近幾年來,熱軋鋼材已廣泛應用于建筑、橋梁、管道、汽車、船舶、鐵路、工程機械、壓力容器等許多行業(yè)和領域。這些關鍵領域都密切涉及到民生和公共安全,因此要求熱軋產(chǎn)品必須具有良好的產(chǎn)品質(zhì)量,特別是抗拉強度、屈服強度和延伸率等力學性能。傳統(tǒng)的熱軋產(chǎn)品質(zhì)量檢驗會隨機抽取少量樣品來測量這些樣品鋼的力學性能。然而,這種抽樣檢驗的方式會花費大量的時間和人力。鋼材在冶煉和熱軋過程中,軋件的微觀組織會發(fā)生一系列復雜的變化,直接決定了鋼材本身的力學性能。因此,用化學成分和熱軋工藝參數(shù)預測其力學性能具有重要的理論意義和應用價值。由于熱軋生產(chǎn)是一個高實時性的動態(tài)工藝過程,會受到各種隨機因素的干擾,同時也包含了海量的工藝參數(shù)。因此,Irvine提出的理論數(shù)學模型預測方法基于很多近似的假設,僅適用于理想環(huán)境和理論分析。近年來,隨著人工神經(jīng)網(wǎng)絡的提出和發(fā)展給熱軋產(chǎn)品性能預報提供了有效的技術工具,預測精度得到了極大的提高。然而,由于人工神經(jīng)網(wǎng)絡結構和學習算法的限制,對當前海量的實時工業(yè)生產(chǎn)數(shù)據(jù)已經(jīng)無法得到有效的訓練和學習,不能滿足用戶日益提高的精度預測需求。本文提出基于深度神經(jīng)網(wǎng)絡的熱軋產(chǎn)品性能預報模型,利用深度前饋神經(jīng)... 

【文章來源】：武漢科技大學湖北省

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要研究工作和結構安排
第2章 鋼鐵性能預報與深度神經(jīng)網(wǎng)絡
    2.1 鋼鐵軋制工藝簡介
        2.1.1 熱軋工藝流程
        2.1.2 化學成分對熱軋板帶性能影響
        2.1.3 熱軋溫度對板帶性能影響
        2.1.4 力學性能指標分析
    2.2 深度學習理論基礎
        2.2.1 人工神經(jīng)網(wǎng)絡模型
        2.2.2 深度學習流程
        2.2.3 卷積神經(jīng)網(wǎng)絡結構
        2.2.4 局部連接和權值共享
        2.2.5 卷積層和亞采樣層
    2.3 本章小結
第3章 基于深度前饋神經(jīng)網(wǎng)絡預測模型研究
    3.1 數(shù)據(jù)來源及預處理
        3.1.1 數(shù)據(jù)來源
        3.1.2 數(shù)據(jù)清洗
        3.1.3 數(shù)據(jù)標準化
        3.1.4 模型性能度量
    3.2 深度前饋神經(jīng)網(wǎng)絡模型構建
        3.2.1 激活函數(shù)選擇
        3.2.2 目標優(yōu)化算法
        3.2.3 添加BatchNormalization
        3.2.4 模型調(diào)優(yōu)
        3.2.5 加入正則優(yōu)化
    3.3 結果分析
    3.4 與傳統(tǒng)方法比較
    3.5 本章小結
第4章 基于卷積神經(jīng)網(wǎng)絡預測模型研究
    4.1 基于CNN的鋼鐵性能預測模型構建
        4.1.1 基于卷積神經(jīng)網(wǎng)絡鋼鐵性能預測模型結構
        4.1.2 基于卷積神經(jīng)網(wǎng)絡鋼鐵性能預測過程
    4.2 實驗驗證分析
        4.2.1 卷積核個數(shù)
        4.2.2 卷積層層數(shù)
        4.2.3 卷積窗口大小
        4.2.4 學習速率
    4.3 結果分析
    4.4 本章小結
第5章 結論與展望
致謝
參考文獻
附錄1 攻讀碩士學位期間發(fā)表的論文
大摘要


【參考文獻】：
期刊論文
[1]基于PSO-BP神經(jīng)網(wǎng)絡雙機架爐卷軋機軋制力的預測[J]. 王智,張果,王劍平,楊俊東,楊奇,尹麗瓊.  鋼鐵研究. 2017(03)
[2]帶鋼熱軋過程厚度分配的仿真分析[J]. 秦建春,張果,王劍平,楊曉洪,楊俊東,楊奇,尹麗瓊.  鋼鐵研究. 2016(03)
[3]鋼鐵冶金過程動態(tài)數(shù)學模型的研究進展[J]. 陳林根,夏少軍,謝志輝,劉曉威,沈勛,孫豐瑞.  熱科學與技術. 2014(02)
[4]熱軋中厚板沖擊功的神經(jīng)網(wǎng)絡預報模型[J]. 譚文,劉振宇,吳迪,王國棟,王春梅.  鋼鐵. 2007(02)
[5]鋼筋軋后控冷的神經(jīng)網(wǎng)絡預測模型[J]. 劉維廣,呂立華,張勇偉,詹華,劉舸.  鋼鐵研究. 2007(01)
[6]用人工神經(jīng)網(wǎng)絡模型研究微量元素對鋼力學性能的影響[J]. 劉貴立,張國英,曾梅光.  鋼鐵研究. 2000(01)

博士論文
[1]轉(zhuǎn)爐低成本煉鋼相關技術研究及模型開發(fā)[D]. 韓嘯.北京科技大學 2017
[2]基于深度學習的圖像分類方法研究[D]. 孟丹.華東師范大學 2017
[3]熱軋帶鋼的相變和力學性能模型研究及應用[D]. 王蕾.北京科技大學 2017
[4]CLAM鋼高溫組織演變與力學性能研究[D]. 黃禮新.燕山大學 2014
[5]煉鋼—連鑄—熱軋生產(chǎn)過程中若干優(yōu)化問題研究[D]. 譚園園.東北大學 2012

碩士論文
[1]基于深度學習的室內(nèi)時空客流預測[D]. 李邦鵬.浙江大學 2017
[2]基于深度學習的氣象溫度預測研究[D]. 劉鑫達.寧夏大學 2016
[3]基于深度學習的搜索廣告點擊率預測方法研究[D]. 李思琴.哈爾濱工業(yè)大學 2015
[4]熱軋工藝對IF鋼組織和織構影響機制的研究[D]. 賈明霞.山東農(nóng)業(yè)大學 2014
[5]熱軋板卷性能預報系統(tǒng)設計與應用[D]. 戴亞輝.東北大學 2012
[6]基于數(shù)據(jù)挖掘的馬鋼CSP熱軋板卷的性能預測[D]. 張祝亭.安徽工業(yè)大學 2012
[7]鋼材性能和工藝參數(shù)的交叉預測模型研究[D]. 楊鳳海.武漢科技大學 2012
[8]鋼材力學性能預測系統(tǒng)的研發(fā)[D]. 于子金.東北大學 2010
[9]基于人工神經(jīng)網(wǎng)絡的逆模型在熱軋板帶生產(chǎn)中的應用研究[D]. 栗景樹.昆明理工大學 2010
[10]數(shù)據(jù)挖掘在熱軋板帶質(zhì)量預測中的應用[D]. 鄭楊元.昆明理工大學 2009



本文編號：3017903