基于BP神经网络的中厚板热处理洗炉试验模拟与应用

合集下载

基于神经网络内模的电加热炉温度控制研究

在ＩＭＣ系统中，多用检测对象的阶跃响应或脉冲响应的输人输出数据，预先建立对象的非参数模型，来并根据此模型设计内模控制器，因而内模控制器的动态特性取决于内部模型与被控对象的匹配情况。但是在工业过程中，常存在具有非线性和时变特性的对象。对这类对象，用一般的对象脉冲响应、阶跃响应模型来建立其内部模型进而设计内模控制器，显
ＮＣＮ —神经网络内模控制器；—控制信号； — ｕ广被控对象输出；Ｎ一神ＮＭ经网络内部模型；ｍＮＭ输出；ｒ一ｙ— Ｎｙ参考输人；一系统￣＞＂测干扰ｖｇ－－Ｉ
图２神经网络内模控制结构图
ＡＮ内模控制系统如图２示，可以在控制系统运行时Ｎ所
来训练ＮＭ的权值，Ｎ根据和经ＮＭ通Ｎ
收稿日期：０８０－５２０ — ８２作者简介：惠爽爽（８－），宁人，１３，辽９女在读硕士，研究方向：先进工业过程控制工程。
６０
维普资讯
难。因此，常规的ＰＤ调节器难以整定，采用Ｉ出现系统响应发散
温点的选取、水流的速度、盘管等都对滞后时间有很大的影
响，本系统呈现较强的非线性，得加热炉数学模型的建立非使
常困难，ＩＰＤ控制将难以很好地满足要求，而本文提出的神经
网络内模控制方法，只需要被控对象的输入输出数据信息，即
中图分类号：Ｐ７Ｔ２文献标识码：Ａ
文章编码：７ — ４Ｘ（０８）９０６ — ３１２５５２００－０００６

模糊BP神经网络控制在水泥分解炉温度控制系统中的应用

引言
经元的状态只影响下一层神经元的状态。如果输出层输出与期望的随着国内外房地产行业的蓬勃发展和建材行业的加速转型，水输出差异较大，则转入反向传播，将误差信号沿原来的链接通路返通过修改各层神经元的权值，使误差信号最小。泥产业目前正处于产品结构和技术创新调整的重要时期。，采用预回，ＢＰ神经网络的学习过程分为两个阶段。分解技术的新型干法水泥生产工艺及优化控制策略已经成为我国水泥产业的发展趋势。分解炉是预分解技术的核心模块，承担了预第一阶段：网络的输入经过输入层节点，利用其神经元的初始分解系统中煤粉燃烧、气固换热以及碳酸盐的分解等任务，保持炉化权值和阈值，计算得出输出数据，继而计算出隐含层的输出，这个温的稳定对于保持整个预分解系统的热力分布和热工制度的稳定阶段称为前向输出阶段。至关重要。但分解炉的控制具有非线性、大滞后性、强耦合性等特第二阶段：根据最终输出和期望输出的误差，来对每层权值和阈值的修正，若达到要求，则结束，如达不到要求则重复到第一阶点，这决定了该系统的控制将会非常复杂。针对以上问题，根据预测控制具有很强的鲁棒性，不依赖具体段。数学模型和在线滚动优化的特点，文章采用基于神经网络建模的预ＢＰ神经网络的学习算法指网络的应用初始化，它的实质就是神测控制并结合模糊控制方法，提出了一种可应用于新型水泥干法烧根据输入输出数据来建立一种映射关系，与其他映射不同的是，成系统分解炉温度控制的算法。经网络映射函数是动态的，映射规律随着输入样本的变化而变化，１水泥分解炉工作原理和影响因素判断这种映射的成功与否就是神经网络的收敛速度，收敛速度越说明算法越优越。为了更快地达到收敛，很多科学家针对收敛的分解炉作为水泥烧成系统的第一个环节，其温度的控制对整个快，烧成系统起到了至关重要的作用，温度过高或过低，都会对系统产速度等进行了相关研究，并达到了很好的效果。下面是ＢＰ算法的示生很大的影响甚至停止运行，对生产公司的产销早成很大的影响。意图，如图２所示。二次风风温、三次风风温、煤粉的成分、预热后生料入炉前的温度、３ＢＰ神经预测控制生料的成分以及分解炉自身散热等等都会影响分解炉温度。ＢＰ神经预测控制即以ＢＰ算法的神经网络作为预测控制的模网络的输入为喂煤量Ｍ，生料量Ａ，三次风温度Ｔ；输出为分解炉在影响分解炉温度的众多因素中，通过对分解炉结构的分析和型。实际操作人员经验的总结，我们得出影响分解炉参数时变的主要因内预测温度（ｋ）。素有三个，煤粉流量、三次风量和生料流量。在这三个量的值保持一图３为ＢＰ神经预测控制系统的结构。中ｔ为分解炉内温度设定配比关系的情况下，分解炉的温度才能稳定在期望值的范围内。定值，Ｓ为模糊控制器输出的喂煤量，ｙ（ｋ）为ｋ时刻分解炉内的实际因此，控制好三次风量、煤粉流量以及生料流量成为了本控制系统值，Ｅ为ｙ（ｋ）与（ｋ）的偏差，（ｋ十ｐ）为ｋ＋ｐ时刻神经网络的预测值，Ｅ的重点。２自适应ＢＰ神经网络ＢＰ（Ｂａｃｋｅｒｒｏｒｐｒｏｐａｇａｔｉｏｎ）神经网络是一种多层前馈神经网络，网络的权值的调整规则采用后向传播学习算法。目前，ＢＰ神经网络是相对成熟且应用范围较广的一中神经网络模型。典型的ＢＰ神经网络模型结构见图１，它由输入层、隐含层以及输出层组成，隐含层可以有一个或者多个，每层由多个神经元组成。ＢＰ神经网络算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层传人，经隐含层逐层处理，最后传向输出层，每层神

BP神经网络PID控制器在热油锅炉温控中的应用

（School of Mechanical Engineering，Hebei University of Science and Technology，Shijiazhuang 050018，Hebei，China）
Abstract: The PID control algorithm based on BP neural network was introduced，combining with multi- mode control theory，BP neural network PID controller was applied to the temperature control of hot oil boiler. The neural network PID was compared with the ordinary PID control. The results show that the method has the characteristics of small overshoot，short time and good robustness，which makes up for the shortcomings of conventional PID in the boiler temperature control，such as the parameters is difficuit to be adjusted. This control strategy is applied to the temperature control of hot oil boiler，and the self-control system of the boiler is constructed to make the boiler in the best combustion state and ensure the safe and economical operation of the boiler.

基于MATLAB的BP神经网络在清洁生产审核中的应用

少；即使采取定量的评价方法，也通常是采用单指标方法，对企业清洁生产水平的评价不够充分和科学Ｊ目。前的清洁生产水平评价仍有三个方面的不确定性、等级的区分差异度不够，单指标法不够准确等不足。综合考虑多方面因素的影响，立了清建洁生产评价的神经网络模型，为清洁生产研究提供了一个新的方法。
型，论了基于ＭＴＡ讨ＡＬＢ的Ｂ网络应用于清洁生产审核的可行性和使用价值。Ｐ
关键词：ＡＬＢ；Ｐ神经网络；ＭＴＡＢ清洁生产；审核
中图分类号：８１Ｘ３
捷。因此，ＡＬＢ神经网络工具箱是建立ＢＭＴＡＰ网
（新疆兵团环境保护科学研究所，新疆乌鲁木齐８００）３０２摘要：Ｐ网络模型的实现需要掌握计算机编程语言及较高的编程能力，Ｂ这在一定程度上不利于神经网络技术的推
广和使用，ＭＡｒ而１Ｂ软件提供了一个现成的神经网络工具箱（ｅｒｌｅｏｏｌｘ简称ＮＴ）ＩＮｕａＮｔｒＴｏｏ，ｗｋｂＮ。运用ＭＴＡＡＬＢ的神经网络工具箱（Ｎ，ＮＴ）结合清洁生产技术特点，建立了清洁生产审核企业清洁生产等级自动确定的ＢＰ网络模
经元节点，选择何种传递函数，何种训练算法等，均无可行的理论指导，只能通过大量的实验计算获得。这无形中增加了研究工作量和编程计算工作量【】１。在目前工程计算领域较为流行的软件
ＭＡＬＢ中，供了一个现成的神经网络工具箱ＴＡ提（ｅｒｌｅｗｒｏｌＯ，ＮｕａＮｔｏｋＴｏＸ简称ＮＴ，ｂＮ）为解决这个矛

BP神经网络在加热炉虚拟测温系统中的设计与实现

BP神经网络在加热炉虚拟测温系统中的设计与实现BP神经网络（Back Propagation Neural Network）是一种典型的人工神经网络模型，具有自适应性和非线性映射能力，被广泛应用于各种领域。

本文将探讨BP神经网络在加热炉虚拟测温系统中的设计与实现。

加热炉是工业生产中常见的设备，用于将物体加热至特定温度。

在传统的加热炉温度控制系统中，通常使用传感器实时测量温度，并通过调节加热介质的能量输入来保持温度稳定。

然而，传统温度控制系统存在一些问题，如系统响应慢、控制精度低等。

因此，设计一个虚拟测温系统来提高加热炉的温度控制性能变得非常重要。

BP神经网络由输入层、隐藏层和输出层组成，其中输入层接收传感器实时测量的数据，隐藏层通过非线性转换将输入信号映射到合适的维度，输出层通过反向传播学习算法对温度进行预测。

以下将详细介绍BP神经网络在加热炉虚拟测温系统中的设计与实现。

首先，需要收集加热炉的历史数据，包括加热介质的能量输入和实际测温数据。

这些数据将被用作BP神经网络的训练数据，通过大量的历史数据，网络可以学习到加热炉的非线性温度特性。

同时，还需准备一个用于验证网络性能的数据集。

接下来，需要确定BP神经网络的网络结构和参数。

网络的输入层神经元数量应与加热炉的测量数据维度相匹配，隐藏层神经元数量可以根据经验或试验进行调整，输出层神经元数量为1，即预测的温度值。

网络的参数包括学习率、动量因子等，通过试验和优化来确定最佳数值。

完成网络结构和参数的准备后，开始进行BP神经网络的训练和验证。

首先，将训练数据集输入网络中，通过前向传播计算网络的输出值，然后使用反向传播算法根据输出值和真实值之间的误差来调整网络的权值和阈值。

反复迭代此过程，直到网络的性能满足需求。

完成网络的训练后，进行网络的测试和验证。

将验证数据集输入网络，通过前向传播计算网络的输出值，并与真实值对比来评估网络的预测性能。

如果网络的预测误差在可接受范围内，则可以将该网络应用于加热炉的虚拟测温系统中。

BP神经网络模糊控制在电弧炉电极调节系统中的实现

BP神经网络模糊控制在电弧炉电极调节系统中的实现
黄亮;赵辉
【期刊名称】《电气自动化》
【年(卷),期】2010(32)3
【摘要】针对电弧炉电极调节系统,建立其数学模型.分析了电弧炉电极调节系统的非线性,并针对控制对象的复杂性,将具有自学习功能的BP神经网络与模糊控制相结合,提出了基于BP神经网络模糊控制的控制算法.BP神经网络模糊控制的控制算法改善了传统神经网络学习时间长、收敛速度慢的弱点,解决了传统控制未知复杂系统的不足,Matlab6.5软件仿真结果表明,采用BP神经网络模糊控制的控制算法的控制效果是令人满意的.
【总页数】3页(P18-20)
【作者】黄亮;赵辉
【作者单位】天津理工大学自动化学院,天津,300384;天津理工大学自动化学院,天津,300384
【正文语种】中文
【中图分类】TP273
【相关文献】
1.电弧炉电极调节系统的模糊解耦控制器 [J], 鲁军;霍金彪;张广跃
2.基于西门子PLC的模糊控制在电弧炉电极调节中的应用 [J], 刘文远;毛一之;杨子亮
3.模糊控制在电弧炉调节系统中的应用 [J], 刘伟
4.电弧炉电极调节系统模糊自适应PID控制器设计 [J], 鲁军;李亮
5.BP网络规则PID在电弧炉电极调节系统中的实现 [J], 黄亮;赵辉
因版权原因，仅展示原文概要，查看原文内容请购买。

浅谈神经网络在加热炉温度控制中的应用

［李国勇．能控制及其ＭＴＡ２］智ＡＬＢ实现【］北京：Ｍ．电子工业
出版社，０５２０．
０
５０
ቤተ መጻሕፍቲ ባይዱ
ｔｅ）ｉ（ｍｓ
［］３刘金琨．智能控制［】北京：Ｍ．电子工业出版社，０５２０．［李云娟，４］方彦军．一种ＲＦ神经网络自适应ＰＤ控制器在ＢＩ超临界温度系统的应用研究叨．自动化技术与应用，
ＴｈｐｉａｉｎａｄＲｅｅｒｈｏｕａｔｒｎＴｍｐｒｔｒｅＡｐｌｔｎｓａｃｆｃｏＮｅｒｌＮｅｗｏｋｏｅｅａｕｅ
ＣｏｔｌｆａｉｇＦｒａｅｎｒｏｏＨｅｔｕｎｃｎ
从图中可以看出，ＩＰＤ控制下的响应速度快，但
收稿日期：０１０ — ３２１－８０作者简介：姜文娟（９９）女，１７一，山东海阳人，师，讲工学硕士，主要从事智能控制及应用研究。
５６
《装备制造技术）０１２１年第１期１
图３为在８加入（）．ＯＳｋ＝０２的扰动时的响应
曲线。
ｔｅ）ｉ（ｍｓ
●
●Ｌ－
、
图５加热炉放大系数变化时的响应曲线
一
。
＼一、、～
：～
一
｛
‘ ｔ。。ｆ
．
３２
ｌ－Ｉ — 】Ｄ控制＇
Ｇｓ＝（）ｅ

基于免疫算法的BP神经网络锅炉燃烧系统动态建模

基于免疫算法的BP神经网络锅炉燃烧系统动态建模摘要：随着工业技术的不断发展，智能化与数字化的时代已经来临。

BP神经网络与免疫遗传算法等生物进化数学已逐步应用于自动化控制系统中。

针对多目标的燃煤火电机组，煤耗直接反应着燃烧水平。

影响煤耗的因素包括锅炉、汽轮机和发电机等设备的结构以及各设备在运行中的实际操作因素等。

其中主要的因素是锅炉的运行参数偏离了此时锅炉所需要的最佳运行工况，使得锅炉效率下降。

燃烧优化技术即根据锅炉对应的燃烧煤种和运行负荷，通过调整锅炉燃料供给和调整锅炉炉膛内部的配风方式等手段，保证吹入炉膛的煤粉能够及时完成热量补给以及连续地燃烧，获得对应最佳燃烧工况下的燃烧方式，以提高锅炉效率，降低发电煤耗。

研究锅炉的燃烧优化问题，通过动态建模及免疫算法择优分析燃烧，有着很大实际意义和工程应用价值。

关键词：免疫遗传算法；动态建模；BP神经网络；燃烧优化；最佳运行工况； 0前言燃煤火电机组是中国电力供应体系的主体。

我国的总装机容量位于世界前列，每年都有1/4的煤炭用于发电，然而相比于发达国家，我国的发电煤耗还比较高，因此在当前国家能源供应十分紧张的情况下，提高机组的锅炉燃烧水平具有十分重要的意义。

锅炉燃烧存在一定的煤种适应范围，但是我国煤种复杂多变，加上设备改造、大范围的变负荷运行、设备老化等情况，使得现实中的机组长期没有在最优工况下运行。

锅炉燃烧是一个复杂的能量转换过程，单纯地通过某一设备改造或者控制逻辑的优化并不能实现整个燃烧系统的优化，但随着大数据技术的广泛应用，数据被赋予了新的生命，通过对锅炉燃烧主要影响参数的建模，挖掘彼此之间的特性关系，分析并获取锅炉燃烧调整策略，可以在很大程度上指导运行人员操作，避免不必要的人为调整导致满足多项经济指标无法得到有效权衡。

目前，锅炉燃烧优化可以分解为两个阶段，一是运行指导阶段，顾名思义，因为建立的模型需要样本数据去验证，去在线不断学习挖掘，获取并修正现有的参数模型，从而保证了算法的准确。

基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究

（．材节能股份有限公司技术部天津３００；１中０４０２浙能中煤舟山煤电有限责任公司发电部浙江舟山３６０；．１１０
３河北省电力勘测设计研究院河北石家庄００３）．５０１
摘要：现代火力发电厂中，在对锅炉主蒸汽温度的控制是非常严格的。由于主蒸汽温度具有延迟大、惯性大、非线性等特性，导致对其控制比较困难。利用神经网络的学习能力和鲁棒性以及遗传算法的全局随机搜索能力，常规ＰＤ控制基础上，出采用二者相结合的ＰＤ控在Ｉ提Ｉ制策略。通过计算机仿真表明，于遗传算法的Ｂ基Ｐ神经网络的ＰＤ控制策略具有更好的控制Ｉ品质，有较广阔的应用前景。具关键词：经网络；神遗传算法；Ｉ主蒸汽温度ＰＤ；中图分类号：Ｋ２．文献标志码：文章编号：０９—３３（０２００２０Ｔ２９４Ａ１０２０２１）６— ０１— ４
２ＺｅｅｇＺｏｇｉｈｕｈｎＣａ＆Ｅｅｔｃｔｏ，ＬｄＺｏｓａｈｊｎ１１１ｈｎ；．ｈｎｎｈｎｍｅＺｏｓａｏｌｌｒｉＣ．ｔ，ｈｕｈｎＺｅｉｇ３６３，Ｃａｃｉｙａｉ
Ｘｉ，ＹＮＨｉｉ，ＹＮｉ —ｕＨＮｕ．ａ。ＵＱｎＡａｂＡＧＪｎｈａ，ＺＡＧＲｎｐｎ．ｎａ（．ｅｈｉａｅａｔｎｆｉｏｎｒｙＣｎｅｖｔｎＬｄｉｎｉ０４０Ｃｉａ１ＴｃｎｃｌｐｒＤｍｅｔｎｍａＥｅｇｏｓｒａｉｔ．Ｔａｊ３００，ｈｎ；ｏＳｏｎ

基于改进神经网络加热炉参数优化控制方法

基于改进神经网络的加热炉参数优化控制方法摘要：钢厂加热炉是一个复杂的受控对象，存在着非线性、时变性、纯滞后因素和不确定随机干扰等因素。

从对其燃烧状况的分析来看，加热炉温度的调节主要是靠对煤气流量的控制来完成的，因而确立一种合理的煤气流量控制方案是实现加热炉燃烧智能化控制的关键。

本文针对加热炉存在的缺陷,研究用神经网络建立加热炉温度控制模型,仿真结果表明所建立的模型简单、精度高,满足工程要求。

关键词：加热炉；bp神经网络；流量控制神经网络具有自组织，自学习等优点，利用神经网络对控制参数进行自整定，已达到控制要求。

由于神经网络学习过程较慢，可能导致局部极小点。

本文提出一种基于改进神经网络的参数自整定控制器，对神经网络阀值和权值进行优化，避免权值和阀值陷入局部最小点。

1.加热炉控制系统由于煤气、空气的流量控制是实现炉温控制的手段，因此它实际上从属于炉温控制回路，这一回路是保证加热炉正常燃烧和钢坯加热的最基本的回路。

通常情况下，流量控制回路是一个串级控制回路，炉温控制器的输出作为其设定值，因而达到间接控制炉温的目的。

流量控制回路工作的稳定程度以及控制性能的好坏将直接取决于该回路的控制量的设定值，并将直接影响到加热炉炉温的控制情况以及钢坯的加热过程。

2. 基于改进神经网络的加热炉参数优化控制方法2.1 基于神经网络的控制原理把神经网络模型与控制器有效结合，可以控制系统的输出值与期望值之间的误差达到最小。

基于神经网络的控制器分为两部分：一部分是经典的控制调制器；第二部分是神经网络，通过神经网络的自学习和自组织能力调节参数，使之达到最优。

2.2 改进神经网络控制算法梯度下降法的收敛速度较慢，而拟牛顿法计算又较复杂，共轭梯度法则力图避免两者的缺点。

共轭梯度法也是一种改进搜索方向的方法，它是把前一点的梯度乘以适当的系数，加到该点的梯度上，得到新的搜索方向。

其迭代方程为式中－最佳步长；(1)共轭梯度法比大多数常规的梯度下降法收敛快，并且只需增加很少的存贮量和计算量。

基于BP神经网络策略的中低温余热发电系统性能优化

优控制规律下的PID 控制参数[4]。

图1 基于BP神经网络的PID控制系统结构图3 系统仿真研究本次仿真中,M=4,Q=5,η=0.0001,α=0.5,按照之前的算法进行控制,将得到的结果与传统PID 控制算法进行对比并且加以分析。

仿真所得结果如图2,图3和图4所示。

图2 跟踪能力曲线图3 误差曲线0 引言目前,在硫磺制酸的生产工艺中,硫磺燃烧后生成二氧化硫,二氧化硫经过氧化后生成三氧化硫,三氧化硫随后被吸收后生成硫酸,在每一步的反应过程中,都伴随着热量的放出。

除去装置自身散热、传质过程中的排气等损失,剩余的热量理论上均可被回收再利用。

目前系统内可回收的热量中焚硫和转化部分的高中温余热约占60%,但这部分热量已经基本全部回收并再次使用,而低温余热约占40%且低温余热回收手段较为有限。

在此背景下,有机朗肯循环技术受到人们的广泛重视。

有机朗肯循环,是以有机流体作为工质,回收低品位热能的朗肯动力循环,从而达到实现余热回收的目的。

该系统的出现不仅提高了能源的利用率,而且降低了环境污染[1]。

有机朗肯循环的关键动力部件就是膨胀机的性能特点,因此膨胀机的运行特性与余热类型的匹配及动态变化特性成为了决定发电系统性能的重要因素。

1 膨胀机工作原理和仿真模型膨胀机的主要工作过程是在喷嘴、叶轮等部件间完成,当高速的流体通过叶轮通道时,气体速度迅速下降,而且因为压力与速度下降,使得气体温度大幅度降低,从而产生了降温与制冷效应。

但由于膨胀机叶轮转速快,使得膨胀机发出的功率较大,但调节过程有一定难度,同时膨胀机转速不易控制。

因此膨胀机具有大滞后、大惯性的特点,可膨胀机控制系统简化线性处理,线性化处理后得到传递函数表示如下:G (s)=K 0e -τsTs +1 (1)模拟温度控制系统由一个带有纯滞后的一阶环节表示,取K 0=1,T =60,τ=80s,其传递函数为:G (s)=K 0e -80s60s +1 (2)2 基于BP神经网络的PID控制器基于BP 神经网络的PID 控制系统主要由PID 控制器和神经网络构成[3],结构如图1所示:(1)经典的PID 控制器:直接对被控对象进行闭环控制,并且三个参数K p 、K i 、K d 为在线整定式;(2)神经网络:根据系统的运行状态,调节PID 控制的参数,以期望达到某种性能指标的最优化。

基于改进BP神经网络加热炉控制系统参数优化

基于改进BP神经网络加热炉控制系统参数优化
何楚衡;肖金凤
【期刊名称】《内江科技》
【年(卷),期】2010(031)003
【摘要】本文以衡阳钢管厂轧钢分厂的加热炉作为具体的研究对象,针对加热炉PID控制系统存在的一些缺点,结合国内外先进理论和技术,提出了一种基于改进BP 神经网络的PID参数控制方法.将改进后方法用于加热炉控制,并与常规的PID控制方法进行对比.仿真的结果表明该算法具有较好的控制效果.
【总页数】2页(P19,54)
【作者】何楚衡;肖金凤
【作者单位】南华大学电气学院;南华大学电气学院
【正文语种】中文
【相关文献】
1.基于PSO算法改进BP神经网络的氟金云母点磨削工艺参数优化 [J], 马廉洁;陈杰;巩亚东;王佳
2.基于改进BP神经网络的电加热炉炉温PID控制研究 [J], 黄浩强
3.联合收获机惯性分离室工艺参数优化--基于改进BP神经网络 [J], 孙栩;王福林;文士发
4.基于改进BP神经网络的无线电能传输系统接收线圈参数优化 [J], 闻枫;荆凡胜;李强;赵文翰;朱雪琼
5.基于改进BP神经网络的施工升降机平层控制系统研究 [J], 姬程飞;钱雪飞
因版权原因，仅展示原文概要，查看原文内容请购买。

BP神经网络在热处理控制系统中的应用

BP神经网络在热处理控制系统中的应用
张荷芳;王成才;张立广
【期刊名称】《西安工业大学学报》
【年(卷),期】2015(035)011
【摘要】为解决中频感应加热控制过程中出现的热惯性问题,采用BP 神经网络智能控制算法,确定温度与中频电源输出功率之间的复杂对应关系,预测实际温度变化对应的输出功率控制信号,通过工业控制计算机实现算法的搭建和移植.实验结果表明,调试数据作为网络学习样本,控制信号对应的中频电源输出功率能够有效减小热惯性带来的温度滞后和超调,将控制精度维持在±3 ℃以内.
【总页数】5页(P898-902)
【作者】张荷芳;王成才;张立广
【作者单位】西安工业大学电子信息工程学院,西安 710021;西安工业大学电子信息工程学院,西安 710021;西安工业大学电子信息工程学院,西安 710021
【正文语种】中文
【中图分类】TP202+.2
【相关文献】
1.模糊BP神经网络控制在水泥分解炉温度控制系统中的应用 [J], 李胜旺;张振中;刘震
2.BP神经网络控制器在矢量控制系统中的应用 [J], 刘野然
3.BP神经网络PID控制算法在农作物干燥控制系统中的应用研究与设计 [J], 吕伟;姚凯学
4.BP神经网络在水利发电控制系统中的应用 [J], 张同君
5.应用BP神经网络预测热处理温度对高钒高速钢中残余奥氏体含量的影响 [J], 魏世忠;朱金华;徐流杰
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO-BP神经网络的加热炉钢坯温度预测模型

基于PSO-BP神经网络的加热炉钢坯温度预测模型
姜文韬;李海英;刘绍谦
【期刊名称】《节能》
【年(卷),期】2024(43)1
【摘要】采用粒子群算法对BP网络进行优化建模,运用粒子群的全局寻优能力确定BP神经网络的权重阈值,实现了对钢坯出炉温度的预测,对模型进行模拟仿真。

结果显示:采用PSO-BP神经网络进行温度预测具有更高的精度和更好的收敛速度,相比BP神经网络,PSO-BP神经网络的拟合优度提升了0.086,平均绝对误差降低了41.8%,均方根误差降低了38.8%,标准差降低了38.1%,能够更好地完成对钢坯出炉温度的预测。

【总页数】3页(P92-94)
【作者】姜文韬;李海英;刘绍谦
【作者单位】华北理工大学冶金与能源学院
【正文语种】中文
【中图分类】TP183;TG335
【相关文献】
1.唐钢1700加热炉钢坯温度神经网络预测模型
2.基于PSO-BP神经网络的数码印花颜色预测模型研究
3.轧钢加热炉钢坯温度神经网络预测模型
4.基于PSO-BP神经网络的小冲孔蠕变寿命预测模型
5.基于PSO-BP神经网络的转炉终点磷含量预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。

BP神经网络在热轧中厚板力学性能预测中的应用

BP神经网络在热轧中厚板力学性能预测中的应用
王生朝;程晓茹
【期刊名称】《武汉科技大学学报（自然科学版）》
【年(卷),期】2004(027)001
【摘要】基于神经网络原理,采用BP算法训练网络,建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系.离线仿真表明,将神经网络模型应用于热轧控制预报,具有现实意义.
【总页数】3页(P15-17)
【作者】王生朝;程晓茹
【作者单位】武汉科技大学材料与冶金学院,湖北,武汉,430081;武汉科技大学材料与冶金学院,湖北,武汉,430081
【正文语种】中文
【中图分类】TG333.7+1
【相关文献】
1.基于BP神经网络的BNS440热轧板力学性能预测 [J], 刘学伟;胡恒法
2.BP神经网络在预测热轧带钢最终力学性能中的应用 [J], 解国宏;刘国庆;许莹
3.基于BP神经网络的热轧钢材力学性能预测 [J], 王传兵;邹庆化;吴刚;凡杰
4.基于BP神经网络的热轧低碳钢力学性能预测 [J], 齐秀美
5.Keras深度学习框架下BP神经网络的热轧带钢力学性能预测 [J], 戚功文
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络算法的三区电加热炉温度微机控制系统

基于BP神经网络算法的三区电加热炉温度微机控制系统舒展
【期刊名称】《九江职业技术学院学报》
【年(卷),期】2011(000)002
【摘要】三区电加热炉温度微机控制系统的控制软件系统基于MATLAB的GUI 界面编制,并将基于BP神经网络参数自学习PID控制器具体应用到炉温控制系统中.软件使用Mathworks公司的MATLAB 6.1的m语言编写,采用MATLAB的Instrument Control工具箱实现串行通信,通过利用MATLAB与其他外部程序的mex函数接口实现定时功能,并运用其M语言函数编写应用程序,完成计算、曲线绘制、数据储存、界面显示等复杂功能.
【总页数】3页(P21-23)
【作者】舒展
【作者单位】九江职业大学信息工程学院,江西九江332000
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究 [J], 许琴;颜海斌;杨建华;张润盘
2.基于遗传算法PID参数寻优的电加热炉温度控制系统 [J], 文定都;曾红兵;何玲
3.基于蚁群算法-BP神经网络的主蒸汽温度控制系统仿真研究 [J], 王秋平;马春林;肖玲玲;张振宇
4.基于PID算法的电加热炉温度控制系统设计 [J], 赵治月
5.基于动态矩阵控制算法的电加热炉温度控制系统 [J], 周忠海;张涛;陈晓高
因版权原因，仅展示原文概要，查看原文内容请购买。