基于改进粒子群优化的轧制力反建模型及自学习

发布时间：2017-07-31 17:22

  本文关键词：基于改进粒子群优化的轧制力反建模型及自学习

  更多相关文章： RBF神经网络 改进粒子群算法 轧制力预报 模型自学习

【摘要】：随着科学技术的进步,铝合金产品应用范围也越来越广,同时对铝制产品的精度要求也越来越高。在轧制过程中,轧制力对于板带才的质量与性能有着很重要的作用。目前,实际生产中,轧制力模型多采用传统理论计算获得,其精度远远不能满足当代对铝制品的高质量要求。铝热连轧的轧制过程相对比较复杂,不像钢种那么容易控制,轧制系统中的轧制力、压扁半径、张力、轧制速度等参数之间具有复杂的关系,因此依据传统公式和经验值不能高精度的进行预测。高精度的预测轧制力是铝板带质量的有力保障,因此本文在分析了传统理论轧制数学模型后,采用改进粒子群算法对最近邻聚类算法的聚类半径进行优化,然后用最近邻聚类算法计算RBF神经网络隐含层的中心向量,两者的有力结合合理的确定了RBF神经网络的隐含层结构,最后依据RBF神经网络的非线性逼近能力和自学习特性,提出了基于RBF神经网络的建模方法。本文将提出的算法应用在某铝厂“1+4”铝热连轧改造现场的精轧机组部分的轧制力预报,以现场采集的实际数据对所建立模型进行训练和测试。并与基本粒子群算法优化的RBF神经网络比较,仿真结果表明其在预报精度和收敛速度上都有很大提高,有效地提高了轧制力的预报精度,最后为了使所建立的模型达到更好的适应现场实际条件,本文还简要介绍了模型自学习的应用。
【关键词】：RBF神经网络 改进粒子群算法 轧制力预报 模型自学习
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG335;TP18
【目录】：

• 摘要5-6
• Abstract6-8
• 目录8-10
• 第1章 绪论10-14
• 1.1 课题研究目的与意义10
• 1.2 国内外铝工业的发展现状及差距10-11
• 1.3 铝制品轧制力模型现状11-12
• 1.4 本文研究内容12-14
• 第2章 铝热连轧轧制力数学模型的研究与仿真14-26
• 2.1 轧制力数学模型的概述14-16
• 2.1.1 轧制力数学模型的发展14
• 2.1.2 轧制压力模型在轧制过程中的作用14-15
• 2.1.3 影响轧制压力的因素15-16
• 2.2 轧制力理论计算公式16-25
• 2.2.1 接触弧水平投影长度cl16-17
• 2.2.2 轧辊压扁半径R′17-18
• 2.2.3 外摩擦应力状态系数PQ18-19
• 2.2.4 张力影响系数19-20
• 2.2.5 热轧金属塑性变形阻力20
• 2.2.6 变形抗力模型回归20-25
• 2.3 影响轧制压力模型精度的因素25
• 2.4 本章小结25-26
• 第3章 粒子群简介及改进26-37
• 3.1 群智能算法概况26-27
• 3.1.1 群智能的由来26
• 3.1.2 群智能的优化算法26-27
• 3.2 粒子群优化算法27-31
• 3.2.1 粒子群优化算法概述27
• 3.2.2 基本粒子群优化算法27-28
• 3.2.3 与其他进化算法的比较28-29
• 3.2.4 改进粒子群算法29-31
• 3.3 仿真实验分析31-36
• 3.4 本章小结36-37
• 第4章 基于改进粒子群算法优化RBF神经网络37-47
• 4.1 引言37-38
• 4.2 RBF神经网络38-43
• 4.2.1 RBF神经网络的研究现状38
• 4.2.2 RBF神经网络与BP神经网络的区别38-39
• 4.2.3 RBF神经网络的模型39-40
• 4.2.4 径向基中心的学习方法40-43
• 4.3 仿真实验分析43-46
• 4.3.1 测试函数与参数设置43
• 4.3.2 实验结果分析43-46
• 4.4 本章小结46-47
• 第5章 基于先进算法的铝热连轧轧制力的反建模型及其自学习47-60
• 5.1 铝热连轧的概述47-49
• 5.1.1 主要工艺参数47
• 5.1.2 主要设备参数47-48
• 5.1.3 铝热连轧的设备构成48-49
• 5.1.4 铝热连轧计算机系统的主要设备49
• 5.2 RBF神经网络输入参数选择49-50
• 5.3 轧制力反建模型的工业验证50-57
• 5.3.1 样本的数据处理50-52
• 5.3.2 仿真实验52-57
• 5.4 模型自学习57-59
• 5.5 本章小结59-60
• 结论60-61
• 参考文献61-64
• 攻读硕士学位期间承担的科研任务与主要成果64-65
• 致谢65-66
• 作者简介66

【参考文献】

中国期刊全文数据库 前10条

1 伍长荣,胡学钢;基于RBF神经网络的粮食生产预测研究[J];安徽工程科技学院学报(自然科学版);2004年04期

2 胡贤磊,王昭东,于解民,刘相华;结合模型自学习的BP神经元网络的轧制力预报[J];东北大学学报;2002年11期

3 邱红雷,胡贤磊,矫志杰,赵忠,田勇,王国栋;中厚板轧制过程中高精度的轧制力预测模型[J];钢铁;2005年05期

4 杨彦军;陆正元;姚菊莲;田建锋;;利用径向基函数改进算法实现函数逼近[J];桂林工学院学报;2006年01期

5 葛超;孙丽英;张淑卿;朱艺;;RBF神经网络中心选取算法[J];河北理工大学学报(自然科学版);2007年04期

6 孟莎莎;孙宝华;杨辉;衷路生;;径向基神经网络辨识非线性系统的改进算法[J];华东交通大学学报;2009年03期

7 刘瑞;刘悦;;基于交叉和自适应权重的混合粒子群优化算法[J];信息技术;2010年11期

8 张丽平,俞欢军,陈德钊,胡上序;粒子群优化算法的分析与改进[J];信息与控制;2004年05期

9 王旭东,邵惠鹤;RBF神经网络理论及其在控制中的应用[J];信息与控制;1997年04期

10 康琦,张燕,汪镭,吴启迪;群体智能应用综述[J];冶金自动化;2005年05期

，

本文编号：600266