基于小波神经网络的轧制力预报模型的研究以及自动厚度控制系统的研究

《基于小波神经网络的轧制力预报模型的研究以及自动厚度控制系统的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、太原理工大学硕士学位论文基于小波神经网络的轧制力预报模型的研究以及自动厚度控制系统的研究摘要随着科学技术的飞速发展及生产规模的不断扩大，现代工业过程变得越来越复杂，因此，传统的数学模型以及系统建模方法与技术远远不能满足当今复杂工业过程提出的要求。神经网络具有很强的非线性逼近能力及自学习、自适应能力，有较强的容错性，因而能够很好地跟踪捕获对象受各种不确定因素影响而发生的变化及变化趋势。但在实际应用时，由于神经网络自身存在训练时间长、收敛速度慢以及局部极小等问题而限制了其在现代工业过程中的应用。为此，将小波分析理论引入神

2、经网络，构成小波神经网络。小波神经网络融合了小波分析良好的时频域局部化特性和神经网络的优点，具有较强的逼近能力、收敛速度快并且能够有效地避免局部极小值。在带钢热连轧过程中，压下量计算要依据轧制力分配来确定，因此轧制力是一个很重要的参数。由于板带轧制时的弹跳现象，轧制力的预报则成为热连轧生产过程自动化级中精轧机组设定模型的核心，其预报精度直接影响辊缝的设定，从而影响厚度精度、板形好坏以及穿带的稳定性。由于轧制过程具有多变量、非线性、时变、强耦合等特点，因此，传统建模方法已经远远不能满足高精度预报轧制力的要求。本文的研究

3、目的在于根据复杂工业过程的特点，以轧制力预报模型为I⋯太原理工大学硕士学位论文对象，基于小波神经网络对复杂系统建模问题展开研究与讨论。并将预报的轧制力应用于自动厚度控制系统中。具体内容包括以下几个方面：(1)深入某热连轧厂生产第一线，学习研究带钢热连轧轧制工艺，及其计算机控制系统——SIROLL系统。(2)研究神经网络和小波分析相结合的途径，深入系统地分析和研究了小波神经网络的结构和学习算法，得到一种快速BP算法。(3)针对目前复杂工业建模存在的问题，在研究过程中以轧制力预报为对象，通过Matlab仿真实验研究小波神

4、经网络，并且着重研究了网络结构的确定、小波函数的选择、网络学习算法、网络训练目标及网络中各个参数和系数数值的确定等问题，将所研究的小波神经网络用来建立轧制力预报模型。(4)深入研究了热连轧生产过程中的自动厚度控制系统，利用预报的轧制力和液压自动厚度控制技术来实现带钢厚度的设定与控制。针对目前实际系统中存在的问题，提出了相应的改进措旌，有些已被生产现场所采纳，从而有效地提高了某热连轧厂带钢厚度自动控制的精度。(5)在总结全文的基础上，提出了研究过程中得出的若干思考，并对未来的研究课题进行了展望。关键词：复杂工业过程，快

5、速BP算法，小波神经网络，轧制力预报，自动厚度控制太原理工大学硕士学位论文THERESEARCHONPREDICTIONoFTHERoLLINGFORCEBASEDONⅥ编VELETNEURALNETWoRKSANDAUToMLATICGAUGECONTRoLSYSTEMABSTRACTWiththetechnologydevelopmentatvery．fastspeedandproductionscale-up，alotofindustrialsystemsbecomemoreandmorecomplex．The

6、refore，traditionalmodelsandmodelingtheoryalreadyfarfromCan’tadapttotherequirementspresentedbycomplexindustrialprocesses．Neuralnetworkhasverystrongnonlinearapproximationability,self-learningability,self-adaptivea砒‘strongerfaulttolerance，thusitCantrailandcatchobj

7、ect’Schangeandchangetendencyverywellbecauseoftheinfluenceofvariousuncertainfactor．Butwhenitisappliedinpractice，thetrainingtimeofnetworkislong，convergencespeedisslowandlocalminimumvalueCall’tbeavoided，80thatitsapplicationhavebeenrestrictedinthemodemindustrialpro

8、cesses．Inordertomakeneuralnetworkgetbetterapplication，wavelettransformisledintoneqll"alnetworktoformanewtypewaveletneuralnetwork．Waveletneuralnetworkcombinesthelocalproperty