摘要：首先对小区中断检测的基本流程和BP神经网络的结构进行了介绍,并对小区中断相关的特征数据进行了梳理,筛选出与小区中断相关度较大的几类KPI参数作为特征输入,定义了依据中断程度分级的输出结果。然后针对标准BP神经网络易陷入局部最小、收敛慢等特点,采用scg算法对网络进行训练,并与标准BP算法进行对比。最后仿真验证了模型可以有效地检测出不同的小区中断类别,并且采用scg算法的模型收敛性较好,检测准确率可达95%以上。

摘要：为了更好调控冷连轧板厚参数,设计了一种冷连轧轧制力深度神经网络模型,增强了冷连轧模型的控制效果。选择2030冷连轧结构进行研究,对多输入多输出(MIMO)深度神经网络(DNN)进行预处理,针对多线程CPU与GPU实施了优化,对比了神经网络模型和冷连轧系统Siemens模型误差。研究结果表明:L-M算法表现出了更优的收敛稳定性、测试和验证性能、梯度下降趋势,并且收敛速度也更快。以随机方式选择200个数据并测定泛化性能测试得到,L-M算法获得了比scg算法更大的相关系数。都是随着隐含层数的增加,获得了性能更优的神经网络模型,并且都会增加训练时间。从各项模型指标分析,L-M算法都比scg算法的性能更优。构建神经网络轧制力模型总共包含二个隐含层、节点数介于17~30、通过L-M算法进行训练。采用神经网络轧制力模型得到的结果与实测值之间的误差比Siemens机理模型和测试值的误差更低。