检索结果-内蒙古大学图书馆

中国机械工程 2018年第1期29卷 95-103页

作者：吴忠强康晓华于丹琦燕山大学工业计算机控制河北省重点实验室秦皇岛066004

提高板形模式识别的精度利于得到高精度的控制效果。针对实测的板形信号中混有噪声信号的问题,利用双变量阈值小波去噪,克服了软硬阈值函数在处理小波系数方面存在的缺点,使得去噪的效果更好。将去噪后的板形信号离散化,作为支持向量机... 详细信息

提高板形模式识别的精度利于得到高精度的控制效果。针对实测的板形信号中混有噪声信号的问题,利用双变量阈值小波去噪,克服了软硬阈值函数在处理小波系数方面存在的缺点,使得去噪的效果更好。将去噪后的板形信号离散化,作为支持向量机的学习样本,建立识别模型。引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群和遗传算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。

关键词：板形模式识别双变量阈值小波函数支持向量机布谷鸟优化算法

来源：评论

学校读者我要写书评

暂无评论

板形模式识别与控制的智能方法研究

板形模式识别与控制的智能方法研究

引用

作者：李楠燕山大学

学位级别：硕士

现代工业的发展对冷轧带钢生产提出了更高的要求,不断提高板材产品的板形质量成为现代高精度轧机必须解决的问题之一。因此,板形控制日益成为钢铁企业面临的重要课题,板形模式识别是板形控制的前提,为板形闭环控制系统的关键环节,也是... 详细信息

现代工业的发展对冷轧带钢生产提出了更高的要求,不断提高板材产品的板形质量成为现代高精度轧机必须解决的问题之一。因此,板形控制日益成为钢铁企业面临的重要课题,板形模式识别是板形控制的前提,为板形闭环控制系统的关键环节,也是板形控制研究的热点问题。近来,人工智能的方法以其在建模,优化和控制等方面所具有的强大功能在板形模式识别和控制领域得到了迅猛的发展。本文对国内外关于板形模式识别与控制方法的研究现状进行了综合分析,找出传统方法存在的不足,对板形模式识别与控制的智能方法进行了研究。首先,分析了现阶段神经网络板形模式识别模型存在的网络结构难以确定,学习时间长,易陷入局部极小值等问题,基于支持向量机(Support Vector Machines, SVM)与径向基(Radial Basis Function, RBF)网络的等价性,利用SVM回归训练确定RBF网络较优的初始参数,建立了基于SVM的RBF网络板形模式识别模型。其次,发现了以往板形模式识别方法中存在输入冗余的问题,利用板形基本模式的两两互反特性,将待识别样本与一对互反的基本模式的模糊距离之差作为RBF网络的输入,使网络的输入节点减半,进一步实现了板宽变化时网络结构的固定化和简单化,提高了板形模式识别的精度和速度。再次,分析了以往板形智能控制方法的局限性,提出了板形控制的动态矩阵方法,该方法考虑到生产的实时特性,建立了板形控制的预测模型,不断调整反应板形特征参数量与调节量之间数学关系的板形影响矩阵,实时为板形控制提供依据。最后,通过仿真实验对本文所提出的改进的基于SVM的RBF网络板形模式识别方法以及板形控制的动态矩阵方法进行了仿真验证。

关键词：板形模式识别 RBF网络 SVM 模糊距离板形控制

来源：评论

学校读者我要写书评

暂无评论

基于优化终端滑模模糊神经网络的板形模式识别

引用

矿冶工程 2017年第5期37卷 109-113,117页

作者：吴忠强康晓华于丹琦燕山大学电气工程学院工业计算机控制河北省重点实验室河北秦皇岛066004

针对板形模式识别问题,将板形信号离散化、归一化,作为终端滑模模糊神经网络的学习样本,建立识别模型。在模糊神经网络的基础上,利用终端滑模权值调整律代替梯度下降法的权值调整律,提高网络的精度。为了进一步提高识别的精度以及收敛速... 详细信息

针对板形模式识别问题,将板形信号离散化、归一化,作为终端滑模模糊神经网络的学习样本,建立识别模型。在模糊神经网络的基础上,利用终端滑模权值调整律代替梯度下降法的权值调整律,提高网络的精度。为了进一步提高识别的精度以及收敛速度,引入布谷鸟算法优化模糊神经网络的模型参数。仿真结果表明,提出的识别模型对训练样本和未训练样本的平均最小方差分别为0.000 5和0.011 0,比模糊神经网络(FNN)和径向基神经网络(RBF)的值都小。对某冷轧厂宽度1 040 mm带材的一组实测板形数据识别结果表明,相比于FNN和RBF网络,CS-TSMFNN的识别效果更好。

关键词：冷轧板板形模式识别模糊神经网络快速终端滑模布谷鸟优化算法

来源：评论

学校读者我要写书评

暂无评论

冷带轧机板形模式识别及板形自适应控制研究

冷带轧机板形模式识别及板形自适应控制研究

引用

作者：李晓刚燕山大学

学位级别：博士

板形是高端冷轧带钢产品的主要衡量指标。当前,我国汽车工业处于高速发展期,高强度汽车用钢逐步成为汽车工业材料轻量化发展的主流,但高强钢的塑性差,变形抗力大等特性对板形控制提出更高的要求。本文以某高强钢1620mm冷带轧机为研究背... 详细信息

板形是高端冷轧带钢产品的主要衡量指标。当前,我国汽车工业处于高速发展期,高强度汽车用钢逐步成为汽车工业材料轻量化发展的主流,但高强钢的塑性差,变形抗力大等特性对板形控制提出更高的要求。本文以某高强钢1620mm冷带轧机为研究背景,针对其板形控制适应能力较差、高强钢板形控制效果不理想的问题,将板形模式识别及板形闭环自适应控制作为研究主线,并结合板形内环液压伺服位置系统控制、板形板厚解耦控制展开较系统深入的研究。本文主要研究工作如下:(1)针对参数摄动和负载扰动等不确定因素对冷带轧机液压伺服位置系统跟踪性能的影响,分别利用改进的扩张状态观测器(Extended state observer,ESO)和模糊自适应观测器对系统的综合不确定项进行观测估计,并设计了一种基于改进ESO的非奇异终端滑模控制器,以及一种基于模糊自适应观测器的非奇异快速终端滑模控制器。仿真验证了所设计控制器能有效提高系统的位置跟踪精度和鲁棒稳定性。(2)针对具有非线性、多变量的冷带轧机板形板厚耦合被控对象,首先利用具有较强特征识别能力的动态过程卷积神经网络(Convolutional neural network,CNN)设计冷带轧机板形板厚解耦器;其次,采用预测控制算法设计板形板厚预测控制器;最后,基于现场实际过程控制数据验证所设计的板形板厚解耦预测控制器的动态解耦性能。(3)针对神经网络板形模式识别方法中的优化参数数量多、训练过程复杂的问题,提出一种基于粒子群优化的核极限学习机(Kernel extreme learning machine,KELM)板形模式识别方法。该方法基于KELM设计板形模式识别模型,并利用粒子群算法对KELM的设定参数进行优化,最后通过基于现场板形仪检测数据验证所提方法的有效性。(4)针对板形控制系统参数随带钢特性和外部轧制环境时变的问题,基于渐消记忆递推最小二乘方法,对执行机构到板形模式的影响矩阵进行在线辨识,进而对板形进行自校正控制;分别建立了基于CNN的现场轧机板形系统仿真模型和板形自适应控制在线仿真平台,验证所提控制方法的有效性。

关键词：冷带轧机板形模式识别板形自适应控制板形板厚解耦液压伺服控制卷积神经网络核极限学习机非奇异终端滑模

来源：评论

学校读者我要写书评

暂无评论

基于改进海鸥算法结合Elman网络的板形模式识别方法

引用

矿冶工程 2023年第2期43卷 140-144,148页

作者：吕冠艳田学东李奋华山西水利职业技术学院信息工程系山西运城044000 河北大学计算机科学与技术学院河北保定071002 运城学院数学与信息技术学院山西运城044000

为了提高板形模式识别精度,提出了一种基于改进海鸥算法结合Elman网络的板形模式识别方法。将改进的海鸥算法对Elman网络权值阈值进行优化,用于板形模式识别,选取20组数据进行测试,并将结果与基于BP神经网络的板形模式识别和基于传统El... 详细信息

为了提高板形模式识别精度,提出了一种基于改进海鸥算法结合Elman网络的板形模式识别方法。将改进的海鸥算法对Elman网络权值阈值进行优化,用于板形模式识别,选取20组数据进行测试,并将结果与基于BP神经网络的板形模式识别和基于传统Elman网络的板形模式识别方法进行比较,结果表明本文算法精度更高、效果更好,均方误差MSE相比其他算法低2个数量级。

关键词：海鸥算法混沌映射板形模式识别 Elman神经网络板形控制

来源：评论

学校读者我要写书评

暂无评论

万有引力算法的改进及在板形模式识别中的应用

万有引力算法的改进及在板形模式识别中的应用

引用

作者：李鹏飞燕山大学

学位级别：硕士

万有引力算法(Gravitational Search Algorithm,GSA)是Rashedi在2009年提出的一种全局启发式优化算法，该寻优算法虽然在大多数情况下都要比遗传算法和粒子群算法寻优效果好，但是仍然存在自身的缺陷，有必要对其进行改进。板带材在国... 详细信息

万有引力算法(Gravitational Search Algorithm,GSA)是Rashedi在2009年提出的一种全局启发式优化算法，该寻优算法虽然在大多数情况下都要比遗传算法和粒子群算法寻优效果好，但是仍然存在自身的缺陷，有必要对其进行改进。板带材在国民生产中具有广泛的应用，随着制造业的发展，对带钢板形要求也更加严格。板形模式识别是板形控制的重要前提，识别模型的质量直接影响到控制的结果。本文针对以上内容做了如下工作：首先，为了克服GSA自身的缺陷同时提高其探索能力和开发能力，本文在原算法中加入了两个算子(算子a和算子b)。算子a通过模拟自然界中生物种群的进化规律，以加快种群的进化速度；算子b既保持了种群的寻优精度不会下降，又可以增强算法的开发能力。两个算子结合起来使原算法的总体性能得到加强。使用23个标准函数测试改进后的万有引力算法，发现两个算子能有效地提高原算法的优化性能。其次，针对目前板形数据模式识别模型泛化能力不高、训练速度慢、抗干扰能力差等缺陷，本文以勒让德正交多项式为板形缺陷基本模式，构建了基于支持向量回归机(SupportVectorRegression,SVR)的板形模式识别模型。为了提高该模型的识别精度，引入改进的万有引力算法(IGSA)优化SVR中的参数，由此构成IGSA-SVR预测模型。实验证明，该模型不仅训练速度快、识别结果精度高，而且具有很强的泛化能力和抗干扰能力，识别结果能够为板形控制系统提供有效的依据。

关键词：万有引力算法板形模式识别勒让德多项式支持向量机模型

来源：评论

学校读者我要写书评

暂无评论

冷轧带钢板形模式识别与智能控制研究

冷轧带钢板形模式识别与智能控制研究

引用

作者：张少川华北理工大学

学位级别：硕士

板带材是钢铁行业的主干产品,随着我国经济的持续增长和人们生活水平的显著提升,用户对板带材的质量提出了更高的要求。板形控制是保证和提升板带材品质的核心环节,具有多参数、强耦合、非线性等特点,控制难度大。因此,深入研究板形模... 详细信息

板带材是钢铁行业的主干产品,随着我国经济的持续增长和人们生活水平的显著提升,用户对板带材的质量提出了更高的要求。板形控制是保证和提升板带材品质的核心环节,具有多参数、强耦合、非线性等特点,控制难度大。因此,深入研究板形模式识别与智能控制,对于提高板形质量、降低板形缺陷、提高经济效益具有重要意义。首先,针对板形仪检测数据存在随机噪声以及板形特征提取不充分的问题,提出了一种基于栈式稀疏去噪自编码器(Stacked Sparse Denoising Auto-Encoder,SSDAE)和改进猎食者优化算法(Improved Hunter Prey Optimization,IHPO)优化核极限学习机(Kernel Extreme Learning Machine,KELM)的板形模式识别模型。为提高模型的识别精度,构建了SSDAE网络提取板形特征,再利用IHPO算法快速优化KELM的设定参数。通过实验仿真,验证了该模型的有效性。其次,针对板形智能控制系统中具有多种数据特征的问题,提出了一种多核极限学习机(Multiple Kernel Extreme Learning Machine,MKELM)板形预测模型,并采用拉依达准则和最大互信息确定板形预测模型的输入,利用IHPO算法优化预测模型的设定参数。通过实验仿真,验证了该预测模型具有良好的预测效果。最后,针对传统理论建立的模型和控制方法无法满足轧制过程中非线性因素的问题,提出了一种基于MKELM的板形智能控制系统。在控制系统的设计上,开发了一种基于MKELM板形控制器,通过IHPO算法优化控制器参数。以倾辊、工作辊弯辊和中间辊弯辊为板形调节手段,消除板形偏差。利用某钢厂的UCM机组实际生产数据进行仿真实验,验证了板形智能控制系统的有效性。图31幅;表10个;参56篇。

关键词：板形模式识别改进猎食者算法核极限学习机板形预测模型板形智能控制

来源：评论

学校读者我要写书评

暂无评论

基于小波消噪和智能优化算法的板形模式识别

基于小波消噪和智能优化算法的板形模式识别

引用

作者：康晓华燕山大学

学位级别：硕士

近年来,作为第四次工业革命的核心,人工智能在模式识别领域扮演着越来越重要的角色,其在语音、自然语言处理、计算机视觉、机器学习、知识图谱识别、分类、跟踪等方面的应用越来越广泛,人工智能在逐步的改变人类社会的各个方面。作为国... 详细信息

近年来,作为第四次工业革命的核心,人工智能在模式识别领域扮演着越来越重要的角色,其在语音、自然语言处理、计算机视觉、机器学习、知识图谱识别、分类、跟踪等方面的应用越来越广泛,人工智能在逐步的改变人类社会的各个方面。作为国民经济的支撑行业,钢铁工业一直以来都是备受关注的。随着科学技术的不断进步,各行各业对板带材质量的要求越来越严格。而轧制出高质量的板带材的首要任务就是提高板形模式识别的精度。将人工智能引入到板形模式识别当中,不仅可以提高板形模式识别的准确率而且还能加快识别速度。基于此本文的主要研究工作如下:针对在板形信号的测量当中存在噪声信号的问题,首先利用双变量阈值小波去噪,解决了软、硬阈值函数在处理小波系数方面存在的问题,使得去噪的效果更好。为了提高板形模式识别的准确率,提出基于支持向量机的板形识别模型。支持向量机在解决小样本、非线性和高维数的建模问题上,表现出较强的学习能力和泛化能力。将去噪后的板形信号离散化,作为支持向量机的学习样本,引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群、遗传和网格搜索算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。考虑到在实际信号当中,在去除噪声的同时,保留信号的奇异性也很重要,提出自适应阈值函数的小波去噪方法。针对支持向量机只适合单输入、单输出系统的问题,提出终端滑模模糊神经网络的板形识别模型。利用终端滑模权值调整律代替梯度下降法的权值调整律,提高网络的精度。引入布谷鸟算法优化模糊神经网络的模型参数,进一步提高识别的精度和收敛速度。仿真结果表明,提出的识别模型取得了更好的识别效果。

关键词：板形模式识别小波去噪支持向量机模糊神经网络布谷鸟优化算法

来源：评论

学校读者我要写书评

暂无评论

基于加权海明距离差的板形模式识别方法及其工程应用研究

基于加权海明距离差的板形模式识别方法及其工程应用研究

引用

作者：章彩云中南大学

学位级别：硕士

由于公司初步涉入高精度铜板带的生产,技术人员和操作人员大多缺乏对产生板形缺陷原因的认识,在板形调控手段的应用上存在很大的盲目性,导致产品的板形质量不稳定。本文根据铜陵金威铜业有限公司1250铜板带粗轧机组和其所配置的ABB板形... 详细信息

由于公司初步涉入高精度铜板带的生产,技术人员和操作人员大多缺乏对产生板形缺陷原因的认识,在板形调控手段的应用上存在很大的盲目性,导致产品的板形质量不稳定。本文根据铜陵金威铜业有限公司1250铜板带粗轧机组和其所配置的ABB板形控制系统的实际应用情况,针对铜板带材在实际生产过程中的板形质量问题,通过理论分析,对粗轧机预设定模型和板形控制模型进行研究,并结合板形模式识别中存在的实际问题主要做了以下工作： 1、阐述了板形的基本概念、板形控制策略及板形控制研究现状。 2、对ABB板形系统在实际生产过程中的应用进行了较深入的研究,找出ABB板形系统存在的问题,并提出改进的方案。 3、利用勒让德正交多项式的三对两两互反特性,来表示六种板形基本模式,提出改进的板形模式识别方法,即提出基于加权海明(hamming)距离差的模糊模式识别。避免了多项式回归所带来的回归计算量较大,抗干扰能力差的缺点。 4、结合实例,计算结果表明,改进的方法,提高了板形模式识别的精度和速度。 5、建立了粗轧机板形标准曲线的设定模型,推导出三个隶属度分别代表勒让德正交多项式的一次、二次、四次的板形的特征参数。明确了目标曲线中各个参数的实际操控意义。新的板形标准曲线对提高轧机的现场调节能力和带材的板形质量具有重要指导意义。

关键词：铜板带粗轧 ABB板形板形模式识别海明距离差板形控制

来源：评论

学校读者我要写书评

暂无评论

基于径向基函数神经网络的板形模式识别研究

引用

工业仪表与自动化装置 2009年第3期 7-9页

作者：张秀玲陈丽杰季颖逄宗鹏燕山大学电气工程学院河北秦皇岛066004 燕山大学工业计算机控制工程河北省重点实验室河北秦皇岛066004

针对板带轧制过程中用于辨识板形模式的网络精度较低、在线速度较慢和获得网络辨识模型较复杂的问题,提出了一种基于径向基函数神经网络(RBF)的板形模式识别方法。该方法使输入节点减少,网络模型简化,并用模糊C均值算法和伪逆法确定RBF... 详细信息

针对板带轧制过程中用于辨识板形模式的网络精度较低、在线速度较慢和获得网络辨识模型较复杂的问题,提出了一种基于径向基函数神经网络(RBF)的板形模式识别方法。该方法使输入节点减少,网络模型简化,并用模糊C均值算法和伪逆法确定RBF网络的参数,解决了传统方法学习时间较长的问题。实验表明,该方法能有效的提高板形模式识别的精度和速度。

关键词：板形模式识别 RBF网络模糊C均值算法伪逆法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：