基于改进型粒子群算法的热轧带钢宽度神经网络预报模型的研究

摘要

随着科技的不断发展,复杂的工业生产过程在现代工业中所占的比重越来越大。但是,复杂工业过程往往具有非线性、多变量、多层次等复杂性,给生产实际带来了很大的不便。尤其是复杂工业过程中模型的建立,是进行生产、调度、控制的基础,对于提高产业发展水平及安全、稳定生产具有重要意义。因此,寻求一种好的适用于复杂工业过程的建模方法尤为重要。近年来,智能技术的发展为复杂工业过程的建模提供了一个新的研究方向。
　　本论文在山西省自然科学基金项目(编号:2010011022-3)的资助下,研究设计了一种基于改进型粒子群算法的神经网络预报模型。并且以某热连轧厂的带钢宽度为研究对象,建立了热轧带钢宽度预报模型。本论文的主要研究工作有:(1)阐述了课题的研究背景及意义,分析了智能建模技术的研究现状,在此基础上确定了本文的研究内容和方法。(2)深入研究了基本粒子群算法的原理、优化过程和算法的流程,分析总结了粒子群算法的参数选取和收敛性。为了提高基本粒子群算法的搜索性能,提出了一种改进型粒子群优化算法。(3)在分析研究BP神经网络的拓扑结构和学习过程的基础上,针对BP神经网络收敛速度慢、易陷入局部最优的不足,采用改进型粒子群算法作为神经网络参数的优化算法,将粒子群算法和神经网络结合,研究设计了一种基于改进型粒子群优化算法的神经网络建模方法,并给出了建模的步骤和优化的流程。(4)深入某热连轧厂的生产现场进行广泛调研,学习掌握了热轧带钢生产的工艺过程,着重研究了热连轧生产过程中带钢宽度变化的影响因素,并采用基于改进型粒子群优化算法的神经网络建模方法建立了带钢宽度的预报模型。(5)在MATLAB的仿真平台上,分别对改进型粒子群算法和基于改进型粒子群算法的神经网络进行大量仿真研究。另外,通过某热连轧厂的实际数据对所提出的神经网络模型进行训练以用于热轧带钢宽度的预报,并利用检验样本对网络模型进行检验。仿真结果表明,该方法是可行的,有效的。

目录

摘要

ABSTRACT

第一章 绪论

1.1 研究背景

1.2 研究现状

1.2.1 BP神经网络的研究现状

1.2.2 粒子群算法的研究现状

1.3 研究意义

1.4 本论文的主要研究内容

第二章 改进型粒子群优化算法的研究

2.1 基本粒子群算法

2.1.1 基本粒子群算法的原理

2.1.2 基本粒子群算法的流程

2.1.3 基本粒子群算法的参数

2.2 粒子群算法的收敛性

2.3 粒子群算法的改进

2.4 仿真研究

2.5 本章小结

第三章 基于改进型粒子群优化算法的神经网络建模

3.1 BP神经网络

3.1.1 BP神经网络的结构

3.1.2 BP神经网络的学习过程

3.1.3 BP神经网络的不足

3.2 基于粒子群算法的神经网络建模步骤

3.2.1 神经网络结构设计

3.2.2 粒子群算法对神经网络参数的优化

3.2.3 粒子群优化神经网络的流程

3.3 仿真研究

3.4 本章小结

第四章 热轧带钢宽度预报模型的研究

4.1 热轧带钢工艺过程

4.1.1 热轧带钢的生产过程

4.1.2 热轧带钢的宽度控制

4.1.3 热轧带钢宽度的影响因素分析

4.2 热轧带钢宽度预报模型的建立

4.2.1 输入变量的确定

4.2.2 数据的预处理

4.2.3 宽度控制预测模型的建立

4.3 仿真研究

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

攻读研究生期间发表的学术论文