基于改进BP算法的热轧带钢组织性能预测模型的研究

摘要

对不同化学成分和工艺参数的热轧带钢组织性能进行预测，可以进行新钢种开发，优化轧制工艺设计，减少合金元素含量，降低开发成本满足市场需求。实现对轧制过程中组织-性能演变预测的软仪表，将可以大幅减少性能检测实验量，实现组织和性能的高精度预测，缩短新产品开发周期、交货周期，有助于进一步提高产品质量和成材率．本文根据组织-性能预测与控制技术(SPPC)理论，建立了基于BP神经网络的组织性能预测系统。
　　 首先，本文建立了基本的BP神经网络，用于组织性能预测系统的开发。对影响钢材力学性能的重要参数进行了分析，确立了组织性能预测系统的神经网络结构，并将BP网络模型应用于组织性能预测系统中，开发了基于VC平台下的人机界面友好的组织性能离线预测系统。整理网络训练所用数据是热轧组织-性能BP神经网络预测模型建立的首要工作。本文针对现场采样数据存在噪声的情况，实现了梅钢生产现场数据源的整合及采样数据的预处理。为BP神经网络模型的建立提供了真实、可靠、充分的数据基础。实现了组织-性能预测系统开发后对系统的预测结果进行了分析。
　　 其次，针对输入输出映射关系复杂的条件下BP网络训练速度较慢的情况，提出两种改进网络训练的算法：第一，在训练过程中识别收敛速度过慢的个别样本进行重点训练。第二，分析了BP网络误差曲面的特征，提出了自适应调节学习速率的误差反传算法。
　　 最后，利用上述改进算法进行SPA-H采样数据的力学性能预测，并进行了试算：均方根误差达到16时改进训练算法共迭代1450次；原训练算法需要迭代1860次。新的算法迭代次数仅为常规算法的78％，改进训练方法大大节省了训练时间，效益非常可观。网络训练200次，原算法训练误差达到10.215，自适应学习因子算法训练误差达到8.72694；而新算法的训练误差达到10.215时仅仅训练72次。基于改进BP算法的组织性能预测系统的学习速度有很大的提高，并且在收敛速度、稳定性和泛化能力方面都优于传统BP神经网络。

目录

文摘

英文文摘

第1章 绪论

1.1 研究背景及课题意义

1.2 组织-性能预测技术的研究现状

1.3 本文主要研究内容

第2章 神经网络结构及参数的确定

2.1 组织-性能预测与控制技术(SPPC)

2.1.1 SPPC的技术内涵

2.1.2 SPPC的基本过程

2.1.3 神经网络在组织-性能预测中的应用

2.2 网络建模所用参数及结构的确定

2.2.1 显微组织与力学性能

2.2.2 原始化学成份

2.2.3 热轧工艺参数

2.2.4 力学性能

2.2.5 网络结构的确定

2.3 本章小结

第3章 基本BP网络的实现

3.1 BP神经网络的算法分析

3.1.1 信号正向传播

3.1.2 误差反向传播

3.1.3 循环记忆训练

3.1.4 学习结果判断

3.2 数据准备

3.2.1 数据清洗

3.2.2 数据变换

3.2.3 数据质量分析

3.3 组织-性能离线预测系统的开发

3.3.1 程序的开发环境

3.3.2 程序代码组成与开发

3.3.3 程序的可视化设计

3.4 系统预测结果分析

3.4.1 模型的测试

3.4.2 预测值与实测值的对比分析

3.5 本章小结

第4章 改进BP神经网络算法的研究

4.1 BP网络的缺陷及原因分析

4.1.1 BP网络的缺陷

4.1.2 BP网络缺陷的原因分析

4.2 网络隐层节点个数的优化

4.2.1 BP神经网络模型的泛化问题

4.2.2 隐层节点个数的优化分析

4.2.3 实例预测分析

4.3 训练方法的改进

4.3.1 快速训练算法

4.3.2 实例验证分析

4.3.3 结果对比

4.4 自适应学习因子算法

4.4.1 BP算法的误差曲面特征

4.4.2 自适应学习因子BP算法

4.4.3 实例验证分析

4.5 本章小结

第5章 结论与展望

5.1 结论

5.2 展望

参考文献

致谢