铅锌烧结过程的智能集成优化控制系统

以铅锌烧结过程的优化控制为背景，建立了铅锌烧结过程的烧穿点预测模型、综合透气性预测模型、综合工况预测模型，得到了烧结过程的优化控制的目标函数．采用模糊专家规则进行烧结过程状态控制，同时采用聚类搜索混沌遗传算法获得最优的操作参数，从而实现了铅锌烧结过程的在线实时集成优化控制．提出了智能集成优化控制系统，解决了多输入多输出复杂工业过程的控制问题．     

基于成分预测模型的矿石烧结配料专家优化方法

配料是烧结的前期工序，如何获得各种铁矿石和非铁原料的配比是烧结配料的关键问题，针对桌钢铁企业烧结配料的特点，建立了基于数学模型和神经网络的成分预测模型，构筑了用于配比调整的专家规则，提出了配比优化与计算算法，通过数学模型、神经网络和专家规则的有机结合，实现了烧结配料的优化与控制。     

基于成分预测模型的矿石烧结配料专家优化方法

配料是烧结的前期工序,如何获得各种铁矿石和非铁原料的配比是烧结配料的关键问题.针对某钢铁企业烧结配料的特点,建立了基于数学模型和神经网络的成分预测模型,构筑了用于配比调整的专家规则,提出了配比优化与计算算法,通过数学模型、神经网络和专家规则的有机结合,实现了烧结配料的优化与控制.     

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。     

基于支持向量机预报模型的烧结终点模糊控制

针对烧结过程存在时间滞后和参数不确定问题，在分析烧结过程热状态的基础上，提出应用支持向量机优良的时序预测性能，建立了基于风箱废气温度预报烧结终点的预报模型.结合烧结终点预报模型，将模糊控制策略应用于烧结终点控制系统开发.介绍了控制系统的组成与烧结终点模糊控制器的设计方法.仿真结果和现场应用均证实了烧结终点控制系统的有效性，在存在较大干扰的情况下，能保持较好的控制品质.控制系统可准确、快速地预报烧结终点，具有稳定烧结终点和优化过程操作的作用.     

模糊神经网络及其在聚酯酯化建模中的应用

提出一种通过改进减法聚类优选模糊规则的模糊神经网络建模方法．该算法仅从已知的输入输出数据中，就能快速确定模糊规则的数目；给出了模糊规则中参数的确定方法，用误差反传法优化参数；最后用该方法对聚酯的酯化率建立软测量模型，仿真结果表明该方法运算速度快，模糊规则较少，同时具有的良好泛化性能，能够满足软测量建模精度的要求。     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

氧乐果合成反应温度的模糊神经网络控制方法

氧乐果合成反应温度控制过程具有参数时变、非线性、大滞后等特点,采用传统的控制方法难以达到预期的控制效果。针对此问题,文章设计了基于遗传算法的模糊神经网络控制器。首先确定与模糊系统结构等价的神经网络,从而将模糊控制规则和隶属函数的参数搜索优化问题转化成网络参数优化问题;其次利用改进的遗传算法实现网络参数快速全局寻优,从而提高控制器性能。仿真结果表明,优化后模糊神经网络控制器对一类具有参数时变、时滞、非线性的系统具有良好的控制性能。     

基于遗传规划的铁矿烧结终点2级预测模型

为了解决铁矿烧结过程中烧结终点(BTP)的建模问题,提出改进的混合分类遗传规划(CGP)算法.算法将K-中心聚类算法与遗传规划(GP)相结合,通过K-中心聚类算法对烧结过程工况进行分类.对每一类,采用遗传规划建立风箱温度自回归预测模型.模型为2级温度预测模型,即基于温度拐点的中期模型和临近烧结终点处的短期模型.烧结终点通过预测温度的3次曲线拟合得到.实验仿真表明了所提出的2级温度预测模型的有效性.     

基于神经网络预测的铝电解模糊控制系统应用

目的采用神经网络作为非线性估计器,设计自组织模糊控制器,解决常规控制方法难以解决铝电解过程中存在的时变和大时滞问题,提高控制性能.方法在分析铝电解生产过程的基础上,通过建立神经网络预测模型以及基于规则双阶段获取的自组织模糊控制器,将神经网络与预测控制算法相结合,提出了一种基于神经网络预测的铝电解模糊控制系统.结果给出了以STD工业总线控制机为核心的模糊控制系统,实现了铝电解过程的最优控制.使得神经网络预测模型的输出能够很好地跟踪铝电解生产过程,预测效果更佳.结论该系统能使电解过程很快达到稳态,产生的超调量较小,具有良好地响应特性和鲁棒性,提高了铝电解过程的动态和稳态性能.     

Multi-objective intelligent coordinating optimization blending system based on qualitative and quantitative synthetic model

1 INTRODUCTIONDuring Pb-Zn sintering blending process ,theproper mixture ratio of Pb-Zn concentrate fromdif-ferent mines and the returning powder is necessaryto obtain the desired sintering materials . The ma-terials are sintered to produce the agglomerate forthe smelting. The agglomerate compositions andthe sintering permeability are thei mportant param-eters of Pb-Zn sintering process , whose accuracyand stabilization strictly affect the smeltingprocess . The mixture ratio is one of e…     

基于神经网络法的逐点渗透率测井解释研究

渗透率参数是储层解释与评价中极其重要的一个参数。采用常规测井解释方法逐点计算单井剖面中各小层的渗透率往往很难达到精度要求。鉴于单井剖面中解释点的地层渗透率与多种测井参数有关以及围岩点测井参数对其的影响,采用了BP神经网络技术通过构建合理的BP网络结构建立起多种测井信息与渗透率之间的逐点非线性预测模型,实现利用测井资料高精度地逐点解释单井剖面的渗透率。利用该模型处理了T3井等井的测井资料,逐点计算的渗透率不但与取心段的岩心渗透率较为一致,而且非取心段的处理结果令人满意。该法为测井解释地层渗透率参数找到了一条新的途径。     

Adaptive control of machining process based on extended entropy square error and wavelet neural network

Combining information entropy and wavelet analysis with neural network,an adaptive control system and an adaptive control algorithm are presented for machining process based on extended entropy square error(EESE)and wavelet neural network(WNN).Extended entropy square error function is defined and its availability is proved theoretically.Replacing the mean square error criterion of BP algorithm with the EESE criterion,the proposed system is then applied to the on-line control of the cutting force with variable cutting parameters by searching adaptively wavelet base function and self adjusting scaling parameter,translating parameter of the wavelet and neural network weights.Simulation results show that the designed system is of fast response,non-overshoot and it is more effective than the conventional adaptive control of machining process based on the neural network.The suggested algorithm can adaptively adjust the feed rate on-line till achieving a constant cutting force approaching the reference force in varied cutting conditions,thus improving the machining efficiency and protecting the tool.     

Expert system for controlling the state of sintering process

Ｓｉｎｔｅｒｉｎｇｐｒｏｃｅｓｓｔａｔｅｍａｉｎｌｙｉｎｃｌｕｄｅｓｔｈｅｒｍａｌｓｔａｔｅａｎｄｐｅｒｍｅａｂｉｌｉｔｙｓｔａｔｅ［１］．Ｔｈｅｖａｒｉａｎｃｅｏｆｔｅｍｐｅｒａｔｕｒｅｉｎｓｉｎｔｅｒｉｎｇｂｅｄｇｉｖｅｓｉｍｐｅｔｕｓｔｏｔｈｅ...     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP（TravelingSalesmanProblem）问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

神经网络预测器在铝电解过程控制中的应用

目的采用神经网络预测控制方法来解决铝电解过程中存在的时变和大时滞问题，提高其控制性能．方法提出了一种基于铝电解过程的神经网络预测控制算法，建立了神经网络预测模型，将神经网络和预测控制算法相结合，结果实现了铝电解过程的最优控制．神经网络预测模型的输出能够很好地跟踪铝电解生产过程，预测效果好．结论笔者提出的控制方案能够使铝电解过程很快进入稳态，超调量较小，提高了铝电解过程的动态和稳态性能．     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

遗传RBF网络在织物染色配色中的应用

讨论了具有非线性、不确定特性的织物染色配色过程建模与仿真问题。针对传统的织物染色配色方法效果差、精确度不高和难以达到期望结果的问题,结合RBF神经网络的特点,提出了用基于遗传算法训练的RBF神经网络,同时优化网络的参数,并利用遗传RBF神经网络建立织物染色配色模型。仿真结果表明,该模型不仅提高15%的精确度,而且具有全局搜索能力和很好的鲁棒性,在解决织物染色配色问题上取得了预期配色效果。     

NN adaptive pole placement method for sintering finish point control

A neural network model with a special structure, which is divided into linear and nonlinear parts, was proposed for identification of a nonlinear system. In this model, the nonlinear part of the object is treated as a measured disturbance, and is compensated by a feed forward method; an adaptive pole placement algorithm is used to control the linear part of the object. The simulation results show that the identification efficiency and accuracy are improved when the new controller is applied to sintering finish point control.