BP神经网络在板形缺陷识别中的应用

论文摘要

板形作为衡量冷轧薄带钢产品的重要指标,已愈来愈引起广大轧钢自动化工作者的重视。但是目前的板形理论尚处于试验研究阶段,板形模式识别技术还不成熟。我国的大部分钢铁企业的板形模式识别仍停留在比较初级的水平。近年来,神经网络理论的研究进入了自动控制界,“神经控制(Neuralcontrol)”这一新名词已然兴起。神经网络具有很强的自学习和自适应功能,将其应用于模式识别能取得满意的结果。本文在深入研究冷轧机板形模式识别的基础上,针对复杂而具有不确定性的轧钢过程,将神经网络知识引入板形模式识别系统中。论文的主要工作有:1.介绍板形模式识别技术及其控制设备的现状及发展趋势,探讨了板形缺陷识别所需要解决的问题;2.对板形缺陷模式进行了分析,重点研究了板形模式的建立并进行了归一化;3.研究了BP神经网络的学习算法,采用改进的学习算法来训练神经网络;4.重点研究了采用BP神经网络对板形缺陷进行识别,通过优化网络结构,建立了最优的板形缺陷识别神经网络模型。用BP神经网络对板形模式进行识别,可以满足高精度、实时板形控制的要求。由于标准板形模式的设定非常灵活,因此在轧机执行机构允许的情况下,可以对任意复杂的板形缺陷进行模式识别。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 板形模式识别的概述
• 1.2 板形模式识别的重要性
• 1.3 板形模式识别的现状及其发展趋势
• 1.4 板形模式识别的具体应用和遇到的困难
• 1.5 BP人工神经网络与板形模式识别
• 第二章 板形识别的基础研究
• 2.1 板形的基本概念
• 2.2 板形的模式识别与控制技术的发展
• 2.3 板形缺陷模式的分析
• 2.3.1 板形基本模式的建立
• 2.3.2 标准板形的归一化处理
• 第三章 BP神经网络板形模式识别方法
• 3.1 人工神经网络的介绍
• 3.1.1 神经网络计算模型
• 3.1.2 神经网络的拓扑结构
• 3.2 算法和模型的研究
• 3.2.1 神经网络板形模式识别模型的选取
• 3.2.2 BP人工神经网络模型
• 3.3 BP人工神经网络的不足与改进
• 第四章 板形模式识别的仿真
• 4.1 板形模式的多项式回归方法
• 4.1.1 板形模式多项式回归的应用
• 4.1.2 采用一般多项式的回归方法
• 4.1.3 其它多项式回归方法
• 4.2 基于BP网络的仿真
• 4.2.1 网络的训练分析
• 4.2.2 隐含层数与单元数的选择
• 4.2.3 网络结构的确定
• 4.2.4 BP网络有关常数的确定
• 4.2.5 冷轧板形的识别步骤
• 4.2.6 BP网络的仿真结果
• 结束语
• 致谢
• 参考文献