牛顿迭代计算在冷轧过程控制中的应用

采用牛顿迭代法,对冷轧过程控制带钢变形抗力后计算值进行非线性求解.从计算速度、计算稳定性和计算精度分析了该算法的特点,实际应用证明了牛顿法非常适合冷轧在线过程控制的非线性求解要求.     

基于实测值的自适应算法在中厚板轧制中的应用

提出了一种应用于中厚板轧制的道次间自适应算法，该算法以实测数据为基础，通过实测轧制力与实际计算轧制力的比值决定轧制力模型学习量的大小，做到了真正意义上的以实测数据来校正模型，从而使设定的模型有较好的自学习功能，并在实际应用中表现出较好的学习效果。     

神经网络辨识方法及其在轧钢控制中的应用

利用人工神经网络的辨识理论和方法,进行轧制过程数学模型参数的在线辨识与修正.首先对轧制压力模型和温度模型进行分析,得到适于应用神经网络进行辨识和修正的轧制模型函数形式,选择并比较最速下降、递推最小二乘及共轭梯度训练算法,实现了离线的和在线的仿真与应用.仿真结果表明,将人工神经网络应用于轧钢过程的轧制模型辨识可以大大提高模型预报精度.     

牛顿迭代计算在冷轧过程控制中的应用

采用牛顿迭代法,对冷轧过程控制带钢变形抗力后计算值进行非线性求解.从计算速度、计算稳定性和计算精度分析了该算法的特点,实际应用证明了牛顿法非常适合冷轧在线过程控制的非线性求解要求.     

基于人工神经网络铝箔轧机轧制力模型

彩用ＢＰ神经网络原理对１３５０ｍｍ铝箔轧机轧制数据重新处理，建立了基于人工神经网络的轧制务模型。结果表明，用人工神经网络轧制力模型的计算值与实测值相比偏差〈３％该模型较真实地反映了轧制过程的特征。     

中厚板厚度控制模型的自学习

结合南钢2 500 mm精轧机组改造项目,根据中厚板生产工艺特点,确定合理的弹跳模型和轧制力模型.考虑到弹跳模型具有较高精度以及其自学习不依赖于轧制力模型精度的特点,首先进行弹跳模型的自学习,再利用修正后的弹跳模型计算轧件出口厚度,将其用于轧制力模型的自学习.轧制力模型的自学习主要是修正钢种硬度系数,分短期自学习和长期自学习两部分,分别用于修正本批次钢和本规格钢的硬度系数,短期自学习结果是长期自学习的数据来源,长期自学习结果保存进数据库供以后计算使用.研究结果应用于南钢中板厂后,厚度控制命中率提高了13.3%.     

数据挖掘在热轧平整机轧制力计算偏差补偿模型中的应用

分析了数据库技术及数据挖掘常用算法,以热轧平整机轧制力计算偏差补偿为例,建立了数据挖掘的热轧平整机轧制力补偿模型．经实际检验,模型在生产应用中完全满足生产实际要求,对现有的基于二级数学模型计算的薄规格板带后期工艺再处理生产的进一步优化具有深远的意义．     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

基于神经网络与线性回归的轧制力预报

通过将SIMS轧制力计算公式进行相应简约化处理,避免了模型软件在该公式计算时的重复迭代求解,缩短了计算时间,因此更适合在线软件计算.利用现场实际生产数据反向回归出变形抗力模型中的系数,提高了模型中系数的准确性.用神经网络对变形抗力与应力状态系数的乘积加以修正,进一步提高了轧制力预报的精度.预测结果与实测数据比较表明,轧制力预报误差基本在±5％以内,满足了轧制力预报的精度要求.     

GTM在冷轧带钢颤振监测与识别中的应用

研究了GTM算法在冷轧带钢颤振监测识别中的应用，结果表明，通过对轧制过程的工艺参数或振动特征的聚类训练，它能把正常数据和颤振数据分别映射到二维平面的不同输出区域，较好地将两种轧制状态聚类分开；输入数据映像点在平面上的轨迹变化趋势正确而直观地反映了轧制状态的变化，便于及时监测识别出颤振的发生，有利于提高轧制生产率和产品质量。     

带钢热连轧机组温度模型及其自学习方法

介绍了带钢热连轧机组温度模型以及目前常用的温度模型自学习方法.针对目前常用的温度模型自学习方法的不足,提出了一种分区补偿法用于温度模型自学习,该方法按一定的分配系数将终轧温度偏差分配到各冷却区段,温度偏差分配系数可以根据各机架轧制力情况进行调节,所以在保证终轧温度预测精度的同时,也提高了轧制力的预测精度.这种新型的温度模型自学习方法被成功地应用于天津荣程750 mm精轧机组,取得了较好的应用效果.     

基于人工神经网络的扁钢轧制力模型

根据ＢＰ人工神经网络算法原理,结合某厂型钢轧机轧制扁钢时的轧制力实测数据,对扁钢轧制力进行建模,结果表明,神经网络用于轧制力建模是可行的,所建模型系统误差〈１％,模型计算值与实测值的偏差,４％,较好地反映了实际轧制过程的特征。     

冷连轧过程控制变形抗力模型的自适应学习

以考虑冷连轧带钢轧制过程变形区金属塑性变形以及入口、出口弹性变形的变形抗力模型和Bland Ford Hill轧制力模型为基础,将实测轧制力值代入轧制力计算模型建立起以变形抗力后计算值为未知量的非线性方程,求解该方程可以得到变形抗力后计算值,进而通过指数平滑法计算出变形抗力模型中的自适应学习系数·实际应用表明,由该方法得到的变形抗力后计算值的精度和稳定性能满足模型在线控制要求,可以提高在线控制变形抗力模型和轧制力模型的计算精度·     

中厚板生产的高精度轧制力短期自学习

针对国内大多数企业没有安装测厚仪的现状,提出了中厚板生产中无测厚仪下的高精度轧制力自学习模型.模型通过自然对数法进行厚度族的划分,并将用于轧制力自学习的变形抗力参数按照不同的厚度族进行区分,最后模型采用了指数平滑法对各个厚度族内的变形抗力参数进行处理.以高精度弹跳模型为基础,提出将末道次实际出口厚度锁定为目标值的思想进行了各道次变形抗力参数的回归.将该模型实际应用于国内某3 000 mm轧机的过程控制系统中,获得了良好的效果.     

BP神经网络自学习PID算法在PLC的实现

目前神经网络自适应PID算法在理论研究方面的成果已经较多,在实际生产过程中的应用较少.以水箱控制为被控对象,利用神经网络在线调节PID控制器参数来增强系统的自适应能力,并采用PLC编程语言完成算法实现,将其应用于实际的液位控制系统中.实际运行结果表明,该系统运行稳定可靠,调节时间和上升时间提高了30%.     

一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把HCMA（Hyperball Cerebellar Model Articulation Conroller)与模糊逻辑理论有机结合起来，形成FHCMAC（Fuzzy HCMAC)，它便于从输入输出数据中提取模糊规则，直接用作控制器。可以将FHCMAC看作用基函数网络实现的模糊逻辑系统，兼有HCMAC神经网络和模糊逻辑两者的优点，即可以较容易表达定性或模糊的经验知识，又具有很好的学习性能，应用仿真实例验证了其有效性，该方法可应用于难以获取模糊规则的吻合。     

神经网络在控制领域中的应用

本文综述了近年来神经网络在控制领域的应用情况，并讨论了存在的问题和发展趋势。     

神经网络在自适应滤波中的应用

利用神经网络对白噪声、红噪声和正弦波进行辨识，进而采用单片机对以上３种噪声和尖峰脉冲干扰进行自适应滤波处理，实验结果表明该方案正确。     

BP神经网络自学习PID算法在PLC的实现

目前神经网络自适应PID算法在理论研究方面的成果已经较多,在实际生产过程中的应用较少。以水箱控制为被控对象,利用神经网络在线调节PID控制器参数来增强系统的自适应能力,并采用PLC编程语言完成算法实现,将其应用于实际的液位控制系统中。实际运行结果表明,该系统运行稳定可靠,调节时间和上升时间提高了30%。     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性