一、基于BP神经网络的带钢冷轧摩擦模型（论文文献综述）
陈兵,韩烬阳,唐晓垒,夏搏然[1]（2022）在《基于机器学习的拉矫延伸率预测模型及数值分析》文中提出在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机（SVM）算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R2分别为13.4%和0.953,可以为实际生产提供技术指导.
魏立新,王恒,孙浩,呼子宇[2]（2021）在《基于改进深度信念网络训练的冷轧轧制力预报》文中提出在带钢冷轧过程中,轧制力预报精度直接决定板带材的轧制精度以及产品质量。传统的基于单隐层的神经网络建模方法结构简单,对复杂函数的表达能力与泛化能力都受到一定制约;轧制现场环境复杂,数据测量存在噪声干扰,都会直接影响预报精度。针对这些问题,提出一种基于非监督学习的改进深度信念网络预测模型。深层网络的构建以及去噪机制的引入可提高系统对输入数据特征学习的能力,同时采用改进的对比散度算法对网络进行训练,提高网络训练速度。最后,利用某钢厂1 200 mm轧机组的实测数据对模型进行检验,对比分析3种不同模型,结果表明该模型对轧制力预测的平均相对误差控制在4.5%以内,建模所需时间相比于栈式自编码网络减少26%。
张书荣[3]（2021）在《六辊可逆冷轧机全轧程轧制力预测的方法研究》文中进行了进一步梳理带钢冷轧的生产技术是衡量钢铁工业发展水平的重要标志,成品的板形质量和板厚精度与轧制过程中的轧制力密切相关。轧制过程需要先后经历加速、稳速、减速三个阶段,随着轧制不断进行,轧辊磨损会引起轧辊状态的改变,若不及时更换轧辊导致冷轧过程无法正常进行。目前对轧制力预测的研究很少涉及整个轧制过程（全轧程）,本文以单机架六辊可逆冷轧机为研究对象,以提高全轧程轧制力预测精度为目标,研究了多种预测轧制力的方法。根据速度变化特性可简单分为稳速段和变速段。基于冷轧的基本原理,摩擦系数和变形抗力直接决定了轧制力的计算精度,分析两者的影响因素,建立相应的拟合模型。根据轧件宽度、带材合金号、道次数、轧制阶段等分别建立稳速段和变速段参数模型库,利用Bland-Ford-Hill公式得到轧制力预测值并加以分析。为实现对全轧程轧制力的预测,引入神经网络,同时对稳速段、变速段数据进行分析。使用加法纠偏补偿模型,结合数学方法和神经网络预测轧制力,将模型库的计算结果作为轧制力预测值的主值,建立单隐层神经网络模型预测主值与实测值的差值,对轧制力预测偏差进行补偿。同时更改网络输出参数,将轧制力作为网络的输出量,以相同的网络结构预测轧制力。并使用GA算法优化神经网络的权值阈值,建立GA-BP神经网络轧制力预测模型,减小轧制力的预测误差。针对换辊周期内参数变化的关联性,将长短期记忆（LSTM）网络应用于全轧程轧制力预测中,LSTM网络充分考虑样本点的时间序列信息,更贴近实际冷轧生产的工艺流程。根据标记的换辊信息将52136个数据点划分为50组数据集,将前40组数据作为训练集,最后10组作为预测集数据。分别从时间步长、隐藏层神经元个数、学习速率等方面进行综合对比分析,确定合适的参数取值。结果表明,使用LSTM网络模型预测精度最高,预测误差可减小到3%左右。
王兴[4]（2021）在《二十辊冷轧机板形影响因素研究》文中认为随着我国经济不断发展,对薄带材的精度要求越来越高,普通四、六辊轧机已经难以满足加工要求。二十辊冷轧机具有辊径小、整体刚度大、以及板形调整机构（ASU）等诸多优势,可以轧制更薄的带钢。目前,二十辊冷轧机主要针对辊系的变形与应力进行研究,很少涉及板带变形过程的研究。本文以某钢厂二十辊轧机为研究对象,以实际尺寸建立有限元模型,针对轧制过程中板带的变形过程进行仿真与分析。首先,依据二十辊冷轧机几何尺寸,基于Solidworks建立二十辊轧机的三维模型,并通过ANSYS/LS-DYNA模块建立二十辊轧机有限元模型,采用显式动力学算法对轧机轧制过程进行有限元求解。分析冷轧过程中轧制力、板带应力分布,采用APDL语言建立轧制后板带截面曲线,基于板形平直度求解板形指数并加以分析。然后,基于二十辊轧机有限元模型,研究板带轧制过程中各项参数（宽度、厚度、张力、速度）与板形指数之间的对应关系,对比分析多项参数对板形的影响;分析不同ASU调整方案对板形的影响,得到不同位置的支承辊背衬轴承调整参数对板形的影响关系,为获取高精度板带提供参考;针对现实中板带冷轧前通常存在缺陷的情况,通过ANSYS Workbench建立了二十辊冷轧机的1/2模型,采用静力学显式算法对板带初始含有缺陷进行轧制仿真,对板带在初始含有凸度与凹度两种不同缺陷下,对轧制后的板形的变化规律进行了总结。最后,基于BP神经网络建立了板形预测模型,引入仿真所获得的轧制过程不同工艺参数与板形指数之间的对应关系,完成对板形指数的预测;并利用遗传算法和粒子群算法对板形预测模型进行优化,获得误差更小、精度更高的板形预测模型。
王恒[5]（2020）在《基于机器学习的钢铁冷轧轧制力预测模型研究》文中研究指明带钢冷轧生产过程中,轧制力是一项至关重要的参数。其预测精度将直接影响最终产品的质量,并有效减小带材的头尾长度,提高原材料的利用率。此外,轧制力大小还决定着轧辊辊缝的预设定,对轧制过程的稳定性有直接影响。传统的机理模型结构简单且存在较多假设问题,适用面窄,无法满足要求。为了提高冷轧机组的轧制力预测精度,本文基于轧制基本理论,将机理模型同神经网络以及智能优化算法相结合来建立模型,利用现场采集的数据进行仿真。Bland-Ford-Hill公式是常用的轧制力机理模型。首先结合Bland-Ford-Hill公式,着重分析变形区参数,确定影响轧制力大小的变量,以此作为神经网络模型的输入,用神经网络来进行轧制力预测。相比于机理模型,神经网络减少了参数设置的困难,避免了繁琐的公式计算。极限学习机（Extreme Learning Machine,ELM）神经网络,因其结构简单,无法获取数据中的隐含的深层次特征。此外,对于轧制过程中产生的海量数据处理能力欠佳。为了提高对复杂目标函数的拟合能力,满足大数据集下的轧制力预测要求,建立深度神经网络（Deep Neural Network,DNN）模型来进行轧制力预测。为了解决深度网络难以训练的问题,采用批归一化（Batch Normalization,BN）算法稳定激活函数的梯度区间;采用Adam随机优化算法为参数提供自适应学习率。同时,为了提取数据中的有效信息,使用深度稀疏自编码器（Deep Sparse Auto-encoder,DSAE）完成模型的无监督训练。为了滤除现场采集数据中的噪声,进一步提高轧制力预测精度,建立引入去噪机制的深度信念网络（Deep Belief Network,DBN）。采用改进的对比散度（Contrastive Divergence,CD）算法对网络进行训练,修正参数更新过程中的梯度误差与方向误差,加快网络的收敛速度。选取Relu函数作为激活函数,避免常规激活函数如Sigmoid由于饱和非线性特性造成的梯度弥散现象。仿真结果表明,轧制力预测精度以及建模速度优于深度稀疏自编码网络。
魏新宇[6]（2019）在《基于机器学习的冷轧机轧制过程建模研究》文中认为在轧制过程当中,轧制力的初始设定决定了轧制规程的设置。并且影响着产品的质量与产量,轧制力准确的预报可以减少带材头尾长度。带材轧制过程具有多变量、非线性、强耦合的特征,如果利用传统的机理模型对轧制力进行推导预测,不仅适用面较窄,而且误差值较大,无法适应如今现场多规格产品、柔性化生产的要求。为了提高冷轧机的轧制力计算精度,从冷轧轧制基本理论出发,基于机器学习算法对轧制力进行统计建模。为了提高轧制力的预报精度,按照网络深度与学习方式建立了三种预测模型。针对传统机理模型假设过多与参数难以选取的缺陷,建立浅层机器学习模型。采用基于结构风险最小化的支持向量机模型对轧制力进行建模,考虑到支持向量机参数难以选取的问题,使用改进遗传算法对支持向量机的模型参数进行寻优处理。改进遗传算法中加入了精英策略与自适应遗传算子,以增加网络的收敛能力与局部搜索能力。浅层网络如支持向量机等模型,其表达能力受到了网络深度的限制无法有效完成对复杂函数的拟合。且在轧制生产过程当中,可提取大量轧制力相关数据。故为了满足轧制力大数据集下的预测,建立深度网络模型来预测轧制力。考虑深度网络存在梯度弥散等问题模型难以训练,本文将采取半监督方式训练深度网络模型。且为了提取更有效的模型特征,本文使用去噪自编码器完成模型无监督训练。为了使深度网络摆脱无监督学习加快网络训练,以符合轧制力对快速建模的要求,并进一步提高模型精度。建立一种新的深度网络结构,使用小批量梯度下降作为网络的基础学习方式,改善随机梯度下降与批量梯度下降存在的问题;使用Batch Normalization结构优化网络的前向传播,稳定每层网络的输入分布;利用Adam随机优化算法优化网络反向传播,在梯度更新中为不同参数提供自适应性学习率,完善梯度更新。且为了进一步解决网络的梯度弥散问题,选用Relu作为网络的激活函数。同时根据现场采集的数据,使用PYTHON语言进行仿真实验,得出的轧制力模型在精度与建模速度方面均由于常规浅层模型与半监督模型。
杜韦江[7]（2018）在《基于FPGA的BP神经网络硬件实现及应用》文中进行了进一步梳理人工神经网络能够通过对样本的学习实现任意精度的非线性映射,从而被广泛地应用于系统控制、模式识别、信号处理、信息预测等诸多领域。通常情况下,神经网络大多是基于软件实现的,软件实现的神经网络无法进行并行运算,在实时性要求较高的情况下应用受限。本文提出了一种基于FPGA的神经网络硬件实现方法,由于FPGA的高速、并行运算特性,有效地提高了神经网络的收敛速度。首先对FPGA实现BP神经网络的关键问题进行了改进,利用平滑插值法对神经网络的双极性S型激活函数进行改进,优化了FPGA实现激活函数的资源;在中间数据存储中提出采用寄存器循环缓存方式,解决了外部存储吞吐量不足的问题,保证了学习过程中各模块内部能够进行并行计算;在网络搭建中利用了FPGA深度流水线技术实现网络的串并联,优化了网络的整体运算能力。其次,利用硬件描述语言Verilog对BP神经网络各模块进行了实现并完成了整体架构的搭建。通过多个测试函数与PC平台进行实际效率的对比,经过20次对比实验,证明了FPGA实现的网络收敛速度超出软件实现速度3个数量级,为人工神经网络的硬件实现提供了重要的理论依据。最后,以带钢冷轧过程的轧制力预报为实际工程背景,完成了基于FPGA的BP神经网络轧制力预报模型的设计。利用现场采集的数据对网络进行训练与预测,实验结果表明,轧制力预报的模型的精度要高于传统的轧制力预报模型,且训练速度远快于利用PC实现BP神经网络轧制力预报模型。
王力[8]（2018）在《酸洗冷连轧机组关键过程优化控制策略研究》文中指出酸洗冷连轧机组的自动控制系统己趋于成熟,如何进一步提高冷轧产品质量和生产效率成为焦点。本文以国内首套完全自主开发的某1450mm酸洗冷连轧机组控制系统优化为背景,围绕破鳞拉矫延伸率控制、酸液流量控制、轧制力高精度设定和联合机组整体速度优化策略等开展研究,实现以产品质量和生产效率提升为核心的酸洗冷连轧关键过程优化控制,主要内容如下:（1）对酸洗冷连轧机组的自动化控制系统进行分析。过程自动化控制系统的对象为工艺过程,其主要功能有数据管理、物料带钢跟踪和模型设定等;基础自动化级控制系统的对象为机组的执行设备,主要包括带钢速度控制、机架间张力控制、全线焊缝跟踪、厚度控制和板形控制等。结合产品质量和生产效率进一步提升的需求,确定了破鳞拉矫控制、酸液流量控制、轧制力高精度设定和联合机组整体速度优化策略等关键过程的优化方向。（2）高精度延伸率控制系统构建。针对破鳞拉矫机的设备组成和工艺特点,以延伸率控制精度提高为核心,将模糊控制算法与常规PID控制算法相融合,构建模糊自适应PID间接延伸率控制系统。采用离线模糊推理得到模糊控制表,并通过在线查询与控制,有效减小延伸率的控制误差,并大幅提高破鳞拉矫机延伸率的控制精度和抗干扰能力,具有较好的动静态性能和较强的鲁棒性。（3）基于案例推理的酸液控制系统优化。将案例推理的方法引入到酸液控制系统中,综合考虑钢种物理属性、酸液参数和带钢运行速度等因素的影响,建立酸洗过程生产工况案例库,通过在历史案例库中搜索与当前工况相似的历史案例,依据相似度不同进行重用或修正,最终控制酸液流量的变频泵转速,提高变频泵的转速对运行工况变化的适应能力。（4）冷连轧机力臂系数模型开发。力臂系数是冷轧力能参数计算的核心要素,建立一种简化的三维弹塑性有限元模型来模拟冷轧过程,获得轧制压力和力臂系数的分布状态,分析压下率、前后张力、变形抗力和摩擦系数等工艺参数对轧制压力和力臂系数的影响规律,并利用BP（Back Propagation）神经网络处理在线实测数据,回归得到冷连轧机力臂系数的数学模型。（5）基于能量法的高精度力能参数建模。采用广义胡克定律和极坐标直接积分来计算弹性区轧制力,提出一种简化的速度场,计算塑性区变形、剪切及摩擦等各项功率,并考虑张力对冷轧过程的影响,得到形式简单、易于现场控制应用的轧制力解析模型;以力臂系数模型为基础,考虑轧辊压扁的影响,采用循环迭代的方法获得轧制力解析解,利用模型分析前后张力、摩擦系数和压下率等工艺参数对中性点、应力状态系数等参数的影响规律。（6）速度优化控制策略研究。针对人工控制机组各区域速度较难达到最佳状态的问题,分析活套套量变化规律及速度运行特性,建立以带钢跟踪系统为基础,以速度均衡、产量最大化和活套套量平稳均衡为目标的评价函数,并利用修正Powell法求解获得了各区速度的最优值。结果表明,速度优化后的酸洗速度明显高于人工设定的方式,有效提高了机组运行效率。针对酸洗冷连轧机组关键过程优化控制策略的相关研究成果己成功应用于某1450mm酸洗冷连轧生产线,有效提高了产品的质量和生产效率,为企业创造了良好的经济效益。
王晓宇[9]（2018）在《冷连轧过程关键控制模型的优化》文中指出带钢冷连轧过程的“定制化”生产模式导致了轧制过程中更加频繁地切换品种规格,在动态变规格等非稳态轧制条件下,由于模型设定精度不高导致生产稳定性和产品质量精度降低。本文以提高非稳态轧制过程的稳定性和带钢宽度控制精度为出发点,对轧制过程数学模型和宽度控制策略进行了深入研究,本文的主要研究内容如下:（1）针对某1450mm冷连轧厂“以销定产”实现零库存的刚需,首次提出卷内动态变规格（In Coil Gauge Change）的控制思路,开发一套可用于工程实践的卷内动态变规格软件包,满足了该冷连轧生产线多规格、小批量、按重量生产的定制化要求。（2）为提高非稳态过程的轧制精度,对带钢冷连轧轧制模型中的轧机纵向刚度特性、轧制力模型及电机功率模型进行了优化。基于弹塑性有限元法,建立六辊UCM轧机的高精度三维数值仿真模型,获得了轧机的纵向刚度特性与中间辊横移值的关系;采用遗传算法与BP神经网络结合的方法对轧制力模型进行智能优化,结果表明采用该方法轧制力的预报误差控制在±4.5%之内;为提高电机功率计算精度,提出基于理论模型与功率损耗测试的方法计算电机功率,电机功率模型的计算偏差可以控制在±5%以内。（3）为满足用户对冷连轧带钢产品宽度的高精度要求,使用有限元模拟的方法建立与现场实际相吻合的带钢宽展数值计算模型,采用单一因素轮换法模拟了不同轧制工艺参数对轧后带钢宽度的影响,获得了压下率、前后张应力、变形抗力和摩擦系数对带钢宽度的影响规律。（4）采用五因素、四水平正交试验的方法进行仿真试验,利用极差分析法分析五个因素对宽展的影响程度,结果表明压下率对宽展影响最为明显,并在此基础上回归得到了不同轧制工艺参数影响带钢宽度的数学模型。本文的研究结果针对板带冷连轧的非稳态轧制过程,具有较强的实用性。目前,已将部分研究结果成功应用于某1450mm五机架冷连轧机组,对我国板带冷连轧控制水平的提高具有积极的促进作用。
刘元铭[10]（2017）在《基于能量法的板带轧制力和形状控制数学模型研究》文中提出数学模型是板带材轧制计算机控制系统的重要基础,精准的预测模型是获得高质量板带产品的重要保障。能量法是以连续统模型对变形体进行整体积分,结果能清楚地反映出不同变量之间的力学关系。本文以提高板带轧制生产中轧制力和形状参数模型预测精度为目的,采用能量法建立了板带热轧、冷轧和变厚度轧制过程中轧制力和形状参数的精确预测模型,优化成形过程参数,从物理本质角度去认识、分析和解决轧制中的各参数之间关系,具有重要的理论价值和实际应用价值。本文的主要研究内容和结果如下:（1）采用有限元模拟研究板坯立轧的变形特点,假设立轧为平面变形,基于流函数性质和体积不变条件,首次建立了立轧正弦函数狗骨模型及相应运动许可的速度场。针对平面变形假设带来的偏差,根据双流函数性质建立了立轧三维变形的三次曲线狗骨模型及相应的速度场。成功的将以上两种模型和方法应用到立轧中,得出轧制力和狗骨形状参数的数值解和解析解。利用模型研究了减宽率、板坯厚度和立辊半径等轧制工艺参数对立轧后狗骨形状和应力状态影响系数的影响。狗骨形状和轧制力的预测结果与其他模型和现场实测数据吻合良好,对于立轧控宽和轧制力的预报具有重要意义。（2）针对粗轧平轧中板坯自然宽展和可能存在的狗骨回展问题,首先利用矩形板坯平轧过程来研究自然宽展,基于能量法得到粗轧轧制力和轧后宽展的数值解,根据得到的理论解数据回归了板坯自然宽展及速度场中加权系数的模型。对于立平轧后狗骨形状回展的复杂问题,提出了一种结合有限元和BP神经网络研究狗骨形状回展百分比模型的方法,根据立轧狗骨模型计算狗骨形状面积得到不同轧制规程下狗骨形状的平轧回展。结果表明:压下率和轧辊半径增加宽展增加,板坯宽度增加宽展减小。利用以上模型预测立平轧时的宽展和轧制力与现场实测数据最大偏差小于4.79%,具有较高的命中率。（3）提出了一个新的满足精轧变形过程运动许可条件的指数速度场和相应的应变速度场,对热连轧精轧过程轧制力进行解析,基于能量法得到总功率泛函、轧制力矩和轧制力的解析解,利用模型研究了轧辊弹性压扁对轧制力的影响,以及轧制工艺参数对中性点位置和应力状态影响系数的影响。精轧时的中性点更靠近带钢的入口,轧制力的解析解与现场实测数据偏差小于7.59%,满足工业现场应用的要求。（4）冷轧过程存在较大的入口弹性压缩和出口弹性恢复变形,根据广义胡克定律并且考虑前后张力对变形区尺寸的影响,得到精确的弹性区轧制力模型。建立满足冷轧塑性区变形运动许可条件的双曲正弦函数速度场和应变速度场,考虑前后张力和轧辊压扁对轧制力的影响,迭代得到冷轧总轧制力的解析解。针对冷轧力臂系数难以确定的问题,结合轧制过程有限元模拟和现场数据,首次提出了一种基于BP神经网络的冷轧力臂系数模型。利用本文模型研究了轧制工艺参数对应力状态影响系数和中性点位置的影响,模型预测的轧制力比现场实测值略大,但偏差在3.31%以内,冷轧变形区的中性点更靠近带钢的出口。（5）考虑变厚度轧制时轧辊上移或下移的影响,根据轧制变形区体积不变条件建立了变形时的速度场和应变速度场,首次利用能量法得到增厚轧制和减薄轧制过程中轧制力的解析解。基于本文模型研究了变厚度轧制时咬入角、中性角和应力状态影响系数等的变化规律。以中厚板现场MAS轧制和冷轧差厚板的实测数据验证了本文模型的正确性,以上解法为采用能量法获得动态轧制过程的解析解提供了新思路。
二、基于BP神经网络的带钢冷轧摩擦模型（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于BP神经网络的带钢冷轧摩擦模型（论文提纲范文）
（1）基于机器学习的拉矫延伸率预测模型及数值分析（论文提纲范文）
| 1 数学解析算法 |
| 2 拉矫生产工艺数据预处理 |
| 3 延伸率预测模型 |
| 3.1 预测模型及优化 |
| 3.2 模型精度分析 |
| 4 结 论 |
（2）基于改进深度信念网络训练的冷轧轧制力预报（论文提纲范文）
| 1 引言 |
| 2 深度神经网络 |
| 2.1 受限玻尔兹曼机 |
| 2.2 去噪受限玻尔兹曼机模型建立 |
| 3 网络训练算法 |
| 4 轧制力预报 |
| 4.1 数据集及模型输入的确定 |
| 4.2 仿真结果分析 |
| 5 结论 |
（3）六辊可逆冷轧机全轧程轧制力预测的方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 冷轧工艺的生产流程 |
| 1.3 可逆冷轧机的轧制过程 |
| 1.4 轧制力预测方法的研究现状 |
| 1.5 研究的主要内容 |
| 2 冷轧过程的理论基础及轧制参数数学模型的设定 |
| 2.1 冷轧过程中的几何参数 |
| 2.1.1 变形区 |
| 2.1.2 简单轧制 |
| 2.1.3 咬入角和接触弧长 |
| 2.1.4 体积不变原理和金属秒流量相等法则 |
| 2.1.5 中性角的定义及计算 |
| 2.1.6 前滑值的计算公式 |
| 2.2 轧制力的数学公式 |
| 2.2.1 冷轧轧制力计算的特点 |
| 2.2.2 常用轧制力的数学模型 |
| 2.3 影响轧制力的参数变量 |
| 2.3.1 摩擦系数 |
| 2.3.2 变形抗力 |
| 2.3.3 张力 |
| 2.4 摩擦系数的数学模型 |
| 2.4.1 计算公式 |
| 2.4.2 拟合模型 |
| 2.5 变形抗力的数学模型 |
| 2.5.1 计算公式 |
| 2.5.2 拟合模型 |
| 2.6 本章小结 |
| 3 结合数学模型和神经网络预测轧制力 |
| 3.1 数学模型下全轧程轧制力预测 |
| 3.1.1 稳速段模型库 |
| 3.1.2 变速段模型库 |
| 3.1.3 预测精度的评价指标 |
| 3.1.4 全轧程预测结果及分析 |
| 3.2 全轧程参数的变化特点 |
| 3.2.1 轧制力与轧制速度的关系 |
| 3.2.2 轧制速度与摩擦系数的关系 |
| 3.3 神经网络对轧制力的偏差补偿研究 |
| 3.3.1 算法原理及训练流程 |
| 3.3.2 结构设计 |
| 3.3.3 参数设定 |
| 3.4 仿真结果及分析 |
| 3.5 本章小结 |
| 4 GA-BP神经网络预测轧制力 |
| 4.1 使用神经网络预测轧制力 |
| 4.2 GA算法优化神经网络 |
| 4.2.1 主要特征 |
| 4.2.2 基本要素 |
| 4.2.3 计算流程 |
| 4.3 GA-BP混合算法优化流程 |
| 4.4 轧制力预测仿真及结果分析 |
| 4.5 本章小结 |
| 5 基于LSTM神经网络的轧制力预测 |
| 5.1 抽象问题 |
| 5.2 LSTM神经网络 |
| 5.2.1 实现原理 |
| 5.2.2 训练过程 |
| 5.3 构建网络结构 |
| 5.3.1 输入参数 |
| 5.3.2 隐含层神经元数 |
| 5.3.3 轧制力预测步骤 |
| 5.4 预测结果及分析 |
| 5.4.1 不同参数下的预测结果 |
| 5.4.2 LSTM神经网络的预测结果及分析 |
| 5.4.3 多种方法预测结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（4）二十辊冷轧机板形影响因素研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 二十辊冷轧机特点 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容 |
| 2 有限元理论分析与板形评价方法 |
| 2.1 有限元理论介绍 |
| 2.1.1 有限元方法概念 |
| 2.1.2 有限元在轧制仿真中的应用 |
| 2.1.3 有限元分析中的非线性问题 |
| 2.1.4 有限元算法的确定 |
| 2.1.5 有限元仿真软件的确定 |
| 2.2 板形基本知识简介 |
| 2.2.1 板形基本概念 |
| 2.2.2 板形不良的介绍 |
| 2.2.3 板形平直度表示方法 |
| 2.3 本章小结 |
| 3 二十辊冷轧机有限元建模 |
| 3.1 二十辊冷轧机的结构 |
| 3.2 二十辊冷轧机物理模型 |
| 3.3 二十辊冷轧机有限元建模 |
| 3.3.1 二十辊冷轧机基本参数 |
| 3.3.2 冷轧机有限元模型的建立 |
| 3.3.3 边界条件与工艺参数的设定 |
| 3.3.4 有限元求解 |
| 3.4 本章小结 |
| 4 二十辊冷轧机仿真结果与板形控制 |
| 4.1 动态轧制过程仿真 |
| 4.1.1 动态轧制工艺参数的设定 |
| 4.1.2 动态仿真结果及分析 |
| 4.2 板形指数影响因素与分析 |
| 4.2.1 板宽对板形指数的影响 |
| 4.2.2 板厚对板形指数的影响 |
| 4.2.3 轧件张力对板形指数的影响 |
| 4.2.4 轧件速度对板形指数的影响 |
| 4.3 支承辊ASU径向调整对板形的影响 |
| 4.3.1 支承辊ASU径向调整结构与原理 |
| 4.3.2 ASU调整对板形影响 |
| 4.4 板带初始缺陷下冷轧板形 |
| 4.4.1 初始板带的缺陷 |
| 4.4.2 二十辊冷轧机静力有限元模拟 |
| 4.4.3 结果的分析与讨论 |
| 4.5 本章小结 |
| 5 基于神经网络的板形指数预测与优化 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络结构 |
| 5.1.2 BP神经网络学习过程 |
| 5.1.3 BP神经网络优缺点 |
| 5.2 BP神经网络的板型指数预测实验 |
| 5.2.1 板形预测模型结构 |
| 5.2.2 板形指数预测模型设计 |
| 5.3 基于BP神经网络板形预测模型学习及分析 |
| 5.4 GA-PSO混合算法优化板形预测模型 |
| 5.4.1 GA结合PSO优化BP神经网络模型 |
| 5.4.2 算法参数的确定 |
| 5.4.3 优化结果分析 |
| 5.4.4 GA-PSO算法对板形预测模型优化 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（5）基于机器学习的钢铁冷轧轧制力预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 带钢冷轧轧制力研究现状 |
| 1.3 人工智能方法在回归预测中的应用 |
| 1.3.1 神经网络模型在轧制力预测中的应用 |
| 1.3.2 深度学习的发展及其在回归预测问题中的应用 |
| 1.4 论文研究内容及结构安排 |
| 第2章 基于极限学习机网络模型的轧制力预测 |
| 2.1 引言 |
| 2.2 极限学习机网络模型分析 |
| 2.3 结构增长型极限学习机模型 |
| 2.4 轧制机理模型分析 |
| 2.4.1 塑性变形区参数分析 |
| 2.4.2 变形抗力回归计算 |
| 2.5 仿真结果及分析 |
| 2.6 本章小结 |
| 第3章 基于深度稀疏自编码极限学习机轧制力预测 |
| 3.1 引言 |
| 3.2 深度网络模型建立 |
| 3.2.1 无监督自动编码器网络 |
| 3.2.2 引入稀疏限制因素的自编码器 |
| 3.3 网络训练算法 |
| 3.3.1 批归一化算法 |
| 3.3.2 逐层贪婪训练算法与Adam优化算法 |
| 3.4 深度网络下的轧制力预测 |
| 3.4.1 深度网络模型参数确定 |
| 3.4.2 仿真结果及分析 |
| 3.5 本章小结 |
| 第4章 基于改进深度信念网络的轧制力预测 |
| 4.1 引言 |
| 4.2 深度信念网络模型 |
| 4.2.1 受限波尔兹曼机 |
| 4.2.2 引入去噪机制的深度信念网络 |
| 4.3 网络训练算法 |
| 4.3.1 对比散度算法 |
| 4.3.2 改进对比散度算法 |
| 4.4 改进深度信念网络下的轧制力预测 |
| 4.4.1 模型准备阶段 |
| 4.4.2 仿真结果及分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于机器学习的冷轧机轧制过程建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 带钢冷轧轧制力建模研究 |
| 1.2.1 冷轧生产概况 |
| 1.2.2 轧制力预报模型研究 |
| 1.3 机器学习方法在轧制力预报中的应用 |
| 1.4 深度学习的发展以及软测量上的应用 |
| 1.5 研究内容与结构安排 |
| 第2章 基于IAGA-SVM模型的轧制力预报 |
| 2.1 引言 |
| 2.2 SVM机器学习模型 |
| 2.2.1 支持向量机回归模型分析 |
| 2.2.2 SVM参数分析 |
| 2.3 基于遗传算法的参数优化 |
| 2.3.1 改进IAGA算法 |
| 2.3.2 IAGA优化SVR |
| 2.4 IAGA-SVR轧制力预报 |
| 2.4.1 轧制力机理模型 |
| 2.4.2 IAGA-SVR模型仿真 |
| 2.5 本章小结 |
| 第3章 基于去噪自编码的半监督轧制力预报 |
| 3.1 引言 |
| 3.2 半监督学习 |
| 3.2.1 无监督预学习与有效特征分析 |
| 3.2.2 半监督栈式自编码网络 |
| 3.3 半监督网络下的轧制力预报 |
| 3.3.1 半监督网络模型与实验仿真 |
| 3.4 本章小结 |
| 第4章 基于深度学习网络的轧制力预报 |
| 4.1 引言 |
| 4.2 深度网络模型 |
| 4.2.1 多层BP神经网络与网络向量化 |
| 4.2.2 小批量梯度下降方法 |
| 4.2.3 批归一化网络结构 |
| 4.2.4 Adam随机优化方法 |
| 4.2.5 线性整流激活函数 |
| 4.3 深度网络下的轧制力预报 |
| 4.3.1 深度网络轧制力预报模型 |
| 4.3.2 实验仿真与结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（7）基于FPGA的BP神经网络硬件实现及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关技术的发展及研究现状 |
| 1.2.1 神经网络实现技术研究历史 |
| 1.2.2 FPGA发展现状 |
| 1.2.3 神经网络在轧制力预报的现状 |
| 1.3 论文结构及内容安排 |
| 第2章 神经网络及其实现技术 |
| 2.1 人工神经网络基本原理 |
| 2.1.1 神经元模型 |
| 2.1.2 神经网络模型分类 |
| 2.1.3 神经网络学习方法 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络算法 |
| 2.2.2 BP神经网络的改进 |
| 2.3 神经网络的实现技术分类 |
| 2.4 本章小结 |
| 第3章 FPGA实现人工神经网络的几个关键技术改进 |
| 3.1 利用平滑插值法对神经网络的激励函数进行实现 |
| 3.1.1 神经网络激励函数的选择和实现方法 |
| 3.1.2 双极性S函数的平滑插值法逼近 |
| 3.1.3 双极性S函数硬件实现以及误差分析 |
| 3.2 循环缓存技术实现中间数据存储 |
| 3.2.1 FPGA存储技术 |
| 3.2.2 循环缓存技术实现方法 |
| 3.3 FPGA的并行计算与深度流水线技术 |
| 3.3.1 FPGA的深度流水线技术 |
| 3.3.2 流水线技术在神经网络中的应用 |
| 3.4 定点小数实现神经网络 |
| 3.5 本章小结 |
| 第4章 基于FPGA的BP神经网络的设计与实现 |
| 4.1 基于FPGA的BP神经网络的整体结构设计 |
| 4.1.1 单个神经元的FPGA实现 |
| 4.1.2 BP神经网络的FPGA实现 |
| 4.2 基于FPGA的BP神经网络的各模块设计 |
| 4.2.1 MAC模块 |
| 4.2.2 激励函数模块 |
| 4.2.3 各存储模块 |
| 4.2.4 误差计算模块 |
| 4.2.5 更新模块 |
| 4.3 基于FPGA的BP神经网络及性能测试 |
| 4.3.1 单输入BP神经网络逼近sinx函数 |
| 4.3.2 多输入BP神经网络逼近复杂非线性函数 |
| 4.4 本章小结 |
| 第5章 基于FPGA的BP神经网络在轧制预报中的应用 |
| 5.1 传统的带钢冷轧机参数模型 |
| 5.1.1 冷轧轧制变形区及其参数 |
| 5.1.2 传统的冷轧轧制力数学模型 |
| 5.2 单机架BP神经网络轧制力模型 |
| 5.2.1 输入和输出层节点的确定 |
| 5.2.2 隐含层节点数的确定 |
| 5.2.3 网络学习过程的参数设定及数据处理 |
| 5.3 BP神经网络轧制力模型的实际应用与结果分析 |
| 5.3.1 现场实测数据收集 |
| 5.3.2 基于MATLAB实现BP神经网络轧制力模型预报 |
| 5.3.3 基于FPGA实现BP神经网络轧制力预报模型预报 |
| 5.3.4 轧制力预报模型性能对比分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）酸洗冷连轧机组关键过程优化控制策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 工艺装备及其配置型式 |
| 1.2.1 酸洗机组的发展 |
| 1.2.2 冷连轧机组的发展 |
| 1.2.3 酸洗冷连轧机组的发展 |
| 1.3 关键设备及工艺特点 |
| 1.3.1 关键设备 |
| 1.3.2 工艺特点 |
| 1.4 控制系统的发展 |
| 1.5 先进控制策略在冷轧过程中的应用 |
| 1.5.1 智能控制在冷轧过程中的应用 |
| 1.5.2 多目标优化策略在冷轧过程中的应用 |
| 1.6 本文研究的目的和主要内容 |
| 第2章 酸洗冷连轧机组自动化控制系统 |
| 2.1 机组工艺及控制系统概述 |
| 2.2 酸洗自动化控制系统 |
| 2.2.1 过程自动化控制系统 |
| 2.2.2 基础自动控制系统 |
| 2.3 冷连轧自动化控制系统 |
| 2.3.1 过程自动化控制系统 |
| 2.3.2 基础自动化控制系统 |
| 2.4 酸洗冷连轧过程的优化方向 |
| 2.5 本章小结 |
| 第3章 破鳞拉矫机优化控制策略研究 |
| 3.1 破鳞拉矫机概述 |
| 3.1.1 破鳞拉矫机的设备组成 |
| 3.1.2 破鳞拉矫机的工作原理 |
| 3.1.3 破鳞拉矫机的功能作用 |
| 3.2 破鳞拉矫机的控制策略 |
| 3.2.1 破鳞拉矫机工作模式 |
| 3.2.2 压下量控制 |
| 3.2.3 延伸率控制系统 |
| 3.3 延伸率控制系统研究 |
| 3.3.1 模型建立 |
| 3.3.2 控制器设计 |
| 3.3.3 控制效果分析 |
| 3.3.4 现场应用 |
| 3.4 本章小结 |
| 第4章 酸液系统优化控制策略研究 |
| 4.1 酸液系统概述 |
| 4.1.1 酸液温度对酸洗效率的影响 |
| 4.1.2 酸液浓度对酸洗效率的影响 |
| 4.1.3 酸液流量对酸洗效率的影响 |
| 4.2 酸液系统优化控制策略 |
| 4.2.1 酸液系统常规控制方法 |
| 4.2.2 基于案例推理的酸液优化控制策略 |
| 4.2.3 应用效果 |
| 4.3 本章小结 |
| 第5章 冷连轧力能参数模型研究 |
| 5.1 冷连轧轧制变形区分析 |
| 5.2 弹性区轧制力 |
| 5.3 塑性区轧制力 |
| 5.3.1 EP屈服准则 |
| 5.3.2 速度场的建立 |
| 5.3.3 内部变形功率泛函 |
| 5.3.4 剪切功率泛函 |
| 5.3.5 摩擦功率泛函 |
| 5.3.6 张力功率泛函 |
| 5.3.7 总功率泛函最小化 |
| 5.4 冷连轧力臂系数研究 |
| 5.4.1 力臂系数变化规律 |
| 5.4.2 力臂系数模型的建立 |
| 5.5 模型验证与分析 |
| 5.5.1 模型验证 |
| 5.5.2 中性点位置的变化规律 |
| 5.5.3 应力状态影响系数的变化规律 |
| 5.5.4 力臂系数的变化规律 |
| 5.6 本章小结 |
| 第6章 速度优化控制策略研究 |
| 6.1 速度运行特性分析 |
| 6.2 带钢跟踪 |
| 6.3 目标函数的建立 |
| 6.4 基于修正POWELL算法的求解 |
| 6.4.1 修正Powell算法 |
| 6.4.2 求解过程 |
| 6.5 应用效果 |
| 6.6 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间完成的工作 |
| 致谢 |
| 作者简介 |
（9）冷连轧过程关键控制模型的优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 冷连轧生产现状及定制化需求 |
| 1.3 冷连轧数学模型的研究现状 |
| 1.3.1 塑性理论计算模型 |
| 1.3.2 有限元方法 |
| 1.3.3 人工智能方法 |
| 1.4 冷连轧带钢宽度控制的研究现状 |
| 1.5 有限元方法在轧制过程中的应用 |
| 1.5.1 刚塑性有限元法 |
| 1.5.2 弹塑性有限元法 |
| 1.6 主要研究内容 |
| 第2章 冷连轧卷内动态变规格技术的研究 |
| 2.1 动态变规格技术研究 |
| 2.1.1 调节方法 |
| 2.1.2 参数计算 |
| 2.1.3 动态变规格控制模式 |
| 2.2 卷内变规格的原理与实现 |
| 2.2.1 卷内变规格的执行流程 |
| 2.2.2 卷内变规格控制效果分析 |
| 2.3 本章小结 |
| 第3章 冷连轧轧制模型的优化 |
| 3.1 轧制力模型的智能优化 |
| 3.1.1 遗传算法优化BP网络设计 |
| 3.1.2 遗传算法的参数设置 |
| 3.1.3 轧制力预报模型性能分析 |
| 3.2 UCM轧机纵向刚度的研究 |
| 3.2.1 轧机纵向刚度的分析 |
| 3.2.2 UCM轧机三维有限元建模 |
| 3.2.3 中间辊横移对UCM轧机刚度的影响 |
| 3.3 基于理论模型与功率损耗测试的电机功率模型 |
| 3.3.1 轧制力矩及电机功率模型 |
| 3.3.2 电机机械功率损耗的回归模型 |
| 3.3.3 应用实例与分析 |
| 3.4 本章小结 |
| 第4章 冷轧带钢宽度控制研究 |
| 4.1 影响带钢宽度变化的因素 |
| 4.2 数值仿真模型的建立 |
| 4.2.1 轧制模型的简化 |
| 4.2.2 模型参数的选取 |
| 4.2.3 单元类型选择与网格划分 |
| 4.2.4 摩擦边界条件和载荷施加 |
| 4.2.5 模型精确度的轧制实验验证 |
| 4.3 冷轧带钢宽度变化的仿真结果分析 |
| 4.3.1 压下率对宽展的影响分析 |
| 4.3.2 前张应力对宽展的影响分析 |
| 4.3.3 后张应力对宽展的影响分析 |
| 4.3.4 变形抗力对宽展的影响分析 |
| 4.3.5 摩擦系数对宽展的影响分析 |
| 4.4 宽展回归模型 |
| 4.5 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 攻读硕士学位期间完成的工作 |
| 致谢 |
（10）基于能量法的板带轧制力和形状控制数学模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 轧制力和形状数学模型的解析方法 |
| 1.2.1 工程法 |
| 1.2.2 滑移线法 |
| 1.2.3 能量法 |
| 1.3 屈服准则简介 |
| 1.3.1 最大切应力准则 |
| 1.3.2 弹性应变能准则 |
| 1.3.3 双剪应力屈服准则 |
| 1.3.4 平均屈服准则 |
| 1.3.5 几何中线屈服准则 |
| 1.3.6 等面积屈服准则 |
| 1.3.7 等周长屈服准则 |
| 1.3.8 几何逼近屈服准则 |
| 1.4 板带轧制力和形状控制数学模型的研究进展 |
| 1.4.1 粗轧立轧轧制力和狗骨形状数学模型的发展 |
| 1.4.2 粗轧平轧宽展数学模型的发展 |
| 1.4.3 精轧轧制力数学模型的发展 |
| 1.4.4 冷轧轧制力数学模型的发展 |
| 1.4.5 变厚度轧制力数学模型的发展 |
| 1.5 本文的主要研究内容 |
| 第2章 流函数法研究立轧形状和轧制力模型 |
| 2.1 有限元研究立轧变形特点 |
| 2.2 平面流函数法研究粗轧立轧正弦狗骨模型 |
| 2.2.1 正弦狗骨模型的建立 |
| 2.2.2 平面流函数法建立速度场和应变速度场 |
| 2.2.3 立轧总功率泛函的数值解 |
| 2.2.4 立轧总功率泛函的解析解 |
| 2.3 双流函数法在立轧三次曲线狗骨模型上的应用 |
| 2.3.1 三次曲线狗骨模型的建立 |
| 2.3.2 双流函数法建立速度场 |
| 2.3.3 总功率泛函的数值解 |
| 2.3.4 总功率泛函的解析解 |
| 2.4 立轧狗骨形状参数和力能参数的验证与分析 |
| 2.4.1 形状参数 |
| 2.4.2 力能参数 |
| 2.5 本章小结 |
| 第3章 三维速度场研究粗轧平轧宽展数学模型 |
| 3.1 矩形板坯粗轧平轧模型建立 |
| 3.1.1 加权速度场的建立 |
| 3.1.2 平轧总功率的数值解 |
| 3.1.3 力能参数 |
| 3.1.4 形状参数 |
| 3.1.5 加权系数 |
| 3.2 狗骨形板坯平轧回展模型研究 |
| 3.2.1 有限元研究立轧狗骨回展 |
| 3.2.2 BP神经网络优化狗骨回展参数 |
| 3.2.3 狗骨回展模型的建立 |
| 3.3 立平轧总宽展计算 |
| 3.4 本章小结 |
| 第4章 指数速度场解析精轧轧制力数学模型 |
| 4.1 指数速度场的建立 |
| 4.2 精轧总功率泛函 |
| 4.2.1 塑性变形功率 |
| 4.2.2 共线矢量内积求解摩擦功率 |
| 4.2.3 出口剪切功率 |
| 4.2.4 总功率泛函与应力状态影响系数 |
| 4.2.5 精轧力臂系数的选取 |
| 4.3 轧制参数验证与分析 |
| 4.3.1 轧制力验证 |
| 4.3.2 工艺参数对中性面位置的影响 |
| 4.3.3 工艺参数对应力状态影响系数的影响 |
| 4.4 本章小结 |
| 第5章 弹塑性理论研究冷轧力能参数数学模型 |
| 5.1 冷轧弹性区轧制力的计算 |
| 5.2 冷轧塑性区轧制力的计算 |
| 5.2.1 双曲正弦速度场的建立 |
| 5.2.2 内部变形功率泛函 |
| 5.2.3 剪切功率泛函 |
| 5.2.4 摩擦功率泛函 |
| 5.2.5 张力功率泛函 |
| 5.2.6 总功率泛函最小化 |
| 5.2.7 冷轧力臂系数的研究 |
| 5.3 轧制模型验证与分析 |
| 5.3.1 模型验证 |
| 5.3.2 中性点位置的变化规律 |
| 5.3.3 应力状态影响系数的变化规律 |
| 5.4 本章小结 |
| 第6章 连续变厚度过程的轧制力数学模型 |
| 6.1 连续变厚度轧制技术的应用 |
| 6.1.1 中厚板MAS轧制 |
| 6.1.2 热轧生产LP钢板 |
| 6.1.3 冷连轧中的动态变规格 |
| 6.1.4 冷轧差厚板 |
| 6.2 连续变厚度轧制变形区速度场的建立 |
| 6.3 增厚轧制总功率泛函 |
| 6.3.1 内部塑性变形功率 |
| 6.3.2 入口与出口的剪切功率 |
| 6.3.3 摩擦功率 |
| 6.3.4 张力功率 |
| 6.3.5 总功率泛函 |
| 6.4 减薄轧制总功率泛函及其最小化 |
| 6.5 轧制力能参数验证与分析 |
| 6.6 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间完成的工作 |
| 致谢 |
| 作者简介 |
四、基于BP神经网络的带钢冷轧摩擦模型（论文参考文献）
- [1]基于机器学习的拉矫延伸率预测模型及数值分析[J]. 陈兵,韩烬阳,唐晓垒,夏搏然. 东北大学学报(自然科学版), 2022(02)
- [2]基于改进深度信念网络训练的冷轧轧制力预报[J]. 魏立新,王恒,孙浩,呼子宇. 计量学报, 2021(07)
- [3]六辊可逆冷轧机全轧程轧制力预测的方法研究[D]. 张书荣. 西安理工大学, 2021(01)
- [4]二十辊冷轧机板形影响因素研究[D]. 王兴. 西安理工大学, 2021(01)
- [5]基于机器学习的钢铁冷轧轧制力预测模型研究[D]. 王恒. 燕山大学, 2020(01)
- [6]基于机器学习的冷轧机轧制过程建模研究[D]. 魏新宇. 燕山大学, 2019(03)
- [7]基于FPGA的BP神经网络硬件实现及应用[D]. 杜韦江. 燕山大学, 2018(05)
- [8]酸洗冷连轧机组关键过程优化控制策略研究[D]. 王力. 东北大学, 2018(01)
- [9]冷连轧过程关键控制模型的优化[D]. 王晓宇. 东北大学, 2018(02)
- [10]基于能量法的板带轧制力和形状控制数学模型研究[D]. 刘元铭. 东北大学, 2017(11)