一、人工神经网络在热轧温度预报中的应用（论文文献综述）
易成新[1]（2021）在《基于机器学习的热连轧板坯粗轧过程建模研究》文中指出目前,热连轧是主要的带钢生产方式,而粗轧是其中的关键环节。粗轧过程中,板坯的轧制过程涉及到了很多的过程控制参数,这些过程参数都会直接或间接影响所生产带钢的产品质量及轧制稳定性。其中,有两个参数对带钢质量起着至关重要的作用,分别是板坯粗轧出口温度和板坯翘扣头。板坯粗轧出口温度对后续的精轧、层冷等工序有重要作用,直接影响着带钢的力学性能、产品厚度指标及轧制稳定性;翘扣头是板坯经过粗轧机架轧制后头部发生不对称变形导致的上翘或下扣,严重影响带钢生产工况和带钢质量。因此,建立精确的板坯粗轧出口温度预测模型和翘扣头预测模型就极为重要。本文基于钢厂实际生产过程数据,分别建立了基于随机森林-长短期记忆神经网络（RF-LSTM）的板坯粗轧出口温度预测模型和基于stacking集成学习的热连轧板坯翘扣头预测模型。针对热连轧过程数据维度过高、难以准确预测板坯温度的问题,提出一种基于RF-LSTM的板坯粗轧出口温度预测模型。首先,采用改进随机森林算法对特征变量进行选择,通过分析板坯粗轧出口温度预测结果的变化衡量各特征变量的贡献度,挑选具有较大贡献的特征变量;其次,针对热连轧生产过程数据具有时间序列特性的特点,采用LSTM预测板坯粗轧出口温度。实验验证结果表明:特征选择前后钢坯的温度预测平均绝对误差、均方根误差分别下降了0.21℃、0.25℃,预测相对误差在±3.0%以内的精度达到了99.07%。针对热连轧粗轧板坯轧制过程中轧件头部弯曲问题,提出一种基于stacking集成学习的翘扣头预测模型,预报粗轧过程中板坯头部的翘曲程度。首先,对建模数据进行预处理,包括异常值和缺失值的处理、人工组合部分特征以弥补特征不足、利用皮尔森相关系数和最大信息系数结合人工经验进行特征筛选,以提高建模数据质量。其次,利用stacking集成学习方法对自适应增强学习Ada Boost、随机森林RF、梯度提升树GBDT、极端提升树XGBoost以及支持向量机回归SVR等五种机器学习算法进行集成,构建更高层次的翘扣头预测模型,并且给出了模型参数寻优的具体思路。通过实验验证和对比分析,相对于单个机器学习算法构建的翘扣头预测模型,吸收了各个算法优势的stacking集成学习模型的预测精度有了明显的提升,对比单个算法构建的翘扣头预测模型中精度最高的GBDT模型,板坯的翘扣头预测平均绝对误差、均方根误差分别下降了0.0358cm、0.0762cm,绝对误差绝对值在±2cm以内的样本在测试集的比例提升了1.81%,达到了88.50%。充分证明了所提出的基于stacking集成学习的翘扣头预测模型的有效性。
贺笛[2]（2021）在《深度学习在钢板表面缺陷与字符识别中的应用》文中认为钢铁生产技术是衡量一个国家工业发展水平的重要标准,相关产品如薄板、带钢、棒材被广泛应用于建筑、机械、船舶、汽车、军工、家电等制造行业。随着国民经济的发展,中国钢铁企业逐渐从扩产能向着智能化、精细化、高附加值的生产模式转变。钢板表面缺陷检测与字符识别系统作为保证钢材产品质量,实现智能化生产的重要技术手段,持续受到钢铁企业的重视和研究。目前,钢板表面缺陷检测系统主要应用于表面质量较好的冷轧带钢、镀锌板生产线,在中厚板、热轧带钢等表面相对复杂的生产线应用较少,主要原因是现有缺陷检测算法对于复杂缺陷图像的识别能力有限,识别结果易受图像背景影响,稳定性不足。字符识别系统在钢铁行业应用较晚,主要原因同样是字符识别算法鲁棒性不足,对于图像背景复杂、模式多样的钢板表面字符识别精度较低,无法满足企业要求。近年来,随着计算力的提升与大规模数据集的建立,深度学习方法以其较高的识别精度、良好的泛化能力受到了广泛的关注与研究。在训练样本充足的情况下,深度学习方法识别精度与鲁棒性均远超传统算法。因此,为了提升钢板表面缺陷检测系统与字符识别系统精度,本文主要对基于深度学习的钢板表面缺陷检测分类与字符识别算法进行研究。研究成果如下:（1）针对钢板表面缺陷图像类内差异性大、形态复杂等问题,提出了基于多尺度感受野、图像重构、特征降维的缺陷分类方法。该方法通过融合具有不同尺度感受野的特征图,实现了复杂钢板表面缺陷图像的表征。引入了图像重构误差,帮助预训练模型在目标域图像与源域图像存在明显特征差异的情况下,编码输入图像特征。引入了基于自编码器的特征降维结构,降低底层特征维数,提升网络的泛化能力。实验结果表明,本文所提方法在中厚板与热轧带钢表面缺陷图像分类中分别取得了 98.5%与95.7%的分类精度,相比于直接采用预训练模型进行训练分别提升2.2%与2.0%。（2）针对深度学习目标检测算法在钢板表面缺陷检测中召回率低、缺陷定位不准确、可解释性差等问题,提出了基于分类优先网络与分组卷积分类网络的缺陷检测算法。与传统先定位后分类的缺陷检测流程不同,分类优先网络首先采用分组卷积分类网络对缺陷图像进行分类,然后根据分类结果选择相应特征图组回归缺陷边界框。分组卷积分类网络采用互相独立的卷积层单独提取图像中每一类缺陷特征信息,实现了不同类别缺陷的特征分离。实验结果表明,分类优先网络特征图响应与原始图像中物体存在明显空间对应关系,更加有利于缺陷检测与定位。在中厚板、热轧板表面缺陷检测中取得了很好的识别效果。（3）针对钢板表面缺陷图像有标签样本少、无标签样本多的特点,提出了基于卷积自编码器与半监督对抗生成网络的缺陷分类方法CAE-SGAN。该方法首先在大量无标签缺陷图像中训练卷积自编码器,实现网络的无监督特征学习。然后保留卷积自编码器中的编码器作为对抗生成网络的判别器,修改判别器输出层,使其同时预测输入样本的真、假与类别信息,实现钢板表面缺陷图像的半监督学习。实验结果表明,CAE-SGAN能够充分的利用钢板表面无标签图像进行无监督特征学习,有效提升有标签缺陷样本的分类精度。特别是在有标签训练样本数据减少的情况下,CAE-SGAN方法相比于传统卷积神经网络具有更高的分类准确率。（4）针对钢铁企业对于高精度、低成本的钢板表面字符识别系统的要求,提出了基于MobileNet-v2的轻量化钢板表面字符识别网络。该网络采用MobileNet-v2作为骨干网络,提升网络计算速度、降低算法部署成本。提出了 Threshold Focal Loss（TFLs）损失函数,有针对性地降低简单样本损失函数,提升网络的鲁棒性与收敛速度。引入了字符随机排列、图像融合等多种数据增强方法,增加样本的复杂程度,提升网络对于复杂钢板表面字符图像的识别精度。引入了对抗攻击训练,有针对性的提升字符识别网络的鲁棒性。实验结果表明,本文所提的钢板表面字符识别算法,在方坯与圆棒端面字符识别中取得了 99.96%的图像整体识别率,很好的满足了企业对于高精度字符识别算法要求。
方巍,庞林,王楠,易伟楠[3]（2020）在《人工智能在短临降水预报中应用研究综述》文中研究表明短临降水预报是一项重要且具有挑战性的世界性难题.研究人员曾尝试使用各种技术预报降水,但是由于降水本身具有高度非线性、随机性和复杂性的特性,使得降水预测精确度并不高.近年来,随着人工智能技术的迅猛发展,其日渐渗透到人们生活的方方面面,气象领域也因此得益.人工神经网络能够对非线性系统进行建模,因此相比于传统方法,如数值天气预报法和光流法等,人工智能方法使得降水预报的准确率大大提高.本文介绍了传统降水预报的方法,着重总结概括了用于短临降水预报的各种最新人工智能方法,并对各研究方向进行归纳分析,为各类研究人员研究提供有益参考和借鉴.
杨永刚[4]（2020）在《基于迁移学习和数据增强的热轧板卷表面缺陷识别》文中研究说明热轧板卷的质量问题长期以来都是冶金行业中质量控制的难点和重点,其中热轧板卷表面缺陷识别一直是一项具有挑战性的任务。近几年来以深度学习为核心的人工智能技术在计算机视觉领域表现出了突出的性能,但它应用在热轧板卷表面缺陷识别时受数据、算法、计算力等因素的制约。本文针对轧钢过程中热轧板卷表面缺陷图像少、缺陷图像识别准确率不高以及相关人工智能模型训练困难等问题,在分析热轧场景和工况的基础上提出一种热轧板卷表面缺陷无监督图像数据生成的方法并采用迁移学习对热轧板卷表面缺陷进行识别,以加快AI模型建模和训练速度,节省计算力以及提高热轧板卷表面缺陷识别质量。使用数据增强技术扩增缺陷图像以提高模型的泛化能力和鲁棒性,从而提高模型识别预测准确率,减少热轧板卷钢材质量评级错误判定的情况,提高企业经济效益。本文通过在Pytorch、TensorFlow深度学习框架下构建新型生成对抗网络对热轧板卷表面缺陷图像进行无监督数据生成以及进行模型构建迁移、训练和测试。使用python语言编程,最后模型稳定后对34类缺陷识别的平均准确率为96.52%。研究过程如下:（1）数据清洗和增强。首先对缺陷图像进行预处理一般有均值减法,归一化,白化,统一图片的大小格式,去除错误图片等操作。由于板卷缺陷训练样本较少,使用数据增强技术,来提高缺陷图片的丰富多样性,以提高训练模型的泛化能力;（2）建立迁移学习环境开发平台。采用Anaconda3、Tensorflow、Pytorch等框架作为模型开发工具,建立相应的开发软件平台,研究CNN、GAN、RESNET、Inception、Attention等网络的训练、优化和测试;（3）使用迁移学习进行缺陷识别。将清洗的数据进行均衡化处理后,迁移不同的模型（inception-v3、resnet、self-attention）进行实验。把训练数据加载到修改后的模型中,进行反复训练、优化、调整参数、测试。最后选出其中最好的AI模型迁移方案进行识别预测,统计相关指标。
赵峰[5]（2020）在《基于大数据和XGBoost的热轧板带力学性能预测研究》文中研究表明随着我国工业整体实力的提升和相关行业的飞速发展,工业生产方面对钢铁材料的质量水平要求越来越高。因此,在钢铁材料出厂时,必须对成品进行力学性能指标的检测,判断其是否符合相关使用场景的力学性能要求。另外,一些满足特定工作环境的新型钢铁材料希望能通过力学性能检测被更快地研发出来。金属材料的力学性能测试方法大体上可分为三类,即传统方法、专家系统方法和人工智能方法。然而,因上述方法分别存在精准性低、知识获取量不足、无联想推演和自学习能力等缺点,较难满足不断增长的热轧带钢力学性能检测需求,迫切需要新理论与方法的提出。该课题研究了一种基于大数据和机器学习的热连轧带钢力学性能智能预测方法,并采用某钢厂的近2万组热连轧生产过程数据,验证了方法的有效性。该课题的主要工作和创新点在于:（1）构建了具有20个输入属性（15种钢材成分元素和5个热轧工艺参数）和三个力学性能输出参数的基于BP神经网络的热连轧带钢力学性能预测模型,提出了一种基于遗传算法的BP神经网络参数全局寻优方法,通过采用2万组某钢厂热连轧带钢生产过程数据,对上述模型进行了训练和验证,获得了较好的预测效果。（2）在上述研究的基础上,为了进一步提升预测精度,构建了一种基于XGBoost的热连轧带钢力学性能预测模型,提出了一种基于遗传算法的XGBoost参数全局寻优方法,并采用了2万组某钢厂热连轧带钢生产过程数据,验证了模型的有效性。结果表明该模型对抗拉强度、屈服强度和伸长率的预测精度（R2值）分别为0.99895,0.99576,0.96260,均优于BP神经网络模型。（3）针对本文所使用的数据集的具体情况,构建了热轧板带力学性能预测系统的界面框架,采用Python编程语言设计了具有友好人机交互的力学性能预测界面,包括用户管理、数据集导入、模型参数选择设置及力学性能预测系统主控制台等界面,并仿真实现了热连轧带钢力学性能的一键预测功能。
张启航[6]（2020）在《C19400合金中厚板热轧工艺数学模型研究》文中研究表明C19400合金是一种时效强化型铜合金,该合金以其高强度、硬度以及良好的导热、导电、电镀钎焊等优异特性被广泛应用于电子、计算机通讯设备等领域。C19400合金板带订单多品种、多规格、小批量的特征,造成生产过程批次切换频繁、生产节奏波动大,导致产品质量稳定性低、生产效率低、生产成本高等问题。为促进板带材生产的信息化、自动化、智能化,获得成本低、稳定性强、质量优的合格板带材,研究板带材热轧工艺数学模型具有十分重要的意义。本文以铸态C19400合金为研究对象,在变形温度700～950℃、应变速率0.001～10 s-1和变形量50%条件下,对铸态C19400合金进行了等温热压缩试验,分析了真应力-真应变曲线,并通过MATLAB编程计算构建合金的高温本构方程和热加工图;结合得到的本构方程,基于DEFORM-3D有限元平台和企业生产工艺建立可逆热轧有限元模型并验证;模拟计算轧制温度为890、920和950℃,热轧变形量为9.4%、14.1%和18.4%,轧制速度为0.9、1.0和1.1 m·s-1条件下C19400中厚板前3道次可逆热轧过程,提取等效应力和等效应变场数据,利用回归分析方法建立等效应力、等效应变场工艺数学模型;分别利用BP和粒子群优化的BP神经网络方法建立热轧轧制力工艺数学模型,并与某企业热轧测量的数据进行对比。结果表明:1.铸态C19400合金属于应变速率正敏感、变形温度负敏感材料。在合金变形初始阶段,合金发生了典型的加工硬化现象;随着热压缩变形的继续进行,应变速率为0.001、0.01、0.1和1 s-1时,合金的软化以动态回复为主。铸态C19400合金稳定的热加工安全区为:889～950℃、0.0295～2.6823 s-1,该区峰值功率耗散系数η=26.6%。2.利用MATLAB软件编程计算得到铸态C19400合金的热变形激活能Q为353.97 k J/mol,并构建了合金Arrhenius双曲正弦高温峰值应力本构方程。其中,本构方程计算应力与试验应力的平均相对误差AARE为2.71%,相关系数R为0.9977,计算结果与试验结果高度吻合,拟合程度较高。3.利用DEFORM-3D有限元模拟软件建立了C19400合金中厚板多道次可逆热轧热力耦合有限元模型,利用企业轧制力数据对其准确性验证,得到实测轧制力值与模拟计算值相关系数R分别为0.970、0.996和0.994,平均相对误差AARE分别为5.8%、3.3%和4.1%,模拟计算结果与现场实际情况吻合较好。4.利用多元线性回归分析方法,建立了因变量为热轧等效应力、等效应变,自变量为热轧温度、热轧变形量和热轧速度的热轧等效应力和等效应变场工艺数学模型。得到各参数与轧制力的相关系数R分别为0.9693和0.9660,并对模型进行了F检验和p值检验,得到三种统计评价方法的结果一致,热轧等效应力、等效应变与热轧温度、热轧变形量、热轧速度之间存在显着的线性相关关系,故此得到的热轧等效应力场工艺数学模型可用。5.建立了基于BP人工神经网络的合金中厚板热轧轧制力工艺数学模型,并确定了神经网络模型最优拓扑结构为3-12-1,得到样本数据的相关系数为0.98211,热轧9个道次实测和模型计算轧制力数据相对误差最大为4%,最小为0.2%;建立了基于PSO-BP人工神经网络的合金中厚板热轧轧制力工艺数学模型,得到样本数据的相关系数为0.99648,热轧9个道次的实测与模型计算轧制力的相对误差最大为1.2%,最小为0.03%。通过对比两种模型,基于PSO-BP人工神经网络轧制力模型有效提高了C19400合金中厚板热轧轧制力的预测精度。
王宸[7]（2019）在《数据驱动优化控制及其在汽车零部件柔性生产过程监控中的研究与应用》文中认为为实现汽车零部件的柔性生产,企业在生产过程中采用了大量数字化设备,产生了大量的设备数据和过程数据,这些数据蕴含了大量的生产信息。企业利用这些信息,可以避免生产过程中各种不确定因素导致的异常事件,提高设备利用率,优化生产过程。因此,基于数据驱动优化控制的生产过程监控方法受到广泛关注,具有重要的工业价值。传统的生产过程监控方法,往往假设过程变量服从单一的线性关系,或简单的非线性关系,并认为过程建模数据是大量且规则的。随着生产过程柔性化程度不断提高,数字化设备产生的数据种类越来越多,被加工汽车零部件的种类、复杂度、精度和效率要求也越来越高,导致过程建模特性愈发复杂。其主要表现为多源异构数据难以融合,变量非线性关系强,数据维度高,样本数量少等多重特征。因此,对数字化生产过程和设备监控的建模、优化控制及故障预测等提出了更为严格地要求。基于深度神经网络的数据驱动优化控制方法,利用离散样本数据,通过深度网络中强大的非线性因素,可以深度地抽象出特征,实现数字化生产过程和设备监控的建模,特征的准确分类和预测,从而更好地解决建模、优化控制及预测等问题。但是,在基于深度神经网络的非线性建模过程中,一方面,由于网络层数、权重值和隐层中神经元个数等超参数维度较高,易出现“维度灾难”等问题;另一方面,为了实现网络结构的自适应寻优设计,在针对网络模型的超参数寻优问题中,需研究高维多目标优化算法进行求解。本文针对汽车零部件柔性生产过程中数字化设备运行监控问题,按照数据融合-虚实建模-仿真预测-智能调控的思路,着重研究了数字孪生数据融合及建模方法、基于演化深度置信神经网络的非线性系统建模、高维多目标优化及决策、加工中心反向间隙误差值预测等问题,主要包含以下内容:1.针对数字化设备运行中产生的多源异构数据难以融合问题,进行数字孪生数据融合与建模方法研究。通过构建五维数字孪生模型,研究自适应匹配协议解析方法解决异质异构网络传输问题,研究滑动窗口和欧式距离解决不确定冗余数据问题,研究概率传输的多粒度异构数据融合方法解决传感数据的时间相关性及空间相关性问题。2.针对基于深度神经网络的非线性系统建模过程中存在的“维度灾难”问题,开展高维多目标优化算法设计研究。首先,设计基于分解的复杂生物地理学优化算法框架,采用均匀分布的权向量和均值聚合方法,将高维优化目标分解成多个子系统,通过两次引入Metropois criterion准则进行子系统内部和跨子系统迁移,利用PBI距离计算邻域岛屿距离以平衡解的收敛性和多样性,从而得到最优的Pareto解集并提高算法效率;然后,对算法中的参数:邻居大小值MHDB和PBI距离参数θ进行参数敏感性分析,结果表明算法具备较好的鲁棒性;最后,与近年主流的高维多目标优化算法NSGAIII、MOEAD-PBI和BBO/Complex等进行比较,表明算法能够有效解决“维度灾难”问题。3.针对基于深度神经网络的非线性系统建模过程中难以自动设计深度神经网络最优架构问题,采用深度置信神经网络和演化算法相结合的方式进行设计。首先,通过无监督方式初始化网络隐层层数、连接权重、激活函数等超参数;然后,对超参数进行编码,以网络的最小化重构误差作为优化对象设计适应度函数,根据适应度值选择较好参数产生新群体,随后进行交叉和变异操作。最终,自动优化深度置信神经网络模型结构,寻求最优的网络隐层层数和连接权重,降低计算资源需求,解决了大量有标记数据下的网络结构自动设计问题,从而对建模过程进行自适应优化控制。4.针对加工中心运行过程中的反向间隙误差值预测问题,构建了分层的反向间隙误差预测性维护模型,对加工中心运行过程中的反向间隙误差预测进行建模,通过实验对反向间隙误差值预测进行了验证。5.综合运用上述研究成果,设计开发某汽车零部件厂柔性生产线监控系统模型,并对模型进行优化。使用Matlab程序作为模型和算法程序的核心组件,集成于.NET框架并成为柔性生产线智能监控管理系统的核心组件。实践表明,该系统能够使工厂管理者及时充分掌握生产现场信息,提高设备运行效率,提升整体生产能力并提高生产管理水平,为企业带来良好的经济效益。
王志军[8]（2018）在《人工神经网络在轧钢中的应用综述》文中进行了进一步梳理综述人工神经网络在轧制参数预报中的应用,包括轧制力能参数、组织性能和温度的预报;并介绍了混合人工神经网络模型与改进的人工神经网络模型,其中混合对象包括传统数学模型、有限元和其他智能算法.研究表明,人工神经网络在轧钢参数预报中具备很大的优势,能显着提高轧钢相关参数预报精度,提升轧材的品质.
吴思炜[9]（2018）在《基于工业大数据的热轧带钢组织性能预测与优化技术研究》文中认为目前,钢铁企业生产的特点是大型化、连续化、集约化,用户需求的特点是个性化、多样化、优质化。钢铁企业生产技术和组织管理与用户需求产生了矛盾。为了解决这一矛盾,研究者们开发热轧工艺优化设计技术,即在考虑实际生产过程中复杂约束条件的前提下,针对用户个性化需求,结合组织性能预测技术和多目标优化算法快速计算出最优生产工艺。其中,合理的组织性能预测模型是热轧工艺优化设计技术的核心。在基于大数据建模技术的研究中,研究者们更多关注模型的预测精度,将研究重点放在模型的构建方法上,对于原始数据常常不加处理或者经过简单的标准化处理后直接用于建模。在模型应用过程中一旦涉及到模型的规律性研究,很容易产生偏离实际的预测结果。因此,合理的数据处理对于工业数据建模至关重要。针对大数据环境下组织性能预测与优化技术面临的模型实用性和合理性问题,本文从大数据的处理着手,改善数据质量、提高算法精度、开发高效智能算法、丰富模型预测功能,最终实现了组织性能预测与优化技术的工业应用。本论文的主要工作内容如下:（1）钢铁工业大数据挖掘技术开发:对热轧生产线采集的大量工业数据进行匹配、整理,建立数据库。结合数理统计和轧制工艺理论,针对C-Mn钢开发了填补空缺值、钢卷归并、相似工艺聚类和数据均衡化等数据处理方法,使处理后的数据呈现出合理的规律性。采用贝叶斯正则化神经网络建立了 C-Mn钢的化学成分-工艺参数-力学性能对应关系模型,并与未经过数据处理建立的模型相比较,分析化学成分和工艺参数对力学性能的影响规律。结果表明:当采用未经过数据处理建立的模型进行模型规律性分析时,模型在局部的预测值会偏离实测值;而采用经过数据处理建立的模型能够在保证一定预测精度的前提下,反映出合理的物理冶金学规律。（2）基于人工智能理论的力学性能预测研究:在热轧带钢力学性能预测中引入随机森林算法,针对Q345B钢种,采用重采样技术选择建模数据,构建大量分类回归树,实现了 Q3 4 5B钢的力学性能预测。与传统逐步回归模型进行对比,结果表明:随机森林模型具有良好的非线性拟合能力,鲁棒性较强,预测精度较高。其屈服强度预测值与实测值平均误差为-0.61 MPa,标准差为25.10 MPa;抗拉强度预测值与实测值平均误差为0.548 MPa,标准差为23.05 MPa;延伸率预测值与实测值平均误差为0.0088%,标准差为2.09%。（3）智能化热轧工艺优化设计研究:将正交试验设计理论和ε占优策略引入免疫克隆选择算法,加快了算法的收敛速度,开发了ε-ODICSA（ε-Orthogonal Design Immune Clone Selection Algorithm,ε-ODICSA）算法。将 ε-ODICSA 算法与传统多目标优化算法IBEA、NSGA2和SPEA2在ZDT系列测试函数上的优化效果进行对比,结果表明:ε-ODICSA算法在最优Pareto前沿的逼近性和均匀性等方面表现出显着的优越性。针对380CL钢中合金成本较高的问题,将ε-ODICSA算法与热轧板带化学成分-工艺参数-力学性能对应关系模型相结合,对380CL钢的热轧工艺进行了优化设计,通过将卷取温度由600℃降低至510℃,在保证符合380CL钢力学性能标准要求的前提下使Mn含量降低至约原来的50%,节约了生产成本。（4）基于大数据的智能化热轧工艺优化设计系统开发:基于工业大数据挖掘技术、高精度力学性能预测技术和高效的多目标优化算法,利用C++和C#语言开发了智能化热轧工艺优化设计系统。系统包含数据查询筛选模块、数据挖掘模块、高精度力学性能在线预测模块和智能化热轧工艺优化设计模块。针对2150ASP热轧生产线,利用该软件实现了典型钢种（500L-Z、L485M、SS400Cr、S275JR、SPHC、Q235B和Q345B）的力学性能高精度在线预测,其预测精度为:屈服强度预测值与实测值相对误差在±8%范围内,抗拉强度预测值与实测值相对误差在±6%范围内,延伸率预测值与实测值绝对误差在±6%范围内。利用该系统在工业上实现了 HP295钢性能稳定性控制,提高了产品质量。（5）大数据驱动的物理冶金学模型研究:基于2150ASP热轧生产线,建立了描述热连轧及连续冷却过程中轧件内部显微组织演变的模型,其中包括温度场模型、奥氏体再结晶模型、奥氏体晶粒长大模型、相变模型、析出模型以及最终力学性能预测模型。基于该模型框架,采用遗传算法对模型中的关键参数进行了优化,开发了大数据驱动的物理冶金学模型。分别针对Q235B钢种和X70钢种建立了组织性能预测模型,通过工业试轧对模型预测结果进行验证。与传统的物理冶金学模型对比,大数据驱动的物理冶金学模型取得了较高的预测精度。对于Q235B,其屈服强度预测值与实测值相对误差在±10%范围内,抗拉强度预测值与实测值相对误差在±6%范围内,延伸率预测值与实测值绝对误差在±6%范围内;对于X70,其屈服强度预测值与实测值相对误差在±10%范围内,抗拉强度预测值与实测值相对误差在±4%范围内,延伸率预测值与实测值绝对误差在±6%范围内。
秦建春[10]（2017）在《基于BP神经网络优化的热轧板带力学性能预测》文中研究表明现如今,人们对钢铁产品的质量要求越来越严格,尤其是在力学性能方面,追求更高的稳定型和高精度。在长期的生产过程中,钢铁厂累积了很多生产相关资料,有了这些生产数据就可为以后生产提供可靠的参考。基于这些研究数据,以热轧产品的力学性能（分别为屈服强度、抗拉强度和伸长率）、化学的组成含量和钢铁生产中轧制参数间的相互关系,建立一个高质量的预测模型来研究热轧板带力学性能,对于热轧产品生产的指导、生产效率的提高和工艺的优化有着很大的促进作用。BP神经网络算法已经比较成熟、应用也相当广泛。本文以BP神经网络为基础对热轧板带力学性能进行预测分析,然而BP神经网络存在不足之处,如:收敛的速度慢、易陷入局部极小点值等问题。针对这些问题,引入LM（Levenberg-Marquardta）算法提高其收敛速度、遗传算法对其权值和阈值进行优化,以达到满意的预测结果。本文将以某钢厂双机架炉卷轧机的生产工艺为背景,对热轧板带的力学性能（以抗拉强度为代表）预测问题进行分析研究。基于建立的力学性能研究模型,文章首先单独运用BP算法进行预测研究。预测效果大体上良好,但对目前生产者对钢材高精度的要求来说,该模型的精度和收敛速度还需进一步优化。然后文中就引入了 Levenberg-Marquardta算法（简称LM算法）和GA遗传算法对BP模型进行优化。这两种算法的引入,通过数据的对比明显发现:LM算法在不改变精度的情况下,对BP算法的收敛速度做出了很大提高;GA遗传算法不仅提高了 BP算法的预测精度,还对其收敛性性也做出了一定的改进。综上表明,BP算法在基于双机架炉卷轧机工艺上,对板带力学性能预测有很好效果,证实了在双机架炉卷轧机上的创新运用是可行性的。
二、人工神经网络在热轧温度预报中的应用（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、人工神经网络在热轧温度预报中的应用（论文提纲范文）
（1）基于机器学习的热连轧板坯粗轧过程建模研究（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 国内外研究现状 |
| 1.2.1 温度预测研究现状 |
| 1.2.2 翘扣头研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构 |
| 第2章 机器学习算法介绍 |
| 2.1 集成学习概述 |
| 2.1.1 集成学习基本思想 |
| 2.1.2 集成学习之boosting |
| 2.1.3 集成学习之bagging |
| 2.1.4 集成学习之结合策略 |
| 2.2 随机森林算法原理 |
| 2.3 自适应增强学习Ada Boost算法原理 |
| 2.4 梯度提升树GBDT算法原理 |
| 2.5 极端梯度提升XGBoost算法原理 |
| 2.6 支持向量机算法原理 |
| 2.6.1 支持向量分类机 |
| 2.6.2 支持向量回归机 |
| 2.6.3 核函数 |
| 2.7 本章小结 |
| 第3章 基于RF_LSTM的板坯粗轧出口温度预报 |
| 3.1 基于误差加权的改进随机森林算法 |
| 3.2 长短期记忆神经网络 |
| 3.3 RF-LSTM温度预测模型 |
| 3.3.1 数据样本获取 |
| 3.3.2 数据归一化及数据集划分 |
| 3.3.3 RF-LSTM模型算法流程 |
| 3.4 数据建模实验及结果分析 |
| 3.4.1 历史粗轧机架出口温度变量的确定 |
| 3.4.2 改进随机森林算法筛选变量 |
| 3.4.3 LSTM网络结构优化 |
| 3.4.4 RF_LSTM模型预测结果及分析 |
| 3.5 本章小结 |
| 第4章 基于stacking集成学习的粗轧板坯翘扣头预测 |
| 4.1 数据预处理 |
| 4.1.1 数据清洗 |
| 4.1.2 特征构建 |
| 4.1.3 特征选择 |
| 4.1.4 数据归一化及数据集划分 |
| 4.1.5 模型度量 |
| 4.2 基于stacking集成学习的粗轧板坯翘扣头预测 |
| 4.2.1 stacking集成学习方法 |
| 4.2.2 基于stacking集成学习的翘扣头预测模型 |
| 4.3 预测实验及结果分析 |
| 4.3.1 基模型的训练及参数优化 |
| 4.3.2 元学习器的选择与训练 |
| 4.3.3 stacking集成模型预测结果及分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（2）深度学习在钢板表面缺陷与字符识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 钢板表面缺陷检测系统研究现状 |
| 1.2.1 人工检测 |
| 1.2.2 涡流检测 |
| 1.2.3 漏磁检测 |
| 1.2.4 红外检测 |
| 1.2.5 机器视觉检测 |
| 1.3 钢板表面字符识别系统研究现状 |
| 1.4 钢板表面缺陷检测算法 |
| 1.5 钢板表面字符识别算法 |
| 1.6 深度学习 |
| 1.6.1 图像分类 |
| 1.6.2 目标检测 |
| 1.6.3 对抗生成网络 |
| 1.6.4 深度学习在钢板表面缺陷与字符识别中的应用 |
| 1.7 现有检测方法存在的问题 |
| 1.8 课题研究内容及论文结构 |
| 2 基于多尺度感受野与图像重构的缺陷分类网络 |
| 2.1 卷积神经网络 |
| 2.1.1 基本结构 |
| 2.1.2 训练方法 |
| 2.1.3 VGG |
| 2.1.4 GoogleNet |
| 2.1.5 DenseNet |
| 2.2 自编码器 |
| 2.3 迁移学习 |
| 2.4 多尺度感受野与特征重构网络 |
| 2.4.1 网络结构 |
| 2.4.2 训练方法与损失函数 |
| 2.5 实验数据 |
| 2.6 实验及结论 |
| 2.7 本章小结 |
| 3 基于分类优先网络的缺陷检测方法 |
| 3.1 YOLOv3目标检测网络 |
| 3.2 分组卷积分类网络 |
| 3.3 边界框回归网络 |
| 3.4 分类优先网络训练过程 |
| 3.5 实验数据 |
| 3.6 实验及结论 |
| 3.7 本章小结 |
| 4 基于自编码器与对抗生成网络的半监督学习方法 |
| 4.1 卷积自编码器 |
| 4.1.1 基本结构 |
| 4.1.2 数据增强方法 |
| 4.2 半监督对抗生成网络 |
| 4.3 CAE-SGAN |
| 4.4 实验数据 |
| 4.5 实验及结论 |
| 4.6 本章小结 |
| 5 深度学习方法在钢材表面字符识别中的应用 |
| 5.1 MobileNet |
| 5.2 TFLs损失函数 |
| 5.3 数据增强算法 |
| 5.4 对抗样本训练 |
| 5.5 实验数据 |
| 5.6 实验及结论 |
| 5.7 本章小结 |
| 6 总结 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）人工智能在短临降水预报中应用研究综述（论文提纲范文）
| 0 引言 |
| 1 传统方法 |
| 1.1 统计方法 |
| 1.1.1 物理统计模型法 |
| 1.1.2 马尔可夫链预测模型 |
| 1.2 基于数值天气预报的方法 |
| 1.3 基于雷达图的预测方法 |
| 1.3.1 Z-R关系式法 |
| 1.3.2 降水云团外推技术 |
| 1.3.3 光流法 |
| 2 机器学习方法 |
| 3 深度学习方法 |
| 3.1 浅层神经网络 |
| 3.1.1 多层感知机(MLP) |
| 3.1.2 BP神经网络 |
| 3.1.3 径向基神经网络(RBFN) |
| 3.2 深度学习 |
| 3.2.1 卷积神经网络 |
| 3.2.2 递归神经网络 |
| 3.2.3 深度信念网络 |
| 3.2.4 复合模型 |
| 3.2.5 短临降水问题的新方法新思路 |
| 4 人工智能在短临降水预报中的研究方向 |
| 5 总结 |
（4）基于迁移学习和数据增强的热轧板卷表面缺陷识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 相关技术研究背景及现状 |
| 1.2.1 表面缺陷识别 |
| 1.2.2 深度迁移学习 |
| 1.2.3 生成对抗网络 |
| 1.3 课题来源 |
| 1.4 论文研究内容 |
| 1.5 论文创新点 |
| 1.6 论文组织结构 |
| 1.7 本章小结 |
| 第2章 图像处理与模型训练优化 |
| 2.1 热轧板卷表面缺陷 |
| 2.2 图像处理 |
| 2.2.1 特征提取 |
| 2.2.2 图像分类 |
| 2.3 神经网络 |
| 2.3.1 卷积神经网络 |
| 2.3.2 CNN结构功能 |
| 2.3.3 典型模块单元 |
| 2.4 模型训练问题 |
| 2.5 提升模型性能的方法 |
| 2.5.1 数据预处理 |
| 2.5.2 CNN训练 |
| 2.5.3 误差优化 |
| 2.5.4 超参数调整 |
| 2.6 本章小结 |
| 第3章 热轧板卷表面缺陷数据增强 |
| 3.1 有监督数据增强 |
| 3.2 无监督数据增强 |
| 3.3 实验与分析 |
| 3.4 本章小结 |
| 第4章 迁移学习缺陷识别 |
| 4.1 环境平台 |
| 4.2 热轧板卷缺陷数据集 |
| 4.3 数据均衡化处理 |
| 4.4 预训练网络 |
| 4.4.1 inception-v3 模型 |
| 4.4.2 resnet模型 |
| 4.4.3 self-attention自注意力模型 |
| 4.5 迁移学习 |
| 4.6 实验与分析 |
| 4.7 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间成果与完成工作 |
| 致谢 |
（5）基于大数据和XGBoost的热轧板带力学性能预测研究（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 国内外研究现状 |
| 1.2.1 钢铁力学性能预测研究现状 |
| 1.2.2 机器学习研究现状 |
| 1.2.3 优化算法研究现状 |
| 1.3 主要研究内容 |
| 第2章 优化BP神经网络的钢材力学性能预测建模 |
| 2.1 建立BP神经网络力学性能预测模型 |
| 2.1.1 BP神经网络基本概念 |
| 2.1.2 BP神经网络力学性能预测模型 |
| 2.2 建立遗传算法优化BP神经网络预测模型 |
| 2.2.1 遗传算法基本概念 |
| 2.2.2 遗传算法优化的神经网络模型 |
| 2.3 实验结果及分析 |
| 2.3.1 实验数据预处理 |
| 2.3.2 性能评估指标的选取 |
| 2.3.3 实验结果及对比 |
| 2.4 本章小结 |
| 第3章 优化XGBoost算法钢材力学性能预测建模 |
| 3.1 建立XGBoost力学性能预测模型 |
| 3.1.1 XGBoost基本原理 |
| 3.1.2 XGBoost力学性能预测模型 |
| 3.2 建立遗传算法优化XGBoost预测模型 |
| 3.3 实验结果及对比 |
| 3.3.1 验证XGBoost优化模型有效性 |
| 3.3.2 XGBoost模型与神经网络模型预测精度对比 |
| 3.4 本章小结 |
| 第4章 热轧板带力学性能预测系统的开发 |
| 4.1 开发环境与编程语言介绍 |
| 4.2 预测系统功能模块设计 |
| 4.2.1 用户管理模块 |
| 4.2.2 模型训练模块 |
| 4.2.3 力学性能预测模块 |
| 4.3 预测系统操作流程 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间参研课题与研究成果 |
| 致谢 |
（6）C19400合金中厚板热轧工艺数学模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 国内外研究进展 |
| 1.1.1 轧制工艺模型相关研究进展 |
| 1.1.2 C19400合金热变形行为相关研究进展 |
| 1.1.3 有限元仿真技术在板带材轧制中的应用 |
| 1.1.4 人工神经网络在工艺模型中的应用 |
| 1.2 引言 |
| 1.3 本文选题背景及研究内容 |
| 第2章 试验材料及方法 |
| 2.1 试验材料与试验方案 |
| 2.1.1 试验材料 |
| 2.1.2 试验方案 |
| 2.2 试验方法 |
| 2.2.1 铸态C19400合金热压缩试验 |
| 2.2.2 有限元数值模拟试验 |
| 2.2.3 企业生产线数据采集 |
| 2.3 本章小结 |
| 第3章 C19400合金中厚板可逆热轧工艺数学模型建立 |
| 3.1 引言 |
| 3.2 合金高温变形行为及本构方程 |
| 3.2.1 合金高温压缩真应力-真应变曲线分析 |
| 3.2.2 基于MATLAB编程的合金本构方程建立 |
| 3.2.3 合金本构方程结果分析 |
| 3.2.4 合金热加工图构建 |
| 3.3 合金中厚板可逆热轧有限元建模及仿真模拟 |
| 3.3.1 基于DEFORM-3D的有限元模型建立 |
| 3.3.2 有限元模型验证 |
| 3.3.3 仿真模拟结果分析 |
| 3.4 合金中厚板可逆热轧应力、应变场工艺数学模型建立 |
| 3.4.1 数据采集及分析 |
| 3.4.2 模型的建立及评价 |
| 3.5 本章小结 |
| 第4章 基于人工神经网络热轧轧制力工艺数学模型建立 |
| 4.1 引言 |
| 4.2 基于BP神经网络的合金中厚板热轧轧制力工艺数学模型 |
| 4.2.1 BP人工神经网络 |
| 4.2.2 BP网络算法流程 |
| 4.2.3 BP神经网络轧制力模型建立 |
| 4.2.4 模型结果分析 |
| 4.3 基于PSO-BP神经网络的合金中厚板热轧轧制力工艺数学模型 |
| 4.3.1 PSO-BP神经网络 |
| 4.3.2 PSO-BP网络算法流程 |
| 4.3.3 PSO-BP神经网络轧制力模型建立 |
| 4.3.4 模型结果分析 |
| 4.4 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 附录 Ⅰ 峰值应力本构方程MATLAB程序代码 |
| 附录 Ⅱ 多元线性回归MATLAB程序代码 |
| 附录 Ⅲ BP神经网络MATLAB程序代码 |
| 附录 Ⅳ PSO-BP神经网络MATLAB程序代码 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（7）数据驱动优化控制及其在汽车零部件柔性生产过程监控中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 术语表 |
| 第一章 绪论 |
| 1.1 课题研究的来源 |
| 1.2 课题研究的目的和意义 |
| 1.3 国内外研究概况 |
| 1.3.1 生产过程监控研究现状与问题 |
| 1.3.2 数字孪生建模及数据融合研究现状与问题 |
| 1.3.3 演化深度学习研究现状与问题 |
| 1.4 论文的研究思路及主要研究内容 |
| 1.5 本章小结 |
| 第二章 基于数字孪生建模的数据融合方法研究 |
| 2.1 汽车零部件柔性生产过程的数据采集与多源信息融合 |
| 2.2 汽车零部件柔性生产过程的数字孪生建模方法 |
| 2.3 汽车零部件柔性生产过程的数字孪生数据融合方法 |
| 2.4 仿真建模 |
| 2.5 本章小结 |
| 第三章 演化优化算法与决策研究 |
| 3.1 演化优化算法与决策 |
| 3.1.1 演化优化算法 |
| 3.1.2 基于演化优化算法的多目标决策 |
| 3.2 数控切削参数的演化算法优化实例 |
| 3.2.1 问题背景 |
| 3.2.2 切削模型建立 |
| 3.2.3 约束处理 |
| 3.2.4 算法设计 |
| 3.2.5 算法验证 |
| 3.2.6 层次分析法决策 |
| 3.3 钢铁热轧排程的演化算法优化设计 |
| 3.3.1 问题背景 |
| 3.3.2 数学模型建立与优化 |
| 3.3.3 约束处理 |
| 3.3.4 算法设计 |
| 3.3.5 实验设置 |
| 3.4 本章小结 |
| 第四章 基于演化深度置信学习的非线性系统建模方法研究 |
| 4.1 高维多目标演化算法设计 |
| 4.1.1 高维多目标演化算法 |
| 4.1.2 复杂生物地理学算法框架的高维多目标算法设计 |
| 4.1.3 实验设置 |
| 4.2 演化深度置信学习的非线性系统建模研究 |
| 4.2.1 深度置信学习模型 |
| 4.2.2 演化深度置信学习算法 |
| 4.2.3 基于演化深度置信学习的设备故障诊断与预测的非线性系统建模 |
| 4.3 本章小结 |
| 第五章 数控加工中心反向间隙误差预测性维护方法研究 |
| 5.1 数控加工中心的反向间隙误差 |
| 5.2 基于分层的反向间隙误差诊断和预测性维护系统 |
| 5.3 基于演化深度置信学习的加工中心反向间隙误差预测性维护研究 |
| 5.4 实验设置 |
| 5.5 本章小结 |
| 第六章 面向汽车零部件柔性生产的智能监控管理系统研究 |
| 6.1 柔性生产线智能监控管理系统需求分析 |
| 6.2 柔性生产线智能监控管理系统总体设计 |
| 6.3 柔性生产线智能监控管理系统软硬件设计 |
| 6.4 柔性生产线智能监控管理系统功能设计 |
| 6.5 柔性生产线智能监控管理系统应用 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文研究成果 |
| 7.1.1 理论研究成果 |
| 7.1.2 应用研究成果 |
| 7.1.3 本文创新点 |
| 7.2 进一步研究方向 |
| 参考文献 |
| 作者在攻读博士学位期间公开发表的论文 |
| 作者在攻读博士学位期间所参与项目 |
| 致谢 |
（8）人工神经网络在轧钢中的应用综述（论文提纲范文）
| 1 ANN算法在轧钢中的应用 |
| 1.1 轧制力能参数预报 |
| 1.2 组织性能预报 |
| 1.3 温度预报 |
| 2 混合ANN算法在轧钢中的应用 |
| 2.1 混合ANN模型 |
| 2.2 与数学模型结合 |
| 2.3 与有限元结合 |
| 2.4 与其他智能算法结合 |
| 3 改进ANN算法在轧钢中的应用 |
| 4 结论与展望 |
（9）基于工业大数据的热轧带钢组织性能预测与优化技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 背景和意义 |
| 1.2 工业大数据挖掘技术 |
| 1.3 高精度组织性能预测模型 |
| 1.3.1 基于物理冶金学原理的组织性能预测模型 |
| 1.3.2 基于人工智能理论的组织性能预测模型 |
| 1.3.3 组织性能预测系统的开发及应用 |
| 1.4 智能化热轧工艺优化设计理论 |
| 1.5 基于工业大数据的组织性能预测与优化技术存在的问题 |
| 1.6 本文研究的主要内容 |
| 第2章 工业大数据挖掘技术开发 |
| 2.1 数据采集及整理 |
| 2.1.1 数据采集 |
| 2.1.2 化学成分、工艺参数和力学性能数据关联 |
| 2.2 工业数据在建模中存在的问题 |
| 2.2.1 数据冗余问题 |
| 2.2.2 异常值问题 |
| 2.2.3 数据分布均衡性问题 |
| 2.2.4 建模过拟合问题 |
| 2.3 工业大数据挖掘方法 |
| 2.3.1 凝聚分层聚类 |
| 2.3.2 异常值的剔除 |
| 2.3.3 数据分布均衡化 |
| 2.3.4 贝叶斯正则化神经网络 |
| 2.4 化学成分-工艺参数-力学性能对应关系模型 |
| 2.4.1 数据处理 |
| 2.4.2 模型建立 |
| 2.4.3 分析与讨论 |
| 2.5 小结 |
| 第3章 基于人工智能理论的力学性能预测 |
| 3.1 数据驱动模型 |
| 3.1.1 逐步线性回归 |
| 3.1.2 随机森林回归 |
| 3.2 基于Q345B钢力学性能高精度预测模型 |
| 3.2.1 数据选择 |
| 3.2.2 力学性能预测模型 |
| 3.2.3 分析与讨论 |
| 3.3 小结 |
| 第4章 智能化热轧工艺优化设计研究 |
| 4.1 高效ε-ODICSA算法研究 |
| 4.1.1 多目标优化算法基本概念 |
| 4.1.2 ε-ODICSA算法相关概念 |
| 4.1.3 ε-ODICSA算法流程 |
| 4.1.4 ε-ODICSA算法性能评价 |
| 4.2 智能化热轧工艺优化设计 |
| 4.3 小结 |
| 第5章 基于大数据的智能化热轧工艺优化设计系统开发 |
| 5.1 系统介绍 |
| 5.2 智能化热轧工艺优化设计系统工业应用 |
| 5.2.1 力学性能高精度在线预测 |
| 5.2.2 HP295钢性能稳定性控制 |
| 5.3 小结 |
| 第6章 大数据驱动的物理冶金学模型研究 |
| 6.1 物理冶金学模型描述 |
| 6.1.1 温度场模型 |
| 6.1.2 轧制应变和应变速率模型 |
| 6.1.3 奥氏体晶粒长大模型 |
| 6.1.4 奥氏体再结晶模型 |
| 6.1.5 相变模型 |
| 6.1.6 析出模型 |
| 6.1.7 组织性能对应关系模型 |
| 6.2 大数据驱动的物理冶金学模型 |
| 6.2.1 遗传算法简介 |
| 6.2.2 遗传算法优化物理冶金学模型参数 |
| 6.2.3 基于大数据的并行计算 |
| 6.3 模型预测结果讨论 |
| 6.3.1 实验材料及工艺 |
| 6.3.2 温度场模型预测结果 |
| 6.3.3 再结晶模型预测结果 |
| 6.3.4 相变模型预测结果 |
| 6.3.5 力学性能模型预测结果 |
| 6.4 小结 |
| 第7章 结论 |
| 参考文献 |
| 攻读博士学位期间取得的主要成果 |
| 一、攻读博士学位期间发表的学术论文 |
| 二、专利 |
| 三、参与项目 |
| 四、获得的荣誉 |
| 致谢 |
| 作者简介 |
（10）基于BP神经网络优化的热轧板带力学性能预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文研究内容 |
| 1.5 论文结构 |
| 1.6 本章小结 |
| 第二章 热轧带钢的力学性能模型 |
| 2.1 双机架炉卷轧机工艺过程 |
| 2.2 模型参数分析 |
| 2.2.1 化学成分对板带性能的影响 |
| 2.2.2 乳制参数对板带性能的影响 |
| 2.2.3 力学性能介绍 |
| 2.2.4 模型参数汇总分析 |
| 2.3 模型结构设计 |
| 2.4 本章小结 |
| 第三章 BP神经网络模型预测热轧板带力学性能 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经网络的发展 |
| 3.1.2 人工神经网络结构 |
| 3.1.3 神经网络运行方式 |
| 3.1.4 神经网络的特性 |
| 3.1.5 神经网络模型 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络模型 |
| 3.2.2 BP算法 |
| 3.3 BP神经网络预测热轧板带力学性能实际应用 |
| 3.3.1 样本与数据处理 |
| 3.3.2 BP网络各层神经元数目的确定 |
| 3.3.3 BP网络初始化参数的选取 |
| 3.3.4 BP模型预报结果分析 |
| 3.4 BP神经网络在力学性能预测上的不足 |
| 3.5 本章小结 |
| 第四章 优化的BP神经网络对热轧板带力学性能预测 |
| 4.1 Levenbegr-Maruqart算法 |
| 4.1.1 改进BP-LM模型的建立 |
| 4.1.2 改进BP-LM模型预报结果分析 |
| 4.1.3 BP-LM模型和BP模型预报结果对比分析 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法的发展 |
| 4.2.2 遗传算法的参数 |
| 4.2.3 遗传算法流程 |
| 4.2.4 遗传算法的特点 |
| 4.3 遗传算法对BP神经网络的优化 |
| 4.3.1 优化的可行性分析 |
| 4.3.2 优化的流程 |
| 4.3.3 适应度函数 |
| 4.4 GA-BP算法在力学性能预测中的应用 |
| 4.4.1 改进GA-BP模型的建立 |
| 4.4.3 改进GA-BP模型预报结果分析 |
| 4.5 综合分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A: 攻读硕士学位期间的科研成果 |
四、人工神经网络在热轧温度预报中的应用（论文参考文献）
- [1]基于机器学习的热连轧板坯粗轧过程建模研究[D]. 易成新. 武汉科技大学, 2021(01)
- [2]深度学习在钢板表面缺陷与字符识别中的应用[D]. 贺笛. 北京科技大学, 2021(02)
- [3]人工智能在短临降水预报中应用研究综述[J]. 方巍,庞林,王楠,易伟楠. 南京信息工程大学学报(自然科学版), 2020(04)
- [4]基于迁移学习和数据增强的热轧板卷表面缺陷识别[D]. 杨永刚. 冶金自动化研究设计院, 2020(08)
- [5]基于大数据和XGBoost的热轧板带力学性能预测研究[D]. 赵峰. 冶金自动化研究设计院, 2020(01)
- [6]C19400合金中厚板热轧工艺数学模型研究[D]. 张启航. 河南科技大学, 2020
- [7]数据驱动优化控制及其在汽车零部件柔性生产过程监控中的研究与应用[D]. 王宸. 上海大学, 2019(03)
- [8]人工神经网络在轧钢中的应用综述[J]. 王志军. 上海工程技术大学学报, 2018(04)
- [9]基于工业大数据的热轧带钢组织性能预测与优化技术研究[D]. 吴思炜. 东北大学, 2018(12)
- [10]基于BP神经网络优化的热轧板带力学性能预测[D]. 秦建春. 昆明理工大学, 2017(01)