攀钢高速重轨神经网络性能预报模型研究

钢铁研究, 2008, 36(2): 22-26.

1.钢铁研究总院,冶金工艺研究所,北京,100081

2.钢铁研究总院,冶金工艺研究所,北京,100081

3.钢铁研究总院,冶金工艺研究所,北京,100081

4.钢铁研究总院,冶金工艺研究所,北京,100081

5.攀枝花钢铁(集团)公司,四川,攀枝花,617000

6.攀枝花钢铁(集团)公司,四川,攀枝花,617000

Study on a neural network model to predict the mechanical properties of high speed heavy rail steel at Pan Steel

提高重轨钢的性能控制能力对其产品质量保证有重要作用.采用神经网络方法建立了重轨生产性能预报模型,并通过模型结构优化提高了模型预报的可靠性.通过模型自检、历史数据检验和离线应用,表明高速重轨的抗拉强度与伸长率预报命中率较高,可基本满足生产要求.

[1]	hadeshia H K D H .Neural Networks in IVIaterials Science[J].ISU International,1999,39(10):966.
[2]	徐丽娜.神经网络控制[M].哈尔滨:哈尔滨工业大学出版社,1999
[3]	刘贵立,张国英,曾梅光.用人工神经网络模型研究微量元素对钢力学性能的影响[J].钢铁研究,2000(01):48-50.
[4]	陈国良,韩文廷.人工神经网络理论研究进展[J].电子学报,1996(02):70.
[5]	程湘君.神经网络原理及其应用[M].北京:国防工业出版社,1995:24-25.
[6]	阎平凡.人工神经网络一模型分析与应用[M].合肥:安徽教育出版社,1993:54-56.
[7]	张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社,1993:13-15.
[8]	王铁.BP算法中学习率及形状因子对学习速度的综合影响[J].上海交通大学学报,1997(03):109-112.
[9]	艾立群.人工神经网络在钢铁工业中的应用[J].钢铁研究学报,1997(04):60-63.
[10]	杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001:41-62.

上一张下一张

计量

作者相关

文章评分