神经网络在冷连轧机轧制力预测中的应用

将神经网络建模方法应用于冷连轧机轧制力预测,研究并建立了基于神经网络的冷连轧机轧制力预测数学模型.该模型在河北中钢冷轧厂五机架冷连轧机组使用后表明,模型具有较高的预测精度,能满足实际生产使用要求.     

基于模糊神经网络的冷连轧机轧制力预测

建立了一种基于数学模型和模糊神经网络共同作用的冷连轧机轧制力预测模型,通过数学模型描述轧制接触面积,模糊网络预测轧制单位压力.提出将Hough变换应用于神经网络的参数确定,从而使最终设计的网络具有最佳结构参数.试验研究证明了所设计模型具有较强的泛化能力和鲁棒性,大大提高了轧制力的预报精度.     

1 200 MPa级冷轧先进高强钢轧制稳定性的分析及控制

针对1 200 MPa级冷轧先进高强钢轧制不稳定问题,对热轧原料组织性能均匀性、冷轧压缩比、冷连轧机组轧制策略等进行了分析。结果表明,热轧工序投入边部加热器,采用分段冷却等手段,可有效降低热轧原料头尾部组织性能差异,保证通卷性能均匀,进而保证通卷轧制过程稳定;通过优化冷连轧机组压缩比,可有效降低材料本身的加工硬化强度,进而避免连轧机组后面机架的轧制超负荷情况;通过优化冷连轧机组轧制策略,可保证轧制过程中各机架均匀变形,避免出现轧制力差异较大的情况,进而保证轧制过程稳定。采用上述措施,1 200 MPa级冷轧先进高强钢轧制力控制在约15 000 kN,厚度精度控制在±0.06 mm以内,可保证该级别高强钢的稳定轧制。     

KOCKS轧机轧件横截面积与力能参数模型

文章研究了KOCKS轧机三辊切线孔型生产圆棒时轧件的横截面积与KOCKS轧机孔型参数、轧件初始断面之间的关系,并给出相关数学模型。利用宝特棒材生产线上采集的数据,以轧件道次延伸率的计算值与实际值误差标准差最小为目标优化模型中的系数,使道次延伸率计算结果误差在±1%以内,说明模型可以为KOCKS孔型参数设计和优化提供参考。计算了轧件在KOCKS轧机孔型中轧制时的平均应变、应变速率、轧制力、轧制力矩等力能参数,并将轧制力矩的计算值与实测值进行比较,误差范围多在±5%以内,说明模型具有一定精度,可以为轧机负荷设定及调整提供参考。     

冷连轧机组末机架轧制参数综合设定技术的研究

针对冷连轧机组的生产工艺特点,以带材出口前张力横向分布均匀(即板形良好)作为优化目标函数,建立了一套冷连轧机组末机架轧制参数综合优化数学模型,并将其应用到宝钢冷轧薄板厂1220五机架冷连轧机组末机架压下量、前后张力、弯辊力等主要轧制参数的综合设定,取得了良好的使用效果,大大提高了成品带材的板形质量。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于FEM-ANN的高强度冷轧带钢平整轧制力预测

为了提高平整轧制力的预报精度，采用有限元法(finite element method, FEM)与人工神经网络(artificial neural network, ANN)相结合的方法，对DP980和CP1180超高强冷轧带钢在平整轧制过程中的轧制力进行预测。通过建立平整轧制过程的数学模型，利用有限元法设计了不同工况下的数值模拟试验，为神经网络模型生成训练数据。将摩擦因数与轧制力关联进行迭代优化后作为神经网络模型的输入参数。该轧制力预测方法计算迅速，预测误差在10%以内。     

以板形控制为目标的冷连轧过程压下规程优化技术

针对在冷连轧升降速过程中由于热辊型变化和轧制压力不稳定导致的轧制波动幅度过大和板形的最终精度不足等问题,为了得到精度较高的出口板形,结合现场冷连轧机组的设备参数和机组相关工艺,通过对建立的冷连轧升降速过程板形模型、轧制力模型以及热辊型的变化机理进行定量分析,提出了一套以冷连轧机组升降速过程中出口板形最优为目标函数的各机...     

轧钢机力能参数神经网络预测

在分析轧机轧制过程中的力能参数的基础上 ,测量并计算了 50 0 mm轧机的轧制力。探讨了用神经网络模型确定轧制力的方法 ,预测了轧制力 ,并将三种方法得到的轧制力进行了比较。结果表明用神经网络模型预测的轧制力误差远小于基于传统数学模型计算的轧制力误差 ,它能较好他反映实际轧制过程的特征。     

基于改进的BP神经网络无缝钢管连轧轧制力的预测北大核心CSCD

无缝钢管连轧过程具有多变量、强耦合、非线性等特点,传统的数学模型无法对一些参数进行精确地预测。为了提高连轧过程中轧制力预测的精度,采用改进初始值选取方法来优化BP神经网络,建立改进的BP神经网络的轧制力预测模型。首先,采集某钢厂历史生产数据,进行预处理,通过灰色关联度确定影响轧制力的主要因素;然后,对初始值进行设置,利用MATLAB编写仿真程序对连轧机组轧制力进行预测。结果表明:基于改进的BP神经网络的轧制力预测模型具有很强的学习能力和表达能力,轧制力预测精度得到了很大的提高,对实际的生产具有重要意义。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于神经网络和自适应预报模型参数的平整轧制力模型

冷轧带钢平整过程存在带材较薄,压下率较小等特点,应力状况较为复杂,采用传统模型对轧制力预报误差较大。采用神经网络模型对应力状态系数进行预报,可提高轧制力的预报精度。针对轧制过程中轧件特性发生缓慢变化的特点,采用符合平整轧制过程特点的变形抗力自适应模型,并与神经网络模型结合,预报平整轧制力。计算结果表明,该模型计算值与实际值吻合精度较高,90%的预报结果相对误差控制在5%以内。     

基于改进遗传算法优化的双步进电机伺服阀控制研究

针对当前电液伺服阀控制系统响应速度慢、输出误差较大的问题,采用改进遗传算法优化控制系统,并对控制效果进行仿真验证。设计了新型电液伺服阀结构,建立了电液伺服系统动力学模型,推导了液压缸流量运动方程式。采用改进遗传算法优化RBF神经网络结构,通过MATLAB软件对双步进电机伺服阀改进的控制系统进行仿真验证,并且与传统PID控制效果进行对比。结果显示:在无干扰环境中,采用传统PID控制和改进RBF神经网络控制方法都能较好地提高活塞杆运动位移输出精度;在有干扰环境中,采用传统PID控制方法,活塞杆运动位移输出的误差较大,而采用改进RBF神经网络控制方法,活塞杆运动位移输出的误差较小。采用改进RBF神经网络控制方法,能够抑制外界的干扰,从而提高双步电机伺服阀控制系统的响应速度和输出精度。     

基于神经网络的电液位置伺服系统自适应滑模控制

针对电液位置伺服系统(阀控对称缸)模型复杂、参数时变、摩擦影响显著等特点,提出了基于RBF神经网络和基于Lu Gre模型的自适应滑模控制算法。该算法的优点是:(1)利用RBF神经网络逼近控制电流与系统输出压力的关系,将电液位置伺服系统的数学模型简化为二阶,减少了模型参数;(2)采用Lu Gre模型能够准确地描述摩擦过程中复杂的动、静态特性,通过该模型设计摩擦补偿,提高了控制精度;(3)设计自适应滑模控制器,增强了系统的鲁棒性。利用构建的李雅普诺夫函数,证明了闭环系统的稳定性。仿真实验表明:所提算法控制精度较高、响应速度较快、鲁棒性较强。     

外骨骼关节驱动神经网络滑模力控制研究

针对外骨骼机器人液压关节驱动系统具有非线性、不确定参数等特性,导致模型建立困难以及负重时具有不确定冲击扰动的问题,基于电液伺服系统特性,建立以弹性负载为外负载的数学模型。为减小负重时冲击扰动项对力控制的影响,引入径向基（RBF）神经网络对干扰项进行补偿,设计一种基于RBF神经网络的滑模力控制策略。通过系统特性进一步验证模型可行性,并进行仿真试验对比。结果表明：与PID控制相比,所设计的控制策略响应时间更短,跟踪误差缩小70.5%;变负载工况下,所设计的控制策略具有更好的跟随能力、更强的鲁棒性能,可以满足外骨骼机器人关节驱动的力控制要求。平台试验进一步验证了仿真结果的有效性与正确性。     

基于误差预处理的液压系统反馈线性化控制

针对液压系统的强非线性、参数时变特性,提出一种基于误差预处理的反馈线性化自适应控制器。采用RBF神经网络对液压系统进行辨识与建模;为了实现快速高精度的位置输出,对误差进行预处理,调节误差增益,使其增益能够随误差变化而变化,实现:小误差时大增益,加快响应速度,提高控制精度;大误差时小增益,防止系统超调。基于误差预处理,利用反馈线性化方法,设计了控制器及自适应律。仿真结果表明:在反馈线性化结合误差预处理的作用下,系统的响应速度及控制精度均优于反馈线性化控制。     

基于群智优化RBF神经网络的预测控制模型研究

为了提高预测控制模型的准确度,采用RBF神经网络来完成网络流量预测,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。首先,在建模过程中引入混合蛙跳算法。然后,将RBF神经网络权重和阈值作为青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群。对蛙群进行分组,并通过不断重新分组和组内迭代的方法来获取全局最优个体,从而得到最优权重和阈值,以便确定最优的预测控制模型。经过实验证明：采用基于群体智能优化RBF神经网络的预测控制模型具有更高的准确度。     

基于RBF神经网络电液恒功率调速自整定PID控制

采煤机电液调速系统对保证煤矿生产具有重要的作用。在分析恒功率自动调速的电液控制系统原理的基础上,建立了基于RBF神经网络自整定的PID控制的数学模型。通过在MATLAB/GUI仿真平台上计算得到系统的实际输出和模型输出的误差不超过5%,设计的RBF神经网络的电液恒功率调速自整定PID控制系统具有更高的跟踪精度和响应特性,完全可以实现系统的高精度与快速调速控制。     

基于RBF神经网络的挤出机温度压力控制系统

为了确定橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系并较好实现温度压力控制系统的模型辨识自适应控制与精确解耦控制,结合径向基函数(RBF)神经网络与PID神经元结构,设计了一个基于RBF神经网络辨识模型与自适应控制的模型,用于完成对熔体温度、机头压力的模型辨识与自适应控制,并采用优化RBF神经网络进行精确解耦控制。利用MATLAB软件建立温度压力耦合系统的辨识模型,并与传统辨识模型和解耦方式进行对比。结果表明:在干扰作用下,基于优化RBF神经网络的系统具有较好的辨识能力,能自适应地完成系统解耦控制;采用优化RBF神经网络建立的耦合辨识模型的耦合辨识与解耦效果理想,可在一定程度上提高温度压力控制系统精度和挤出半成品质量,实现精密化挤出成型。     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.