基于神经网络的冷连轧轧制力设定模型研究

论文摘要

随着市场对冷轧产品品种规格的不断扩充和产品精度的不断提高,对冷连轧轧制模型的掌握和优化的研究是非常必要的,轧制力是冷连轧机设定数据中最重要的设备参数和工艺参数,研究实用、高精度的轧制力设定模型具有重要的意义。传统的轧制力计算是借助于数学模型来进行的,由于轧制过程影响因素复杂以及各影响因素时刻变化,致使轧制力数学模型精度较低,不能提供足够精确的轧制力值。本文以宝钢冷连轧机轧制力模型为研究对象,重点进行轧制力设定模型的自适应修正和神经网络模型偏差补偿的研究来提高轧制力设定模型精度。本文详细分析了冷连轧Bland-Ford-Hill轧制力模型及轧制力各子模型方程；利用自适应理论的指数平滑法修正了轧制力模型,着重研究了利用变形抗力和摩擦系数自适应间接修正轧制力与轧制力直接自适应修正相结合的方法；采用人工神经网络结合轧制力自适应的方法来对轧制力进行自适应修正后的模型偏差补偿研究,建立了拓扑结构为8-17-1的BP神经网络轧制力偏差模型；针对所建立的BP神经网络收敛速度慢、容易陷入局部极小的缺点,本设计中利用蚁群算法来优化神经网络的初始权值。最后本文对所研究的提高轧制力设定模型精度的方法进行了Matlab语言的实际数据仿真分析,由仿真结果验证了本设计中方法的可行性和有效性,蚁群-BP神经网络轧制力设定模型使设定误差减小到±3%以内,显著的提高了轧制力设定模型精度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与研究意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 轧机数学模型技术的新方法
• 1.3 冷连轧计算机控制系统概况
• 1.3.1 冷连轧计算机控制系统组成
• 1.3.2 过程控制系统概述
• 1.4 轧制力设定模型的研究现状
• 1.5 论文研究的主要内容
• 第2章 冷连轧机轧制力模型理论分析
• 2.1 计算单位轧制力的理论简介
• 2.1.1 Karman（卡尔曼）单位压力微分方程
• 2.1.2 Orowan（奥罗万）单位压力微分方程
• 2.1.3 采利柯夫单位压力公式
• 2.1.4 Bland-Ford单位压力公式
• 2.2 冷连轧轧制力设定模型分析
• 2.2.1 Bland-Ford-Hill轧制力模型算法
• 2.2.2 变形抗力模型
• 2.2.3 前滑模型
• 2.2.4 作辊压扁半径
• 2.2.5 摩擦系数
• 2.2.6 轧制力模型
• 2.2.7 Bland-Ford-Hill轧制力显式模型
• 2.3 本章小结
• 第3章 轧制力模型自适应学习方法设计
• 3.1 模型自适应学习的意义
• 3.2 轧制力模型的自适应修正
• 3.2.1 轧制力模型自适应的基本原理
• 3.2.2 测量值处理
• 3.2.3 轧制力模型自适应的算法
• 3.3 变形抗力和摩擦系数后计算
• 3.3.1 变形抗力后计算
• 3.3.2 摩擦系数后计算
• 3.3.3 变形抗力和摩擦系数解耦后计算
• 3.4 变形抗力和摩擦系数自适应学习算法
• 3.4.1 变形抗力自适应学习
• 3.4.2 摩擦系数自适应学习
• 3.5 轧制力模型的自学习修正
• 3.6 本章小结
• 第4章 神经网络轧制力设定模型偏差补偿研究
• 4.1 神经网络基础知识
• 4.1.1 人工神经元模型
• 4.1.2 神经网络的分类
• 4.1.3 神经网络的学习
• 4.2 BP神经网络模型与学习算法
• 4.2.1 BP神经网络模型
• 4.2.2 BP神经网络学习算法
• 4.3 轧制力模型偏差补偿BP网络的建立和训练
• 4.3.1 BP神经网络模型结构设计
• 4.3.2 BP算法参数的设计
• 4.3.3 轧制力模型偏差补偿BP神经网络的训练
• 4.4 蚁群算法优化BP神经网络
• 4.4.1 基本蚁群算法模型
• 4.4.2 最大-最小蚂蚁系统
• 4.4.3 蚁群算法优化BP神经网络的实现
• 4.4.4 蚁群算法优化轧制力BP网络时参数的选择
• 4.5 BP神经网络的性能分析
• 4.6 本章小结
• 第5章 轧制力设定模型的仿真分析
• 5.1 Bland-Ford-Hill轧制力设定模型仿真
• 5.2 轧制力自适应修正设定模型仿真
• 5.3 轧制力BP神经网络模型仿真
• 5.4 本章小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 未来工作展望
• 参考文献
• 致谢