传统的数学模型无法达到冷连轧控制的尺寸精度要求.针对传统轧制力模型的固有缺陷,为提高冷连轧机组轧制力计算精度,合理选择、更新和预处理训练样本,采用RBF神经网络预测冷轧带钢屈服应力并把它用于传统轧制力计算模型,获得较高的轧制力预测精度.而后使用RBF长期数据修正网络和RBF短期数据修正网络得到长期数据修正网络和短期数据修正网络的修正系数,对轧制力计算值进一步修正,从而进一步提高轧制力预报精度.上述方法直接用于某冷连轧机组,轧制力预测误差在±6%之内.这充分证明RBF网络可以成功用于轧制过程控制并满足实际生产的需要.
参考文献
| [1] | 王秀梅,王国栋,刘相华.人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用[J].钢铁,1999(03):37-39. |
| [2] | 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,1997,26(04):272. |
| [3] | 殷勇,邱明.一种基于高斯核的RBF神经网络学习算法[J].计算机工程与应用,2002(21):118-119,178. |
| [4] | 丛爽.径向基函数网络的功能分析与应用的研究[J].计算机工程与应用,2002(03):85-87,200. |
| [5] | 孙一康.带钢冷连轧计算机控制[M].北京:冶金工业出版社,2002 |
| [6] | 沈辉,胡德文,温熙森.混沌系统辨识的一种新的生长型神经气方法[J].自动化学报,2001(03):401-405. |
| [7] | 王国栋;刘相华.金属轧制过程人工智能优化[M].北京:冶金工业出版社,2000 |
| [8] | 镰田正诚;李伏桃.板带连续轧制[M].北京:冶金工业出版社,2002 |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%