本文關(guān)鍵詞：基于改進(jìn)粒子群優(yōu)化的軋制力反建模型及自學(xué)習(xí)

  更多相關(guān)文章： RBF神經(jīng)網(wǎng)絡(luò) 改進(jìn)粒子群算法 軋制力預(yù)報(bào) 模型自學(xué)習(xí)

【摘要】：隨著科學(xué)技術(shù)的進(jìn)步,鋁合金產(chǎn)品應(yīng)用范圍也越來越廣,同時(shí)對(duì)鋁制產(chǎn)品的精度要求也越來越高。在軋制過程中,軋制力對(duì)于板帶才的質(zhì)量與性能有著很重要的作用。目前,實(shí)際生產(chǎn)中,軋制力模型多采用傳統(tǒng)理論計(jì)算獲得,其精度遠(yuǎn)遠(yuǎn)不能滿足當(dāng)代對(duì)鋁制品的高質(zhì)量要求。鋁熱連軋的軋制過程相對(duì)比較復(fù)雜,不像鋼種那么容易控制,軋制系統(tǒng)中的軋制力、壓扁半徑、張力、軋制速度等參數(shù)之間具有復(fù)雜的關(guān)系,因此依據(jù)傳統(tǒng)公式和經(jīng)驗(yàn)值不能高精度的進(jìn)行預(yù)測。高精度的預(yù)測軋制力是鋁板帶質(zhì)量的有力保障,因此本文在分析了傳統(tǒng)理論軋制數(shù)學(xué)模型后,采用改進(jìn)粒子群算法對(duì)最近鄰聚類算法的聚類半徑進(jìn)行優(yōu)化,然后用最近鄰聚類算法計(jì)算RBF神經(jīng)網(wǎng)絡(luò)隱含層的中心向量,兩者的有力結(jié)合合理的確定了RBF神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu),最后依據(jù)RBF神經(jīng)網(wǎng)絡(luò)的非線性逼近能力和自學(xué)習(xí)特性,提出了基于RBF神經(jīng)網(wǎng)絡(luò)的建模方法。本文將提出的算法應(yīng)用在某鋁廠“1+4”鋁熱連軋改造現(xiàn)場的精軋機(jī)組部分的軋制力預(yù)報(bào),以現(xiàn)場采集的實(shí)際數(shù)據(jù)對(duì)所建立模型進(jìn)行訓(xùn)練和測試。并與基本粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)比較,仿真結(jié)果表明其在預(yù)報(bào)精度和收斂速度上都有很大提高,有效地提高了軋制力的預(yù)報(bào)精度,最后為了使所建立的模型達(dá)到更好的適應(yīng)現(xiàn)場實(shí)際條件,本文還簡要介紹了模型自學(xué)習(xí)的應(yīng)用。
【關(guān)鍵詞】：RBF神經(jīng)網(wǎng)絡(luò) 改進(jìn)粒子群算法 軋制力預(yù)報(bào) 模型自學(xué)習(xí)
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TG335;TP18
【目錄】：

• 摘要5-6
• Abstract6-8
• 目錄8-10
• 第1章 緒論10-14
• 1.1 課題研究目的與意義10
• 1.2 國內(nèi)外鋁工業(yè)的發(fā)展現(xiàn)狀及差距10-11
• 1.3 鋁制品軋制力模型現(xiàn)狀11-12
• 1.4 本文研究內(nèi)容12-14
• 第2章 鋁熱連軋軋制力數(shù)學(xué)模型的研究與仿真14-26
• 2.1 軋制力數(shù)學(xué)模型的概述14-16
• 2.1.1 軋制力數(shù)學(xué)模型的發(fā)展14
• 2.1.2 軋制壓力模型在軋制過程中的作用14-15
• 2.1.3 影響軋制壓力的因素15-16
• 2.2 軋制力理論計(jì)算公式16-25
• 2.2.1 接觸弧水平投影長度cl16-17
• 2.2.2 軋輥壓扁半徑R′17-18
• 2.2.3 外摩擦應(yīng)力狀態(tài)系數(shù)PQ18-19
• 2.2.4 張力影響系數(shù)19-20
• 2.2.5 熱軋金屬塑性變形阻力20
• 2.2.6 變形抗力模型回歸20-25
• 2.3 影響軋制壓力模型精度的因素25
• 2.4 本章小結(jié)25-26
• 第3章 粒子群簡介及改進(jìn)26-37
• 3.1 群智能算法概況26-27
• 3.1.1 群智能的由來26
• 3.1.2 群智能的優(yōu)化算法26-27
• 3.2 粒子群優(yōu)化算法27-31
• 3.2.1 粒子群優(yōu)化算法概述27
• 3.2.2 基本粒子群優(yōu)化算法27-28
• 3.2.3 與其他進(jìn)化算法的比較28-29
• 3.2.4 改進(jìn)粒子群算法29-31
• 3.3 仿真實(shí)驗(yàn)分析31-36
• 3.4 本章小結(jié)36-37
• 第4章 基于改進(jìn)粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)37-47
• 4.1 引言37-38
• 4.2 RBF神經(jīng)網(wǎng)絡(luò)38-43
• 4.2.1 RBF神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀38
• 4.2.2 RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的區(qū)別38-39
• 4.2.3 RBF神經(jīng)網(wǎng)絡(luò)的模型39-40
• 4.2.4 徑向基中心的學(xué)習(xí)方法40-43
• 4.3 仿真實(shí)驗(yàn)分析43-46
• 4.3.1 測試函數(shù)與參數(shù)設(shè)置43
• 4.3.2 實(shí)驗(yàn)結(jié)果分析43-46
• 4.4 本章小結(jié)46-47
• 第5章 基于先進(jìn)算法的鋁熱連軋軋制力的反建模型及其自學(xué)習(xí)47-60
• 5.1 鋁熱連軋的概述47-49
• 5.1.1 主要工藝參數(shù)47
• 5.1.2 主要設(shè)備參數(shù)47-48
• 5.1.3 鋁熱連軋的設(shè)備構(gòu)成48-49
• 5.1.4 鋁熱連軋計(jì)算機(jī)系統(tǒng)的主要設(shè)備49
• 5.2 RBF神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)選擇49-50
• 5.3 軋制力反建模型的工業(yè)驗(yàn)證50-57
• 5.3.1 樣本的數(shù)據(jù)處理50-52
• 5.3.2 仿真實(shí)驗(yàn)52-57
• 5.4 模型自學(xué)習(xí)57-59
• 5.5 本章小結(jié)59-60
• 結(jié)論60-61
• 參考文獻(xiàn)61-64
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果64-65
• 致謝65-66
• 作者簡介66

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 伍長榮,胡學(xué)鋼;基于RBF神經(jīng)網(wǎng)絡(luò)的糧食生產(chǎn)預(yù)測研究[J];安徽工程科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2004年04期

2 胡賢磊,王昭東,于解民,劉相華;結(jié)合模型自學(xué)習(xí)的BP神經(jīng)元網(wǎng)絡(luò)的軋制力預(yù)報(bào)[J];東北大學(xué)學(xué)報(bào);2002年11期

3 邱紅雷,胡賢磊,矯志杰,趙忠,田勇,王國棟;中厚板軋制過程中高精度的軋制力預(yù)測模型[J];鋼鐵;2005年05期

4 楊彥軍;陸正元;姚菊蓮;田建鋒;;利用徑向基函數(shù)改進(jìn)算法實(shí)現(xiàn)函數(shù)逼近[J];桂林工學(xué)院學(xué)報(bào);2006年01期

5 葛超;孫麗英;張淑卿;朱藝;;RBF神經(jīng)網(wǎng)絡(luò)中心選取算法[J];河北理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年04期

6 孟莎莎;孫寶華;楊輝;衷路生;;徑向基神經(jīng)網(wǎng)絡(luò)辨識(shí)非線性系統(tǒng)的改進(jìn)算法[J];華東交通大學(xué)學(xué)報(bào);2009年03期

7 劉瑞;劉悅;;基于交叉和自適應(yīng)權(quán)重的混合粒子群優(yōu)化算法[J];信息技術(shù);2010年11期

8 張麗平,俞歡軍,陳德釗,胡上序;粒子群優(yōu)化算法的分析與改進(jìn)[J];信息與控制;2004年05期

9 王旭東,邵惠鶴;RBF神經(jīng)網(wǎng)絡(luò)理論及其在控制中的應(yīng)用[J];信息與控制;1997年04期

10 康琦,張燕,汪鐳,吳啟迪;群體智能應(yīng)用綜述[J];冶金自動(dòng)化;2005年05期

，

本文編號(hào)：600266