学位论文 > 优秀研究生学位论文题录展示
基于人工神经网络的逆模型在热轧板带生产中的应用研究
作 者: 栗景树
导 师: 王晓东
学 校: 昆明理工大学
专 业: 测试计量技术及仪器
关键词: 逆模型 人工神经网络 支持向量机 轧制参数 力学性能
分类号: TG334.9
类 型: 硕士论文
年 份: 2010年
下 载: 42次
引 用: 0次
阅 读: 论文下载
内容摘要
近几年来,我们国家的钢铁工业得到了飞速发展,带动了轧制技术的巨大进步。从上世纪90年代开始,各地建起了一批现代化轧机,成为了我国轧制技术发展的主流。然而,轧机的现代化程度越高,对模型的依赖程度也就也大。因此,对轧制模型的开发、维护与优化自然也就受到越来越多的重视。对于轧制过程,基于生产过程中各因素之间物理和化学反应原理,使用传统的数学建模方法,已经建立了一些轧制过程数学模型。这些模型在轧制生产中发挥了巨大的作用。然而,数学建模方法也有其弊端。这种方法需要对轧制过程进行简化和假设,其精度不能满足要求时,要凭借工程人员的经验对其相关系数进行修正。因此,基于人工智能的建模方法相应发展起来。人工智能方法与传统的方法有所不同,它不是过去那种对轧制过程中深层次规律的无穷探求,而是用模拟人脑的方法来处理那些实在发生的事情。它不从基本原理出发,而是以事实为依据,从大量数据中揭示出轧制过程中的生产规律。随着钢铁行业信息化的不断普及和深入,在企业长期的生产过程中积累了丰富详实的生产数据,我们完全可以利用这些数据,使用人工智能的方法,对轧制生产过程进行优化。因此,人们希望使用最优控制的理论与技术,对热轧产品的生产过程进行优化改进,提高产品质量和生产效率。结合钢铁企业的背景,以昆钢为例,对热轧板带的轧制过程进行研究。现代化冶金企业生产的一个特点是多道工序,轧制过程从始至终主要经历除磷、粗轧与精轧,每一步都对最终产品的质量有影响。本文把热轧产品轧制过程看作一个系统,通过对此系统的研究,针对此过程建立逆模型控制,对参数进行优化,然后将优化参数带入轧制过程正模型,看其得到的预测力学性能指标与实际生产中的力学性能指标相比,哪个更加稳定。利用BP神经网络和支持向量机两种方法,分别建立以化学成分、轧制参数为输入,以力学性能为输出的两种正控制模型:BP神经网络热轧板带正控制模型和支持向量机热轧板带正模型;以及以力学性能为输入,以轧制参数为输出的两种逆模型:BP神经网络热轧板带逆模型控制和支持向量机热轧板带逆模型控制,用逆模型得到的优化参数对生产过程的正模型进行控制,从而得到预测力学性能。经分析得出:使用我们的方法,BP模型的RM预测值在跟随性上效果不太理想,仍然需要改进提高。但是,另一方面,BP模型的RM预测值明显更加聚集在输出值的平均中心线430MPa附近,也就是说,经过逆模型得到的参数变量值用于控制以后,所得到的力学特性RM更加稳定,波动性小,在这方面,模型达到了我们设想的目标。预测误差方面来看,88.62%的预测误差小于5%,99.22%的预测误差小于10%,100%的预测误差在15%之内。5%之内的预测误差效果不理想,10%及15%的预测误差较好。使用支持向量机方法,除了模型S3T1在误差5%之内的效果不理想之外,其余三个模型都较为理想。尤其是模型S4T2,也就是使用了v-SVM回归算法和RBF核函数的模型,5%之内达到了100%,非常理想。可见,使用支持向量机逆模型控制,充分发挥了支持向量机在小样本方面的优势,达到了对热轧板带质量预测的目的。总之,不管是使用BP神经网络还是使用支持向量机,在热轧板带质量预测方面,都在一定程度上达到了对热轧板带产品的力学性能进行预测的目的。当然,方法仍需要继续改进,以提高预测效果。
|
全文目录
摘要 3-5 ABSTRACT 5-9 第一章 绪论 9-15 1.1 论文研究背景及意义 9-10 1.2 国内外研究情况 10-13 1.2.1 轧制模型新趋势 10-11 1.2.2 国内外研究情况 11-13 1.3 论文研究主要内容 13 1.4 论文的安排结构 13-14 1.5 本章小结 14-15 第二章 逆系统 15-17 2.1 逆系统方法 15-16 2.1.1 逆系统 15 2.1.2 伪线性复合系统 15-16 2.1.3 逆系统方法原理 16 2.2 本章小结 16-17 第三章 热轧产品质量模型的构建 17-25 3.1 轧制工艺简介 17-18 3.1.1 往复式炉卷轧机 17-18 3.1.2 热轧生产流程 18 3.2 轧制因素分析 18-22 3.2.1 化学成分分析 18-19 3.2.2 轧制力参数分析 19-20 3.2.3 轧制温度参数分析 20 3.2.4 力学性能指标分析 20-21 3.2.5 轧制因素及指标分析总结 21-22 3.3 热轧产品质量模型分析 22-24 3.3.1 热轧产品质量正模型 22-23 3.3.2 热轧产品质量逆模型 23 3.3.3 热轧产品质量逆模型控制系统 23-24 3.4 本章小结 24-25 第四章 基于神经网络的热轧板带产品质量模型 25-39 4.1 人工神经网络 25-26 4.1.1 神经网络的结构 25-26 4.1.2 神经网络的特征 26 4.1.3 神经网络的工作方式 26 4.1.4 神经网络的学习 26 4.2 BP神经网络热轧板带质量模型 26-29 4.2.1 BP神经网络应用概述 26-27 4.2.2 BP神经网络结构与算法 27-29 4.3 BP神经网络热轧板带质量逆控制模型的建立 29-37 4.3.1 BP神经网络热轧板带质量正模型 29-33 4.3.2 BP神经网络热轧板带质量逆模型 33-37 4.4 本章小结 37-39 第五章 基于支持向量机的热轧板带质量模型 39-51 5.1 支持向量机介绍 39-42 5.1.1 支持向量机的基本思想 39-42 5.1.2 支持向量机训练算法 42 5.2 支持向量回归原理 42-45 5.2.1 支持向量机回归问题描述 42-43 5.2.2 线性支持向量机回归 43-44 5.2.3 非线性支持向量机回归 44-45 5.3 建模工具介绍 45-46 5.4 支持向量机热轧板带质量模型 46-50 5.4.1 支持向量机应用概述 46 5.4.2 支持向量机热轧板带质量逆控制模型的建立 46-50 5.5 本章小结 50-51 第六章 总结与展望 51-52 致谢 52-53 参考文献 53-58 附录A:攻读学位期间发表论文目录 58-59 附录B:相关实验数据(部分) 59-63
|
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- (ZrB2-ZrO2)/BN复合材料的反应热压烧结及其力学性能,TB332
- 超低碳贝氏体钢CO2激光-GMA复合焊接特性研究,TG456.7
- Mg-Zn-Y-Zr镁合金的组织结构和力学性能,TG146.22
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 基于支持向量机的故障诊断方法研究,TP18
- 某武器检测装置的控制系统设计,TP183
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 废旧聚酯纺织品的回收再利用研究,X791
- 凝胶注模SiC-AlN复相陶瓷的制备工艺与性能研究,TQ174.62
- ODPA/异构ODA共聚酰亚胺的合成及其性能研究,TQ323.7
- 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
中图分类: > 工业技术 > 金属学与金属工艺 > 金属压力加工 > 轧制 > 轧钢机械设备 > 轧制自动化
© 2012 www.xueweilunwen.com
|