資源描述：
《人工神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型在熱連軋機(jī)組軋制力預(yù)報(bào)中的綜合應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、鋼鐵990310鋼鐵IRON&STEE;1999年第3期No.31999人工神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型在熱連軋機(jī)組軋制力預(yù)報(bào)中的綜合應(yīng)用王秀梅 王國(guó)棟 劉相華摘 要 針對(duì)傳統(tǒng)軋制力模型的固有缺陷，為了提高精軋機(jī)組軋制力預(yù)設(shè)定精度，提出一種將人工神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型相結(jié)合的新方法，用于熱連軋精軋機(jī)組軋制力的預(yù)設(shè)定。離線仿真表明，采用本文所述的方法，預(yù)報(bào)精度優(yōu)于傳統(tǒng)方法。預(yù)報(bào)結(jié)果的相對(duì)誤差限制在±5%以內(nèi)。關(guān)鍵詞 人工神經(jīng)網(wǎng)絡(luò) BP算法 數(shù)學(xué)模型 軋制力預(yù)報(bào)APPLICATIONOFNEURALNETWORKSINCOMBINATIONWITHMATHEMATICAL
2、MODELSTOPREDICTIONOFROLLINGLOADOFHOTSTRIPROLLINGMILLWANGXiumeiWANGGuodongLIUXianghua(NortheasternUniversity)ABSTRACTInviewofintrinsicimperfectionoftraditionalmodelsofrollingload,inordertoimprovethepredictionprecisionofrollingload,anewmethodcombiningartificialneuralnetworkswithmat
3、hematicalmodelstopredictrollingloadisputforward.Off-linesimulationindicatesthatthepredictedresultsaremoreaccuratethanthatestimatedwithtraditionalmodels.Therelativeerroriswithin±5%.KEYWORDSartificialneuralnetworks,BPalgorithm,mathematicalmodels,predictionofrollingload1 前言 帶鋼熱連軋過程
4、中，由于壓下量計(jì)算要依據(jù)軋制力分配來確定，所以帶鋼頭尾厚度的精度主要取決于精軋機(jī)組設(shè)定中軋制力預(yù)報(bào)的精確性。為了滿足用戶日益提高的尺寸精度要求，有必要提高精軋機(jī)組預(yù)設(shè)定的靈活性和準(zhǔn)確性。其中，軋制力預(yù)報(bào)是熱連軋精軋機(jī)組計(jì)算機(jī)設(shè)定模型的核心，其預(yù)報(bào)精度直接影響輥縫的設(shè)定，并影響穿帶的穩(wěn)定性。為了提高精軋機(jī)組軋制力預(yù)設(shè)定精度，采用人工神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型相結(jié)合的新方法。2 數(shù)學(xué)模型2.1 傳統(tǒng)數(shù)學(xué)模型 精軋機(jī)組軋制力計(jì)算公式萬方數(shù)據(jù)file:///E
5、/qk/gt/gt99/gt9903/990310.htm（第1／6頁）2010-3-2220:34:24鋼
6、鐵990310P=Bcl′cQpK (1)式中 Bc——軋件軋制前后平均寬度(一般可認(rèn)為Bc≈B)； l′c——軋輥壓扁后變形區(qū)的長(zhǎng)度； Qp——應(yīng)力狀態(tài)影響系數(shù)； K——K=1.15σ，σ為高速高溫下材料的變形抗力，σ=exp(a+bTi)vi(c+dTi)eni，是軋制時(shí)的軋件溫度、變形速度、真應(yīng)變程度、軋件成分的函數(shù)。Qp=a1(lc/hc)+a2ei+a3(lc/hc)ei+a4 (2)式中 hc——軋件平均厚度； ei——各機(jī)架軋件相對(duì)變形程度。2.2 傳統(tǒng)模型
7、缺陷 數(shù)學(xué)模型是根據(jù)生產(chǎn)過程中各種現(xiàn)象的物理規(guī)律，應(yīng)用數(shù)學(xué)方程來描述生產(chǎn)過程中各參數(shù)間的靜態(tài)和動(dòng)態(tài)關(guān)系。根據(jù)在線控制時(shí)的實(shí)際情況，在線控制模型力求簡(jiǎn)單一些。在模型結(jié)構(gòu)形式上采取一些簡(jiǎn)化措施，參數(shù)變量也盡量少。這就決定了數(shù)學(xué)模型的不完整性，因而也不能對(duì)客觀對(duì)象提供精確的描述。所以常規(guī)的軋制力計(jì)算公式不能提供足夠精確的近似值。即使采用自適應(yīng)技術(shù)，利用實(shí)測(cè)數(shù)據(jù)重新計(jì)算模型參數(shù)，但由于模型本身結(jié)構(gòu)的限制，難于適應(yīng)實(shí)際生產(chǎn)過程。為了克服這個(gè)不足之處，采用一種全新的工具，即人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks，簡(jiǎn)稱ANN)。3 人工神經(jīng)網(wǎng)
8、絡(luò) 人工神經(jīng)網(wǎng)絡(luò)作為信息處理的現(xiàn)代化工具已日益普及。這與神經(jīng)網(wǎng)絡(luò)本身的特點(diǎn)是分不開的：①良好的映射逼近能力；②網(wǎng)絡(luò)本身具有良好的可靠性、魯棒性和容錯(cuò)性；③采用了并行處理方式來處理信息，使大量信息的快速運(yùn)算成為可能。人工神經(jīng)網(wǎng)絡(luò)可從大量的輸入數(shù)據(jù)和所涉及的關(guān)系中進(jìn)行“學(xué)習(xí)”，并從系統(tǒng)觀察重復(fù)發(fā)生的事件中獲得經(jīng)驗(yàn)，特別適合于同時(shí)考慮許多因素和條件的、不精確和模糊的信息處理問題［1］。3.1 基本理論 誤差反向傳播網(wǎng)絡(luò)(ErrorBackPropagationnetworks,簡(jiǎn)稱BP網(wǎng)絡(luò))是目前使用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。它的結(jié)構(gòu)簡(jiǎn)單(圖1)，工作狀態(tài)
9、穩(wěn)定。BP網(wǎng)絡(luò)是一種有教師監(jiān)督學(xué)習(xí)的多層神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的學(xué)習(xí)過程包括正向傳播和反
