论文部分内容阅读
对钢坯热轧过程以节能降耗为目标的控制模型和控制方法的研究,一直是钢铁冶金自动化领域的研究重点之一,但以往的研究多集中于钢坯加热过程或者轧制过程,割裂了两者在生产上的连续性和在能耗上的相关性,不能实现整个热轧生产线能耗的最小化。为此本文从生产过程特性出发,系统分析了热轧过程建模需要解决的难点,提出了基于轧制信息反馈的热轧过程智能建模的新方法。 由于钢坯热轧过程特性复杂,应用传统模糊神经网络方法建模存在模糊规则数目多,不可调等问题,对此本文提出了一种基于自适应神经模糊推理系统(ANFIS)的热轧生产过程建模方法。该方法可根据训练样本数据的分布情况来灵活划分模糊集合,从而保证以较少的模糊规则得到理想的建模精度。针对上述ANFIS方法,进一步提出了一种两步混合学习算法:首先采用最近聚类算法确定网络的结构和初始参数,然后采用梯度下降法对参数做进一步调整。仿真结果表明,该算法收敛速度比传统BP算法快。 针对两步混和学习算法不能解决模糊神经网络训练容易陷入局部极小值的问题,本文利用人工免疫系统(AIS)的数据聚类方法,并通过对传统AIS聚类算法进行优化,提出了对人工免疫网络算法参数的优化设定方法。仿真结果表明,该方法提高了网络的训练速度,避免了聚类规则数大幅波动的现象,解决了热轧生产过程建模中神经网络训练容易陷入局部极小值的问题。 利用热轧生产数据对基于AIS聚类的自适应神经模糊推理系统建模方法的仿真结果表明,该方法具有结构简单、学习速度快、规则数少、建模精度高等优点,能够有效处理如钢坯热轧过程等数据量大、工况复杂的工业过程的建模问题。