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

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

内容摘要

全文目录

相似论文