导读:本文包含了板形预测论文开题报告文献综述及选题提纲参考文献，主要关键词:BP神经网络,有限元原理,板形预测控制
板形预测论文文献综述
窦兆一[1]（2018）在《基于BP神经网络与有限元原理的板形预测控制研究》一文中研究指出板带材是一种广泛应用于我国交通领域以及机电化工领域的原材料之一。随着人们对其质量和技术含量要求的不断提高,钢材板带的比重呈现不断上升的趋势。板形的概念,是基于板带轧制的过程来说的,主要是指轧制过程中原材料发生塑性变形的过程。随着科学技术的不断发展,BP神经网络和有限元原理被应用在板形的预测和控制工作中,成为一种新的慢性预测与控制手段。鉴于此,重点介绍BP神经网络和有限元原理给板形预测和控制工作带来的积极意义。(本文来源于《自动化应用》期刊2018年03期）
赵强,汪晋宽,韩英华[2]（2017）在《基于多元线性回归的板形平直度预测控制研究》一文中研究指出在板形闭环控制系统中,板形检测仪一般安装在距末机架出口3~5m处,在低速过渡轧制过程中板形检测信号明显滞后,导致带钢头尾很长一段(有时长达数百米)板形较差。本文系统分析了冷连轧机板形闭环控制系统的构成及其控制规律,深入研究板形表示方法、常见的板形缺陷及将其消除的控制策略。提出了基于小波分析的板形模式识别方法,并采用最小二乘法确定一次板形分量和二次板形分量。建立了板形分量的多元线性回归模型,采用带有遗忘因子的递推最小二乘法估计出模型系数,给出了板形滚动优化控制算法,得到局部最优控制量,有效的消除了板形缺陷。利用Matlab软件平台编写了板形预测控制程序,采用实际轧制数据进行仿真实验。仿真结果表明,本文所建立的板形预测控制系统具有良好的控制效果,改善了低速过渡轧制过程中的板形质量,具有一定的工程指导意义。(本文来源于《第十一届中国钢铁年会论文集——S03.轧制与热处理》期刊2017-11-21）
李昕航[3]（2017）在《基于数据挖掘的冷连轧过程板形缺陷预测与诊断方法研究》一文中研究指出冷连轧过程具有多工况、多变量、非线性、大数据等特点,板形缺陷成因复杂,基于机理模型的方法难以胜任板形缺陷的在线预测和诊断。本文以宝钢2030mm冷轧过程DSR板形控制系统为应用对象,采取多元统计分析、数据挖掘等数据驱动技术,研究多工况下冷轧过程的板形预测及缺陷识别问题。针对DSR动态板形控制系统的多工况以及某些工况下的产品缺陷数据具有小样本的特点,提出了一种基于支持向量机(SVM)的板形在线监测方法。首先,将过程变量进行主成分分析(PCA),所得到的主成分作为支持向量机的输入,将板形变量正交分解后作为支持向量机的输出,通过迭代计算、训练,最终得到多输入单输出的板形回归预测模型;然后,利用贝叶斯准则优化支持向量机的系数,更新支持向量机回归模型,克服不确定性信息对板形预测精度的影响。实验结果表明,该方法可以有效解决多工况下的快速板形建模问题,板形预测精度高。针对DSR动态板形控制系统的多工况、海量数据等特点,改进了传统的频繁模式挖掘算法——Apriori算法,实现多工况下板形缺陷数据的频繁模式挖掘。首先,利用主成分分析(PCA)进行过程变量降维;然后,利用PCA方法中的SPE统计量界限设置阈值,挑选故障数据;再用改进的Apriori算法对板形缺陷的关联性特征进行挖掘;最终得到每种缺陷的频繁项,形成相应的诊断知识用于故障原因的识别。实验结果表明,此方法诊断结果和现场专家的诊断结果吻合,方法可信度高,具有良好的工程应用前景。(本文来源于《南京航空航天大学》期刊2017-03-01）
蒋鑫[4]（2016）在《基于BP神经网络与有限元原理的板形预测控制研究》一文中研究指出针对2800四辊可逆式冷连轧机,结合有限元模拟了板带轧制过程,并利用MATLAB分析了板凸度的变化规律。利用有限元仿真计算结果作为训练样本和检验样本,结合BP神经网络法非线性映射的特点,建立了基于BP神经网络的板形预测模型,实现了轧制过程中板凸度的预报。分析结果表明:基于有限元与BP神经网络结合的板形预测模型能够获得良好的预测精度,解决了有限元计算时间长的缺点,弥补了传统的板形预测模型的预测精度无法满足板形在线控制的要求的缺陷。(本文来源于《山东工业技术》期刊2016年21期）
李丹,赵强,刘印,钱晓龙,韩英华[5]（2016）在《基于小波分析和神经网络的板形预测控制研究》一文中研究指出概述了板形基本概念,分析了板形缺陷及产生原因,简述了板形控制技术及原理。利用小波分析理论提高板形识别的有效性和精度,将BP算法用于前馈神经网络并与预测控制思想相结合,对消除板形缺陷的控制策略进行优化研究,并进行了仿真验证。与回归值相比,经优化后的二次板形分量更接近设定值,有效消除了板形缺陷。(本文来源于《第28届中国控制与决策会议论文集（下）》期刊2016-05-28）
李栋,陆宁云,姜斌,赵会平[6]（2015）在《基于模型移植的动态变规格冷连轧过程板形预测方法》一文中研究指出动态变规格冷轧生产过程具有多工况、变工况特征。大批量、成熟产品规格下的历史数据比较完备,而小批量、个性化产品规格下的历史数据比较匮乏,不能直接应用现有的基于数据的板形预测方法。本文应用模型移植的思想,引入PCA相似因子将变工况细分为渐变工况和突变工况,分别选用数据筛选和模型重构的移植策略,快速获得新工况下的板形预测模型。应用案例结果验证了方法的有效性。(本文来源于《第26届中国过程控制会议（CPCC2015）论文集》期刊2015-07-31）
方敏[7]（2014）在《轧制过程板形预测控制的研究》一文中研究指出轧制板带材广泛应用于国民经济各个领域，板带材的质量和需求在现代加工中的要求越来越高。为了更好的提高产品质量和提升产品价值，必须把追求良好的板形质量放到首要地位。因此，研究板形控制是一项很有意义的课题。本文以四辊冷轧机为研究对象，以实现板凸度在线预报为目的，进一步研究了板凸度的影响因素，建立了准确预报板凸度参数的模型。主要工作内容如下：（1）利用ANSYS/LS-DYNA建立了四辊冷轧机的有限元轧制模型，仿真分析带钢轧制过程板形的变化，对有限元模型进行求解和分析，主要包括板带轧制整体模拟结果的分析、板带材模拟结果的分析、轧辊模拟结果的分析叁方面。在有限元仿真的基础上，重点研究工作辊弯辊力、支撑辊弯辊力、工作辊直径、支撑辊直径、工作辊凸度、支撑辊凸度、工作辊窜辊量、支撑辊窜辊量以及板带宽度对板凸度的影响，并利用MATLAB分析了板凸度的变化规律。（2）通过引入BP神经网络建立板形预测模型来提高板凸度参数的预报精度。基于人工神经网络的概念、学习算法、在板形控制中的应用情况，详细介绍了BP神经网络模型的构建过程，包括输入输出参数的选择，神经网络模型结构的确定。（3）根据有限元分析与BP神经网络模型，建立有限元与BP神经网络结合的总体板形预测模型。利用有限元仿真分析得到的结果作为训练样本及测试样本对BP神经网络进行训练和检验，比较有限元与BP神经网络结合的板形预测模型和传统的板形预测模型的预报精度。结果证明：有限元与BP神经网络结合的板形预测模型的预报精度远远高于传统模型的预报精度。（4）利用2800四辊冷轧机进行了工程验证，进一步研究工作辊弯辊力、支撑辊弯辊力、工作辊直径、支撑辊直径、工作辊凸度、支撑辊凸度、工作辊窜辊量、支撑辊窜辊量以及板带宽度对板凸度的影响，并把实际工程中得到的数据和有限元模型的计算值进行比较，通过对比分析，得出两者的变化规律是一致的，验证了有限元仿真模型的正确性。综上所述，本文建立了基于有限元与BP神经网络相结合的板形预测模型，分析了影响板凸度的关键因素，并预报了板凸度参数，期望对提高板形控制精度提供一定的理论基础。(本文来源于《杭州电子科技大学》期刊2014-12-01）
姚钰鹏,王京[8]（2014）在《基于插值组合核的LS-SVR板形预测方法》一文中研究指出基于RBF核的LS-SVR模型,采用实验变差函数计算插值算法权值,对权系数与各训练样本内积值相乘所反映样本空间结构和相互间关联度的插值核函数进行构造,提出了一种通过Kriging空间散乱插值方法利用样本数据构造出的插值核函数与RBF核函数进行组合而成的核方法。结果表明,该方法使LS-SVR板形预测有更好的性能,在提升预测算法泛化能力的同时,实现了对板形的精准回归预测。(本文来源于《武汉科技大学学报》期刊2014年04期）
黄长清,李滔[9]（2014）在《基于极限学习机的板形预测模型》一文中研究指出高效地建立起板形模型有利于提高板带轧制过程中的板形精度和有效实现板形控制。提出了一种基于极限学习机(ELM)的板带轧制过程中板形预测模型,不但可以简化参数选择过程,在核函数选择上可以根据训练样本值自动选择无须手动选择,而且可以提高模型的训练速度。结合铝板带四连轧机组在线实测数据进行模型训练,实现对轧制过程板形的预测且得到实验验证。本算法与支持向量机(SVM)模型预测对比,在训练样本数量较少的情况下,模型预测精度都能达到期望精度值,且具有同样甚至更高的预测精度,还具有急速的特点和更强的泛化能力。(本文来源于《机械科学与技术》期刊2014年04期）
赵文姣[10]（2012）在《基于粗糙集的改进CMAC网络板形预测模型的研究》一文中研究指出钢铁是一个国家重工业发展的重要基础，板带材作为钢铁的主干产品之一，带材质量已经成为衡量一个国家钢铁工业竞争力的重要标志。随着现代工业的发展对板形质量的要求越来越高，板形自动控制的板形精度要求也越来越高。而板形预测作为板形控制的基础和前提，精确的板形预测模型的建立不仅能为板形自动控制系统提供准确可靠的板形信息，而且又是进行虚拟轧机控制实验不可缺少的一部分。为了提高板形的控制精度，提高板形预测模型的预测精度已成为日益迫切的急需解决的问题。本文对板形预测的国内外研究现状进行了分析，基于板形轧制环境的复杂性，对板形预测模型进行了研究，首先，前馈多层神经网络预测模型存在网络结构复杂和收敛速度慢的缺点，基于CMAC神经网络结构简单，学习速度快，信息分布式存储，能够快速准确地逼近任意多维非线性映射函数的能力，建立了CMAC网络预测模型。其次，针对板形影响因素的多维性和高维CMAC网络结构的复杂性，用粗糙集理论的属性约简算法对板形因素进行主要特征提取，降低CMAC网络的输入维数，简化了网络的结构同时提高模型的预测性能。再次，针对CMAC网络的学习算法中采用误差平均分配和固定的学习率，使得网络收敛速度慢和通过学习达不到最优解的问题，将误差信度分配和动态学习率引入到CMAC板形预测模型中，使得预测模型在学习时权值调整的过程中避免了对历史学习结果的腐蚀，提高了板形预测的收敛速度，动态学习率的加入进一步加快了板形预测的学习速度。最后，应用Matlab软件对以上提出基于粗糙集和改进的CMAC网络板形预测模型进行了仿真实验，并证明了本方法的有效性。(本文来源于《燕山大学》期刊2012-12-01）
板形预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在板形闭环控制系统中,板形检测仪一般安装在距末机架出口3~5m处,在低速过渡轧制过程中板形检测信号明显滞后,导致带钢头尾很长一段(有时长达数百米)板形较差。本文系统分析了冷连轧机板形闭环控制系统的构成及其控制规律,深入研究板形表示方法、常见的板形缺陷及将其消除的控制策略。提出了基于小波分析的板形模式识别方法,并采用最小二乘法确定一次板形分量和二次板形分量。建立了板形分量的多元线性回归模型,采用带有遗忘因子的递推最小二乘法估计出模型系数,给出了板形滚动优化控制算法,得到局部最优控制量,有效的消除了板形缺陷。利用Matlab软件平台编写了板形预测控制程序,采用实际轧制数据进行仿真实验。仿真结果表明,本文所建立的板形预测控制系统具有良好的控制效果,改善了低速过渡轧制过程中的板形质量,具有一定的工程指导意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
板形预测论文参考文献
[1].窦兆一.基于BP神经网络与有限元原理的板形预测控制研究[J].自动化应用.2018
[2].赵强,汪晋宽,韩英华.基于多元线性回归的板形平直度预测控制研究[C].第十一届中国钢铁年会论文集——S03.轧制与热处理.2017
[3].李昕航.基于数据挖掘的冷连轧过程板形缺陷预测与诊断方法研究[D].南京航空航天大学.2017
[4].蒋鑫.基于BP神经网络与有限元原理的板形预测控制研究[J].山东工业技术.2016
[5].李丹,赵强,刘印,钱晓龙,韩英华.基于小波分析和神经网络的板形预测控制研究[C].第28届中国控制与决策会议论文集（下）.2016
[6].李栋,陆宁云,姜斌,赵会平.基于模型移植的动态变规格冷连轧过程板形预测方法[C].第26届中国过程控制会议（CPCC2015）论文集.2015
[7].方敏.轧制过程板形预测控制的研究[D].杭州电子科技大学.2014
[8].姚钰鹏,王京.基于插值组合核的LS-SVR板形预测方法[J].武汉科技大学学报.2014
[9].黄长清,李滔.基于极限学习机的板形预测模型[J].机械科学与技术.2014
[10].赵文姣.基于粗糙集的改进CMAC网络板形预测模型的研究[D].燕山大学.2012