板形缺陷识别模型优化设计及仿真实现
发布时间：2021-04-11 12:45
随着社会经济的发展,钢铁行业扮演着越来越重要的角色,许多行业对现代冷轧带钢的生产提出了更高的要求。板形是检验板带材质量的重要指标之一,它是决定板带产品质量好坏的关键,如何实现对板形快速、稳定、精确的控制成为国内研究学者的重要课题。其中板形识别是整个板形闭环控制系统中的基础和重要环节,其识别结果对后续的板形控制至关重要。近年来,随着人工智能的兴起,越来越多的学者将人工智能应用到板形缺陷识别中,并且大大提高了板形识别的精度,这有利于今后的板形控制。基于此本文的主要工作如下:针对传统板形缺陷识别方法存在精度低等问题,提出了一种混合优化RBF-BP神经网络板形识别方法。首先利用自组织竞争映射网络（SOM）对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心与宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题;然后利用遗传算法（GA）良好的全局搜索能力优化网络的权值。RBF-BP网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。最后仿真结果表明混合优化RBF-BP神经网络的板形识别方法能够识别出常见的板形缺陷,并且板形识别精度提高了48.02%。考...
【文章来源】：燕山大学河北省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
RBF神经网络拓扑结构
kikNiIdIgkikiexp(),1,2,,;1,2,,22max X t 阵W 为: wiIjJijW , 1,2, ,; 1,2, ,BP 神经网络及其学习算法 世纪八十年代，以 Rumelhart 和 McClelland 为首的研究学者提出了 其主要的特点是信号是前向传播的，而误差是反向传播的。BP 神经经网络一样，也是由输入层、隐含层、输出层组成的，只是 BP 神经网层数不确定，需要根据具体问题具体分析，并且 BP 网络隐含层节点的为 Sigmoid 型，输出层节点的单元特性一般为线性。BP 网络实质上实入到输出的映射功能，并且具有很强的非线性映射能力和自学习和自较好的泛化能力，这使得它是目前应用最广泛的神经网络。其中三层图 2-2 所示。
图 2-3 SOM 神经网络拓扑结构络输出层的节点个数与训练样本的类别数有关，且节点个数别个数，否则网络训练时会将类别不同但模式相近的样本划类不准确；如果节点个数设置的过多会导致网络的有些权值与更新，出现“死节点”的情况，这不仅会增加网络训练时影响最后的结果。通常网络的输出节点个数在满足 SOM 神经要经过多次实验确定。络可以对数据进行无监督聚类，但它又与 K-means 聚类不同一个初始聚类中心，训练时采用“竞争与合作”的方式。竞争竞争层中找到一个与之最匹配的点，这样的点叫获胜点，也经元也是邻近神经元合作的基础；合作过程：在权值向量更经元的权值向量要更新，而且其邻近神经元的权值向量也按新。SOM 网络的具体学习过程如下：化：设输入向量为 (,,,)X X X X，与输出层神经元 j 相
【参考文献】：
期刊论文
[1]中国钢铁行业的现状和展望[J]. 陆平军. 市场论坛. 2019(03)
[2]高质量中厚板生产关键共性技术研发现状和前景[J]. 王国栋. 轧钢. 2019(01)
[3]智能制造助力钢铁行业技术进步[J]. 王新东,闫永军. 冶金自动化. 2019(01)
[4]新时代钢铁工业高质量发展之路[J]. 李新创. 钢铁. 2019(01)
[5]基于循环神经网络的板形模式识别模型[J]. 宋明明,王东城,张帅,徐扬欢,刘宏民. 钢铁. 2018(11)
[6]冷轧带钢虚拟仪器板形测控系统及其应用[J]. 杨利坡,于华鑫,张永顺,刘宏民. 机械工程学报. 2018(14)
[7]基于GA-BP神经网络的弯辊力预设定模型研究与应用[J]. 田宝亮,牛培峰. 矿冶工程. 2018(01)
[8]基于FOA优化SOM-RBF的压力传感器温度补偿研究[J]. 杨松,李开林,胡国清,周永宏,邹崇. 仪表技术与传感器. 2018(02)
[9]基于小波消噪和优化支持向量机的板形模式识别[J]. 吴忠强,康晓华,于丹琦. 中国机械工程. 2018(01)
[10]基于优化终端滑模模糊神经网络的板形模式识别[J]. 吴忠强,康晓华,于丹琦. 矿冶工程. 2017(05)
博士论文
[1]基于GAPSO-BP算法的高阶板形在线模式识别及其检测系统[D]. 陈飞.燕山大学 2016
[2]冷带轧机板形智能识别与智能控制研究[D]. 张秀玲.燕山大学 2003
硕士论文
[1]冷轧板形缺陷识别的免疫遗传RBF-BP神经网络方法[D]. 张涛.辽宁科技大学 2014
[2]基于人工智能的冷带轧机板形模式识别与控制[D]. 逄宗鹏.燕山大学 2010
本文编号：3131280
【文章来源】：燕山大学河北省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
RBF神经网络拓扑结构
kikNiIdIgkikiexp(),1,2,,;1,2,,22max X t 阵W 为: wiIjJijW , 1,2, ,; 1,2, ,BP 神经网络及其学习算法 世纪八十年代，以 Rumelhart 和 McClelland 为首的研究学者提出了 其主要的特点是信号是前向传播的，而误差是反向传播的。BP 神经经网络一样，也是由输入层、隐含层、输出层组成的，只是 BP 神经网层数不确定，需要根据具体问题具体分析，并且 BP 网络隐含层节点的为 Sigmoid 型，输出层节点的单元特性一般为线性。BP 网络实质上实入到输出的映射功能，并且具有很强的非线性映射能力和自学习和自较好的泛化能力，这使得它是目前应用最广泛的神经网络。其中三层图 2-2 所示。
图 2-3 SOM 神经网络拓扑结构络输出层的节点个数与训练样本的类别数有关，且节点个数别个数，否则网络训练时会将类别不同但模式相近的样本划类不准确；如果节点个数设置的过多会导致网络的有些权值与更新，出现“死节点”的情况，这不仅会增加网络训练时影响最后的结果。通常网络的输出节点个数在满足 SOM 神经要经过多次实验确定。络可以对数据进行无监督聚类，但它又与 K-means 聚类不同一个初始聚类中心，训练时采用“竞争与合作”的方式。竞争竞争层中找到一个与之最匹配的点，这样的点叫获胜点，也经元也是邻近神经元合作的基础；合作过程：在权值向量更经元的权值向量要更新，而且其邻近神经元的权值向量也按新。SOM 网络的具体学习过程如下：化：设输入向量为 (,,,)X X X X，与输出层神经元 j 相
【参考文献】：
期刊论文
[1]中国钢铁行业的现状和展望[J]. 陆平军. 市场论坛. 2019(03)
[2]高质量中厚板生产关键共性技术研发现状和前景[J]. 王国栋. 轧钢. 2019(01)
[3]智能制造助力钢铁行业技术进步[J]. 王新东,闫永军. 冶金自动化. 2019(01)
[4]新时代钢铁工业高质量发展之路[J]. 李新创. 钢铁. 2019(01)
[5]基于循环神经网络的板形模式识别模型[J]. 宋明明,王东城,张帅,徐扬欢,刘宏民. 钢铁. 2018(11)
[6]冷轧带钢虚拟仪器板形测控系统及其应用[J]. 杨利坡,于华鑫,张永顺,刘宏民. 机械工程学报. 2018(14)
[7]基于GA-BP神经网络的弯辊力预设定模型研究与应用[J]. 田宝亮,牛培峰. 矿冶工程. 2018(01)
[8]基于FOA优化SOM-RBF的压力传感器温度补偿研究[J]. 杨松,李开林,胡国清,周永宏,邹崇. 仪表技术与传感器. 2018(02)
[9]基于小波消噪和优化支持向量机的板形模式识别[J]. 吴忠强,康晓华,于丹琦. 中国机械工程. 2018(01)
[10]基于优化终端滑模模糊神经网络的板形模式识别[J]. 吴忠强,康晓华,于丹琦. 矿冶工程. 2017(05)
博士论文
[1]基于GAPSO-BP算法的高阶板形在线模式识别及其检测系统[D]. 陈飞.燕山大学 2016
[2]冷带轧机板形智能识别与智能控制研究[D]. 张秀玲.燕山大学 2003
硕士论文
[1]冷轧板形缺陷识别的免疫遗传RBF-BP神经网络方法[D]. 张涛.辽宁科技大学 2014
[2]基于人工智能的冷带轧机板形模式识别与控制[D]. 逄宗鹏.燕山大学 2010
本文编号：3131280
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3131280.html
