可用于指导Ti-26钛合金热加工工艺的制定及热成形过程的有限元模拟。     

BP神经网络在莱钢卷取温度控制中的应用

在带钢热连轧中,卷取温度对带钢的品质有着重要的影响,因此,提高卷取温度的控制精度有着重要意义。卷取温度控制系统是一个具有非线性、时变性和大滞后的复杂控制系统,传统的基于精确模型的控制方法难以进一步提高控制精度。本文简要介绍BP神经网络在莱钢1500mm带钢热连轧卷取温度控制中的应用。     

BP神经网络技术在钢铁工业中的应用

BP神经网络具有结构清晰、可操作性强等特点,在炼铁、炼钢、轧钢、钢材性能以及组织预报等领域得到了广泛的应用。介绍了BP神经网络的发展历程、基本原理和结构,对BP神经网络在钢铁工业中的应用现状进行了阐述,指出了其局限性,并对其发展前景进行了展望。     

一种新型BP神经网络的生成算法

提出了一种新型的神经网络的训练方法，包括输入层节点的自动寻找技术和隐含层节点的自动生成技术．为了验证该算法的正确性，利用该算法对同向回转观机驱动振动系统进行了神经网络逼近分析，计算机模拟结果表明该算法可以准确地确定输入层和隐含层节点的数目．