• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Steel Research >Prediction of the measured temperature after the last finishing stand using artificial neural networks
【24h】

Prediction of the measured temperature after the last finishing stand using artificial neural networks

机译：使用人工神经网络预测最后精轧机架后的测得温度

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In dieser Arbeit wird die Entwicklung eines künstlichen neuronalen Netzes beschrieben, mit dem sich die Temperatur hinter dem letzten Fertiggerüst einer Warmbandstraße für eine Reihe von Stahlsorten vorausberechnen läßt. Drei verschiedene Netzkonfigurationen mit unterschiedlicher Anzahl von Knoten in der mittleren Ebene (3, 5 und 7) wurden trainiert. Die Standardabweichung für die genaueste Temperaturabschätzung, die mit dem neuronalen Netz mit 7 Knoten in der verdeckten Ebene zustande kam, lag um 25% niedriger als der mit dem linearen Hoogovens-Modell berechnete Wert. Diese bessere Genauigkeit läßt sich damit erklären, daß das Hoogovens-Modell von der falschen Annahme ausgeht, daß die Abhängigkeit zwischen der Fertigwalztemperatur und einigen Eingangsparametern linear sei. Mit dem trainierten neuronalen Netz läßt sich der Einfluß der verschiedenen Eingangsparameter auf die Fertigwalztemperatur untersuchen. Die mit dem Netz vorausberechneten Abhängigkeiten können angepaßt werden und liegen für alle Eingangsparameter um den Faktor 2 niedriger. Es ist vorstellbar, daß der Einsatz künstlicher neuronaler Netze zur Vorausberechnung der Fertigwalztemperatur zu einem gleichmäßigeren Walzwerksbetrieb führen könnte.%In this report the development of an artificial neural network, capable of predicting the temperature after the last finishing stand of a hot strip mill for a certain class of steels, is described. Three neural networks with different numbers of hidden nodes (3, 5 and 7) were trained. The relative standard deviation in finish temperature as predicted by the best performing neural network model (7 hidden nodes) was just over 25% smaller than that of the linear Hoogovens model. This improved accuracy can be explained by the incorrect assumption in the Hoogovens model of linear dependence of the finishing temperature on some input parameters. With the trained neural network, the influence of the various input parameters on the finishing temperature could be examined. The dependencies predicted by the neural network can be approximated by a linear fit and are a factor 2 lower for all input parameters. It is conceivable that operation of the mill using an artificial neural network for the prediction of the finishing temperature would have resulted in smaller operational fluctuations.
机译：在这项工作中，描述了人工神经网络的开发，利用该网络可以预测许多钢种的热轧机最后精轧机架后的温度。训练了三种不同的网络配置，其中中间层（3、5和7）的节点数量不同。通过在隐藏平面中具有7个节点的神经网络实现的最精确温度估算的标准偏差比线性Hoogovens模型所计算的值低25％。更好的精度可以用以下事实来解释：Hoogovens模型错误地假设了精轧温度和某些输入参数之间的相关性是线性的。利用训练有素的神经网络，可以检查各种输入参数对精轧温度的影响。可以调整预先计算的与网络的相关性，对于所有输入参数，其相关性会降低2倍。可以想象的是，使用人工神经网络来预测终轧温度可以使轧机运行更加均匀。％在本报告中，能够预测热轧机最后一次精轧机架后温度的人工神经网络的开发。描述了某些类型的钢。训练了三个具有不同数量的隐藏节点（3、5和7）的神经网络。由性能最佳的神经网络模型（7个隐藏节点）预测的最终温度的相对标准偏差比线性Hoogovens模型小25％以上。 Hoogovens模型中精加工温度对某些输入参数的线性依赖性的错误假设可以解释这种提高的精度。使用训练有素的神经网络，可以检查各种输入参数对精加工温度的影响。由神经网络预测的相关性可以通过线性拟合来近似，并且对于所有输入参数而言，相关性要低2倍。可以想象的是，使用人工神经网络预测最终温度的轧机运行会产生较小的运行波动。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号