薄板坯连铸神经网络漏钢预报系统研究
|
摘要
随着连铸技术的不断发展，高效连铸技术已成为连铸技术领域的主要研究方向，受到世界各大钢铁企业、工程公司及设备制造商的高度重视。高效连铸技术是以高质量、无缺陷的铸坯生产为目的，实现高连浇率、高作业率的连铸系统技术。高拉速是高效连铸技术的核心，而随着拉坯速度的提高，漏钢的风险性也随之增加。连铸过程中的漏钢成为制约拉速提高的关键因素，开发实时有效的漏钢预报系统，对可能发生漏钢的特征进行识别、预警是防止漏钢事故发生的主要手段。
目前，我国对漏钢预报技术的研究还处在初期阶段，对漏钢的形成机理及其过程缺乏系统的研究；现有的漏钢预报系统在连铸生产过程中都存在一定的漏报率和误报率，导致漏钢事故时有发生，造成生产的停滞和设备的损坏。因此，本文针对这一课题，以邯钢CSP薄板坯连铸机为研究对象，对连铸过程中的漏钢预报进行了深入的研究。主要工作如下：
分析总结了连铸过程中的主要漏钢形式及其形成原因；结合结晶器内钢液弯月面行为，对粘结漏钢的形成原因进行重点分析与探讨；并针对漏钢的诱发因素，提出了相应的预防措施。
将小波分析理论引入到漏钢预报系统中，对热电偶所采集的温度信号进行降噪处理。通过选用适当的小波函数对温度信号进行多尺度的小波分解，然后采用Birge-Massart阈值对小波分解系数进行处理并重建温度信号，从而去除了存在于温度信号中的噪声。降噪后的温度能够更好地反映出结晶器铜板上热电偶所采集温度的变化趋势。从而为漏钢温度特征的识别提供了更为准确的数据。
针对BP神经网络在训练过程中存在局部最优解及收敛速度慢的缺陷，将粒子群优化算法、遗传算法及LM算法引入到BP神经网络的训练过程，分别建立了GA-LM-BP神经网络漏钢预报模型和PSO-LM-BP神经网络漏钢预报模型，并用连铸生产现场采集的数据对所建模型进行了训练和测试。测试结果表明，经过遗传算法和LM算法优化的GA-LM-BP神经网络漏钢预报模型对连铸过程漏钢温度特征的识别具有更高的准确率。
最后，为了验证神经网络漏钢预报模型的有效性并达到实际应用的目的，利用Visual C++及ANSYS软件开发了以GA-LM-BP神经网络为核心算法的薄板坯连铸可视化漏钢预报系统，并通过了实验室测试。测试结果表明，本系统在结晶器内发生粘结时能够及时做出准确判断并给出报警，程序界面可以动态显示热电偶的温度和温度变化曲线，以及实时显示结晶器铜板热面温度云图对漏钢温度特征进行辅助判断。
With the development of the technology for continuous casting, high efficientcontinuous casting technology has become the main direction of the research incontinuous casting field. It is highly valued by big steel enterprises, engineeringcompanies and equipment manufacturers. High efficient continuous casting technology isa high utilization casting system technology with high rate aiming at high quality and nodefects of casting billet production. High speed of casting is the core part of the efficiencycasting technology. However, with the increasing of the casting speed, the risk of breakoutis getting higher. Then, the breakout becomes the key obstacle for the drawing speedincrease in the continuous casting process. Employing the real-time and effective breakoutprediction system for the recognition of the breakout characteristics is the main means toprevent the breakout accident during casting.
At present, the research on the breakout prediction system of our country is still inearly stages. System research on the formation mechanism and the process of breakout islack. Occasionally, certain false alarms and missed alarms issued by the existing breakoutprediction systems used in the process of continuous casting lead to the stagnation ofproduction and equipment damage. Thus, the breakout prediction system in the process ofsteel continuous casting was discussed on the subject in this paper, with the CSP slabcasting machine in Handan Steel plant as the research object. Series of research works onthis subject were carried out in this paper as follows.
The mechanism and the main forms of breakout were analyzed in the paper; themechanism of the sticking type breakout has been analyzed and discussed emphaticallycombining the behaviors of the liquid steel meniscus. Further, related preventing stepswere provided according to the inductive factors.
The wavelet-based de-noising method was introduced into the breakout predictionsystem in the continuous casting process to conduct the noise reduction. Temperature datacollected by thermocouples was multi-scale decomposed. The Birge-Massart thresholdwas applied to the wavelet coefficients, the temperature signal was reconstructed and the temperature date was de-noised. The trend of the temperature changing can be well shownby the de-noised data.
According to the defects of local optimal solution and slow convergence rate in thetraining process of the BP neural network, the BP neural network was optimized with theparticle swarm optimization algorithm, genetic algorithm and LM algorithm. Then, theGA-LM-BP neural network breakout prediction model and the PSO-LM-BP breakoutprediction model had been built. And they were trained and tested using the on-sitemeasured date. The test result indicates that the identification accuracy of the GA-LM-BPneural network breakout prediction model for breakout prediction was the highest.
Finally, the thin slab continuous casting visual breakout prediction system wasaccomplished with the help of programming software Microsoft Visual C++6.0andANSYS secondary development function. At the same time, the system passed the testsmoothly. The results show that the system can make accurate judgment timely when thebreakout occurs. The dynamic and real-time display of the temperature curve of data andthe mold copper plate hot-side contour in the interface of the system is helpful foroperators to make auxiliary judgments.
目前，我国对漏钢预报技术的研究还处在初期阶段，对漏钢的形成机理及其过程缺乏系统的研究；现有的漏钢预报系统在连铸生产过程中都存在一定的漏报率和误报率，导致漏钢事故时有发生，造成生产的停滞和设备的损坏。因此，本文针对这一课题，以邯钢CSP薄板坯连铸机为研究对象，对连铸过程中的漏钢预报进行了深入的研究。主要工作如下：
分析总结了连铸过程中的主要漏钢形式及其形成原因；结合结晶器内钢液弯月面行为，对粘结漏钢的形成原因进行重点分析与探讨；并针对漏钢的诱发因素，提出了相应的预防措施。
将小波分析理论引入到漏钢预报系统中，对热电偶所采集的温度信号进行降噪处理。通过选用适当的小波函数对温度信号进行多尺度的小波分解，然后采用Birge-Massart阈值对小波分解系数进行处理并重建温度信号，从而去除了存在于温度信号中的噪声。降噪后的温度能够更好地反映出结晶器铜板上热电偶所采集温度的变化趋势。从而为漏钢温度特征的识别提供了更为准确的数据。
针对BP神经网络在训练过程中存在局部最优解及收敛速度慢的缺陷，将粒子群优化算法、遗传算法及LM算法引入到BP神经网络的训练过程，分别建立了GA-LM-BP神经网络漏钢预报模型和PSO-LM-BP神经网络漏钢预报模型，并用连铸生产现场采集的数据对所建模型进行了训练和测试。测试结果表明，经过遗传算法和LM算法优化的GA-LM-BP神经网络漏钢预报模型对连铸过程漏钢温度特征的识别具有更高的准确率。
最后，为了验证神经网络漏钢预报模型的有效性并达到实际应用的目的，利用Visual C++及ANSYS软件开发了以GA-LM-BP神经网络为核心算法的薄板坯连铸可视化漏钢预报系统，并通过了实验室测试。测试结果表明，本系统在结晶器内发生粘结时能够及时做出准确判断并给出报警，程序界面可以动态显示热电偶的温度和温度变化曲线，以及实时显示结晶器铜板热面温度云图对漏钢温度特征进行辅助判断。
With the development of the technology for continuous casting, high efficientcontinuous casting technology has become the main direction of the research incontinuous casting field. It is highly valued by big steel enterprises, engineeringcompanies and equipment manufacturers. High efficient continuous casting technology isa high utilization casting system technology with high rate aiming at high quality and nodefects of casting billet production. High speed of casting is the core part of the efficiencycasting technology. However, with the increasing of the casting speed, the risk of breakoutis getting higher. Then, the breakout becomes the key obstacle for the drawing speedincrease in the continuous casting process. Employing the real-time and effective breakoutprediction system for the recognition of the breakout characteristics is the main means toprevent the breakout accident during casting.
At present, the research on the breakout prediction system of our country is still inearly stages. System research on the formation mechanism and the process of breakout islack. Occasionally, certain false alarms and missed alarms issued by the existing breakoutprediction systems used in the process of continuous casting lead to the stagnation ofproduction and equipment damage. Thus, the breakout prediction system in the process ofsteel continuous casting was discussed on the subject in this paper, with the CSP slabcasting machine in Handan Steel plant as the research object. Series of research works onthis subject were carried out in this paper as follows.
The mechanism and the main forms of breakout were analyzed in the paper; themechanism of the sticking type breakout has been analyzed and discussed emphaticallycombining the behaviors of the liquid steel meniscus. Further, related preventing stepswere provided according to the inductive factors.
The wavelet-based de-noising method was introduced into the breakout predictionsystem in the continuous casting process to conduct the noise reduction. Temperature datacollected by thermocouples was multi-scale decomposed. The Birge-Massart thresholdwas applied to the wavelet coefficients, the temperature signal was reconstructed and the temperature date was de-noised. The trend of the temperature changing can be well shownby the de-noised data.
According to the defects of local optimal solution and slow convergence rate in thetraining process of the BP neural network, the BP neural network was optimized with theparticle swarm optimization algorithm, genetic algorithm and LM algorithm. Then, theGA-LM-BP neural network breakout prediction model and the PSO-LM-BP breakoutprediction model had been built. And they were trained and tested using the on-sitemeasured date. The test result indicates that the identification accuracy of the GA-LM-BPneural network breakout prediction model for breakout prediction was the highest.
Finally, the thin slab continuous casting visual breakout prediction system wasaccomplished with the help of programming software Microsoft Visual C++6.0andANSYS secondary development function. At the same time, the system passed the testsmoothly. The results show that the system can make accurate judgment timely when thebreakout occurs. The dynamic and real-time display of the temperature curve of data andthe mold copper plate hot-side contour in the interface of the system is helpful foroperators to make auxiliary judgments.
引文
[1]蔡开科,程士富.连续铸钢原理与工艺[M].北京:冶金工业出版社,1994:12-15.
[2]杨拉道,谢东钢.常规板坯连铸技术[M].北京:冶金工业出版社,2002:13-16.
[3]马竹梧,邹立功,孙彦广,等.钢铁工业自动化炼钢卷[M].冶金工业出版社,2003:455-458.
[4]潘秀兰,李震,王艳红,等.近终形连铸技术的最新进展[J].冶金信息导刊,2007,(2):5-9.
[5]王定武.快速发展中的近终形连铸技术[J].冶金管理,2003,(11):49-51.
[6]郑林,赵俊学.近终形连铸技术的研究现状及发展前景[J].江苏冶金,2006,34(2):8-11.
[7]陈兴禹.薄板坯连铸连轧技术漫谈[J].金属世界,2011,(1):38-39.
[8]李博知,王钦.薄板坯连铸连轧技术及其发展[J].钢铁技术,2003,5:10-12.
[9]王定武.薄板坯连铸技术在不锈钢生产中的应用及前景[J].特殊钢,1997,18(3):22-24.
[10]陈兴禹.薄板坯连铸连轧工艺与传统工艺的比较[J].金属世界,2011,(4):10-15.
[11]毛新平.薄板坯连铸连轧技术综述[J].冶金丛刊,2004,150(2):35-39.
[12]郑申白,贾宝瑞,贾军艳.薄板坯连铸连轧工艺与传统热轧工艺的比较[J].河北理工学院学报,2007,29(2):54-57.
[13]杨晓江,刘黎明.世界薄板坯连铸连轧技术的现状及未来在唐钢的发展[J].河北冶金,2002,3:39-44,51.
[14]柴清风,贾艳,朱立光.现代连铸发展趋势及加快我省连铸发展的几点思考[J].河北冶金,1998,1:11-14,35.
[15]马立权.浅议高效连铸技术[J].甘肃冶金,1996,(3):20-21.
[16]王志坚,蒋叶舟,区勇铭.高效连铸技术的初步探讨[J].冶金丛刊,2002,137(3):5-8.
[17]殷瑞钰,张慧.新形势下薄板坯连铸连轧技术的进步与发展方向[J].钢铁,2011,46(4):1-9.
[18]殷瑞钰.中国薄板坯连铸连轧的进展[J].钢铁,2008,(3):1-9.
[19]赵建平,董福胜,马新光,等.唐钢提高FTSC薄板坯连铸机拉速的生产实践[J].河北冶金,2008,(6):40-41.
[20]吴华章,刘军,李明光,等.薄板坯连铸降低漏钢率的生产实践[J].世界钢铁,2009,(5):32-34.
[21]周汉香.连铸漏钢预报技术[J].炼钢,1999,15(4):57.
[22] Emling W H, Daoson S. Mold Instrumentation for Breakout Detection and Control[J].Steelmaking Conference Proceedings,1991:121-129.
[23]郝培锋,徐心和,裴云毅,黄祺.连铸漏钢预报系统数据采样与热电偶埋设方式[J].东北大学学报(自然科学版).1997,18(4):400-403.
[24]李文兵,田颖,罗公亮.神经元网络技术在连铸漏钢预报中的应用[J].冶金自动化.1998,(3):31-35.
[25]范建东,王唯一,荣亦诚,龚幼民. RBF神经网络应用于连铸漏钢预报[J].上海大学学报(自然科学版).2001,7(5):391-393.
[26]杨建华,王刚,刘文琦.基于拉坯阻力的板坯连铸结晶器漏钢预报[J].仪器仪表学报.2002,23(3):505-506.
[27]魏树立,姚曼,杜波,等.用连铸拉坯阻力异常进行漏钢预报研究[J].连铸.2002，(5):4-6.
[28]孙卓,王唯一,张明.结晶器热电偶温度数据预处理方法的研究[J].铸造.2003,52(4):267-268.
[29]赵辉,武冬蕾,刘鲁源,等.基于时域分析的拉坯阻力曲线异常特征提取及在漏钢预报上的应用[J].制造业自动化.2005,27(5):61-64.
[30]武冬蕾,赵辉.波形识别技术在漏钢预报中的应用[J].天津理工大学学报.2005,21(5):25-28.
[31]张剑辉,林行辛.连铸漏钢预报系统研究[J].自动化仪表.2006,(27):105-106,111.
[32]王洪涛,熊和金.基于灰关联聚类的连铸漏钢预报系统[J].中国水运.2007,5(1):142-143.
[33]赵琦,朱苗勇.基于改进模糊ART神经网络的连铸漏钢预报模型[J].中国冶金.2007,17(10):26-29,53.
[34]李肖,刘伟涛,许云华.传热反问题方法在漏钢预报中的应用[J].铸造技术.2007,28(5):702-704.
[35]史聚建.板坯连铸漏钢预报系统的研究[J].重庆科技学院学报(自然科学版).2008,10(1):66-68.
[36]杨琴,彭力.量子小波神经网络及其在漏钢预报中的应用[J].计算机工程与应用.2008,44(15):242-245,248.
[37]孙立根,张家泉.基于逻辑判断的板坯漏钢预报系统研究[J].冶金自动化.2009,33(1):16-20,25.
[38]厉英,王正,敖志广,等. BP神经网络漏钢预测系统优化[J].控制与决策.2010,25(3):453-456.
[39]秦旭,朱超甫,高光河,等.板坯漏钢机理及基于热电偶检测的漏钢预报技术研究[J].钢铁研究学报,2011,23(1):7-14.
[40]职建军,黄可为,田正宏,等.宝钢板坯连铸漏钢预报技术的进展[J].宝钢技术.2007,(6):69-72,80.
[41]赵建强,夏兆东.梅钢漏钢预报系统的应用实践[J].梅山科技,2011,(1):7-10.
[42]何涛焘,田陆,黎锋果.一种高准确率漏钢预报系统[J].连铸,2011,(3):9-12.
[43]童振.基于支持向量机的漏钢预报系统在唐钢板坯连铸项目中的应用[J].冶金自动化,2011,(6):73.
[44]李文涛,李扬.基于虚拟仪器的结晶器漏钢预报系统研究[J].工矿自动化,2011,(6):81-85.
[45]魏忠宝.热电偶测温漏钢预报技术在6~#连铸机中的应用[J].酒钢科技,2011,(1):46-51.
[46]王志政,孙健,杨晓刚.提高板坯连铸漏钢预报系统准确性的措施[J].连铸,2011,(3):39-42.
[47]彭金坤.板坯连铸漏钢预报系统的应用[J].工业仪表与自动化装置,2010,(5):90-92.
[48]何涛焘,田陆,黎锋果,等.基于热电偶测温的漏钢预报系统[J].传感器世界,2010,(11):29-33.
[49]秦旭,朱超甫,尹延荣.基于结晶器与坯壳间摩擦力的漏钢预报研究[J].中国科技信息,2008,(19):118-119.
[50]孙立根,张家泉.基于逻辑判断的板坯漏钢预报系统研究[J].冶金自动化,2009,33(1):16-21.
[51]王强,仇圣桃,赵沛,等.结晶器与铸坯间保护渣传热性能的研究现状[J].炼钢,2011,27(2):71-74.
[52]王艺慈,张芳,董方.结晶器固态渣膜形成过程及传热研究[J].铸造技术,2010,31(1):88-90.
[53]张慧,丁毅,陶红标,等. CSP和FTSC工艺结晶器的冷却结构及传热能力[J].钢铁研究学报,2010,22(5):19-22.
[54]郑蕾,胡大超,郑丽华.方圆坯连铸结晶器传热分析及温度场仿真研究[J].重型机械,2009,(6):23-26.
[55]王朝阳,王恩刚,张兴武,等.圆坯中频电磁软接触连铸结晶器内弯月面研究[J].铸造,2009,58(5):440-443.
[56]苏旺,朱苗勇,田陆.连铸结晶器非正弦振动对弯月面形状的影响[J].连铸,2009,(3):17-20.
[57]王朝阳,王恩刚,张兴武,等.圆坯中频电磁软接触连铸结晶器内弯月面波动分析[J].东北大学学报(自然科学版),2009,30(9):1282-1286.
[58] Waibel A, Hanazawa T, Hinton G. et al. Phoneme Recognition Using Time-delay NeuralNetworks[J]. IEEE Transaction on Acoustics, Speech and Signal Processing,1989,37(3):328-339.
[59]赵玉寿,刘惠康,吴玉辉.基于小波分析的电压闪变信号的提取[J].华东电力,2010,39(10):1643-1646.
[60]李春梅,李双成,王红亚.贵州麦岗水库小流域降水变化特征的小波分析[J].地理科学进展,2012,31(1):32-39.
[61]邴龙飞,邵全琴,刘纪远,等.基于小波分析的长江和黄河源区汛期、枯水期径流特征[J].地理科学,2011,(2):232-236.
[62] Cheng T, Rivard B, Sánchez-Azofeifa A. Spectroscopic determination of leaf water contentusing continuous wavelet analysis[J]. Remote Sensing of Environment,2011,115(2):659-670.
[63]赵登忠,张万昌,宣勇.基于小波分析的日降水时空模型构建及模拟[J].人民长江,2011,42(23):19-22.
[64]李小玉,何怡刚,李目,等.基于小波分析和遗传神经网络的模拟电路故障诊断方法[J].计算机应用研究,2011,28(12):4517-4520.
[65] Bradley A P, Wilson W J. On wavelet analysis of auditory evoked potentials[J]. ClinicalNeurophysiology,2004,115(5):1114-1128.
[66] zger M, Mishra A K, Singh V P. Scaling characteristics of precipitation data in conjunctionwith wavelet analysis[J]. Journal of Hydrology,2010,395(3-4):279-288.
[67]湛腾西,郭观七.基于小波分析和智能补偿的三相电力混合滤波算法[J].电力自动化设备,2012,32(1):54-61.
[68]朱呈祥,邹云.基于小波分析的分数阶系统辨识信号降噪的变尺度阈值方法[J].计算机应用,2011,31(2):543-547.
[69]韩捷,王宏超,陈宏,等.滚动轴承故障的全矢小波分析[J].轴承,2011,(3):45-47.
[70]王国林,胡蛟.小波分析在路面不平度信号降噪中的应用研究[J].机械设计与制造,2011,(4):65-67.
[71]马海波,郭慧芳,董增川,等.鄱阳湖出湖径流序列的多时间尺度小波分析[J].人民长江,2011,42(11):53-55.
[72] Wang Y, Niu D, Ji L. Short-term power load forecasting based on IVL-BP neural networktechnology[J]. Systems Engineering Procedia,2012,4:168-174.
[73] Bao Y, Ren J. Wetland Landscape Classification Based on the BP Neural Network in DaLinorLake Area[J]. Procedia Environmental Sciences,2011,10(C):2360-2366.
[74] Wang X, Qiu S, Wang Q. A New Method of Paper Defect Recognition Based on Wavelet PacketDecomposition and BP Neural Network[J]. Energy Procedia,2011,11:1491-1497.
[75]伍卫平,倪国胜,范钦红,等.小波分析法实现水轮发电机轴心轨迹的提纯[J].长江科学院院报,2012,29(1):53-57.
[76]金焱,毕学工.粘结漏钢裂纹扩展角度研究[J].南方金属,2008,(4):11-14.
[77]寇新民.时空模式识别神经元网络方法及应用研究[D].沈阳：东北大学控制工程与控制理论学科博士学位论文,1999:59-63.
[78]李冬梅.多级网络连铸漏钢预报系统的研究[D].秦皇岛:燕山大学机械设计及理论学科硕士学位论文,2008:37-39.
[79]靳荣.基于RBF神经网络和模糊理论的连铸漏钢预报系统的研究[D].秦皇岛:燕山大学机械设计及理论学科硕士学位论文,2009:32-35.
[80]王建伟.薄板坯连铸可视化漏钢预报系统的研究[D].秦皇岛:燕山大学机械设计及理论学科硕士学位论文,2011:33-35.
[81]吴国庆.板坯连铸结晶器漏钢预报系统浅析[C].第五届冶金工程科学论坛,冶金研究,2006:134-136.
[82]刘永贞.基于人工智能与热成像的结晶器漏钢预报系统[D].大连:大连理工大学材料加工工程学科硕士学位论文,2009:20-21.
[83]秦旭,陈智勇,周豪鸣,等.漏钢预报系统的原理分析[J].工艺技术,2005,3:22.
[84]邹春霞,申向东,李夏子,等.小波分析法在内蒙古寒旱区降水量特征研究中的应用[J].干旱区资源与环境,2012,26(4):113-116.
[85]汤成友,刘晔.基于小波分析的最近邻抽样回归预报模型研究[J].人民长江,2011,42(6):53-56.
[86]周继成.人工神经网络——第六代计算机的实现[M].北京:科学普及出版社,1993:56
[87]刘增良,刘有才.模糊逻辑与神经网络——理论研究与探讨[M].北京:北京航天航空大学出版社,1996:113-118.
[88]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,1993:43-47.
[89]赵振宇,徐用懋.模糊理论和神经网络的基础与应用[M].北京:清华大学出版社,1996:135-136.
[90]刘江利,陈健,谢永兴.基于小波分析的浊度传感器故障诊断研究[J].传感器与微系统,2011,30(8):12-14.
[91]郭爽,徐克林,孙立锋.基于遗传算法的动态连续型设备布局方法[J].现代制造工程,2011,(11):58-63.
[92]于战科,张艳华,汪泽焱,等.改进遗传算法在城市交通诱导策略中的应用[J].控制与决策,2011,26(12):1891-1895.
[93]刘寒冰,吴春利,程永春.不同适应度函数的遗传算法在桥梁结构传感器布设中的应用[J].吉林大学学报(工学版),2012,42(1):51-56.
[94]张圆圆,景晓军.基于快速遗传算法的指纹匹配[J].计算机工程,2011,37(24):13-15.
[95]郑永前,王阳.基于遗传算法的加工工艺决策与排序优化[J].中国机械工程,2012,23(1):59-65.
[96]周戈,曾智.改进的遗传算法在数字滤波器优化应用研究[J].计算机仿真,2011,28(12):215-218.
[97]邹进,张友权.梯级水库优化调度中的矩形体遗传算法[J].水力发电学报,2012,31(1):27-33.
[98]李金金,田雨波.粒子群优化算法边界条件研究[J].计算机工程,2011,37(24):173-176.
[99] Tsai H, Lin Y. Modification of the fish swarm algorithm with particle swarm optimizationformulation and communication behavior[J]. Applied Soft Computing,2011,11(8):5367-5374.
[100]赵成业,闫正兵,刘兴高.改进的变参数粒子群优化算法[J].浙江大学学报(工学版),2011,45(12):2009-2012.
[101] Savsani V, Rao R V, Vakharia D P. Optimal weight design of a gear train using particle swarmoptimization and simulated annealing algorithms[J]. Mechanism and Machine Theory,2010,45(3):531-541.
[102]高鹰,刘怀亮.一种改进的粒子群优化算法及其在盲信号分离中的应用[J].广州大学学报(自然科学版),2011,10(6):42-48.
[103]祝勇,潘晓弘.基于改进粒子群优化算法的电子产品排产研究[J].中国机械工程,2011,22(1):49-54.
[104] Rao R V, Patel V K. Thermodynamic optimization of cross flow plate-fin heat exchanger usinga particle swarm optimization algorithm[J]. International Journal of Thermal Sciences,2010,49(9):1712-1721.
[105]张英杰,李亮,张英豪,等.一种基于双子群的改进粒子群优化算法[J].湖南大学学报(自然科学版),2011,38(1):84-88.
[106]蔡开科,刘凤荣.连铸坯凝固冷却过程的控制[J].金属学报,1984,20(3):146-154
[107]那贤昭,张慧,干勇,等.薄板坯连铸结晶器铜板的传热及变形数值分析与结构优化研究[J].钢铁,2000,35:233-238.
[108]刘爱强,刘立文.薄板坯结晶器铜板温度场监测研究与开发[J].钢铁,2005,33:182-184.
[109] Thomas B G. Modeling the Thin Slab Continuous Casting Mold[J]. Metallurgical Transactions,1994,25(7):43-57.
[110]杨刚,李宝宽,于洋,等.薄板坯连铸结晶器铜板的三维传热分析[J].金属学报,2007,43(3):332-336.
[111]马青友.可视化连铸漏钢预报系统[D].沈阳:东北大学模式识别与智能系统学科硕士学位论文,2006:54-58.
[112] Shinichi, Kikuehi, Masakazu, et al. Recurrent Neural Network With Short-term Memory andFast Strueurtal Learning Method[J]. Systems and Computers in Japan,2003,34(6):69-79.
[113]李岳生,齐东旭.样条函数方法[M],北京:科学出版社,1979:102-131.
[114]谢文龙.磨光法的一个应用[J].江南大学学报(自然科学版),2002,1(2):200-202..
[2]杨拉道,谢东钢.常规板坯连铸技术[M].北京:冶金工业出版社,2002:13-16.
[3]马竹梧,邹立功,孙彦广,等.钢铁工业自动化炼钢卷[M].冶金工业出版社,2003:455-458.
[4]潘秀兰,李震,王艳红,等.近终形连铸技术的最新进展[J].冶金信息导刊,2007,(2):5-9.
[5]王定武.快速发展中的近终形连铸技术[J].冶金管理,2003,(11):49-51.
[6]郑林,赵俊学.近终形连铸技术的研究现状及发展前景[J].江苏冶金,2006,34(2):8-11.
[7]陈兴禹.薄板坯连铸连轧技术漫谈[J].金属世界,2011,(1):38-39.
[8]李博知,王钦.薄板坯连铸连轧技术及其发展[J].钢铁技术,2003,5:10-12.
[9]王定武.薄板坯连铸技术在不锈钢生产中的应用及前景[J].特殊钢,1997,18(3):22-24.
[10]陈兴禹.薄板坯连铸连轧工艺与传统工艺的比较[J].金属世界,2011,(4):10-15.
[11]毛新平.薄板坯连铸连轧技术综述[J].冶金丛刊,2004,150(2):35-39.
[12]郑申白,贾宝瑞,贾军艳.薄板坯连铸连轧工艺与传统热轧工艺的比较[J].河北理工学院学报,2007,29(2):54-57.
[13]杨晓江,刘黎明.世界薄板坯连铸连轧技术的现状及未来在唐钢的发展[J].河北冶金,2002,3:39-44,51.
[14]柴清风,贾艳,朱立光.现代连铸发展趋势及加快我省连铸发展的几点思考[J].河北冶金,1998,1:11-14,35.
[15]马立权.浅议高效连铸技术[J].甘肃冶金,1996,(3):20-21.
[16]王志坚,蒋叶舟,区勇铭.高效连铸技术的初步探讨[J].冶金丛刊,2002,137(3):5-8.
[17]殷瑞钰,张慧.新形势下薄板坯连铸连轧技术的进步与发展方向[J].钢铁,2011,46(4):1-9.
[18]殷瑞钰.中国薄板坯连铸连轧的进展[J].钢铁,2008,(3):1-9.
[19]赵建平,董福胜,马新光,等.唐钢提高FTSC薄板坯连铸机拉速的生产实践[J].河北冶金,2008,(6):40-41.
[20]吴华章,刘军,李明光,等.薄板坯连铸降低漏钢率的生产实践[J].世界钢铁,2009,(5):32-34.
[21]周汉香.连铸漏钢预报技术[J].炼钢,1999,15(4):57.
[22] Emling W H, Daoson S. Mold Instrumentation for Breakout Detection and Control[J].Steelmaking Conference Proceedings,1991:121-129.
[23]郝培锋,徐心和,裴云毅,黄祺.连铸漏钢预报系统数据采样与热电偶埋设方式[J].东北大学学报(自然科学版).1997,18(4):400-403.
[24]李文兵,田颖,罗公亮.神经元网络技术在连铸漏钢预报中的应用[J].冶金自动化.1998,(3):31-35.
[25]范建东,王唯一,荣亦诚,龚幼民. RBF神经网络应用于连铸漏钢预报[J].上海大学学报(自然科学版).2001,7(5):391-393.
[26]杨建华,王刚,刘文琦.基于拉坯阻力的板坯连铸结晶器漏钢预报[J].仪器仪表学报.2002,23(3):505-506.
[27]魏树立,姚曼,杜波,等.用连铸拉坯阻力异常进行漏钢预报研究[J].连铸.2002，(5):4-6.
[28]孙卓,王唯一,张明.结晶器热电偶温度数据预处理方法的研究[J].铸造.2003,52(4):267-268.
[29]赵辉,武冬蕾,刘鲁源,等.基于时域分析的拉坯阻力曲线异常特征提取及在漏钢预报上的应用[J].制造业自动化.2005,27(5):61-64.
[30]武冬蕾,赵辉.波形识别技术在漏钢预报中的应用[J].天津理工大学学报.2005,21(5):25-28.
[31]张剑辉,林行辛.连铸漏钢预报系统研究[J].自动化仪表.2006,(27):105-106,111.
[32]王洪涛,熊和金.基于灰关联聚类的连铸漏钢预报系统[J].中国水运.2007,5(1):142-143.
[33]赵琦,朱苗勇.基于改进模糊ART神经网络的连铸漏钢预报模型[J].中国冶金.2007,17(10):26-29,53.
[34]李肖,刘伟涛,许云华.传热反问题方法在漏钢预报中的应用[J].铸造技术.2007,28(5):702-704.
[35]史聚建.板坯连铸漏钢预报系统的研究[J].重庆科技学院学报(自然科学版).2008,10(1):66-68.
[36]杨琴,彭力.量子小波神经网络及其在漏钢预报中的应用[J].计算机工程与应用.2008,44(15):242-245,248.
[37]孙立根,张家泉.基于逻辑判断的板坯漏钢预报系统研究[J].冶金自动化.2009,33(1):16-20,25.
[38]厉英,王正,敖志广,等. BP神经网络漏钢预测系统优化[J].控制与决策.2010,25(3):453-456.
[39]秦旭,朱超甫,高光河,等.板坯漏钢机理及基于热电偶检测的漏钢预报技术研究[J].钢铁研究学报,2011,23(1):7-14.
[40]职建军,黄可为,田正宏,等.宝钢板坯连铸漏钢预报技术的进展[J].宝钢技术.2007,(6):69-72,80.
[41]赵建强,夏兆东.梅钢漏钢预报系统的应用实践[J].梅山科技,2011,(1):7-10.
[42]何涛焘,田陆,黎锋果.一种高准确率漏钢预报系统[J].连铸,2011,(3):9-12.
[43]童振.基于支持向量机的漏钢预报系统在唐钢板坯连铸项目中的应用[J].冶金自动化,2011,(6):73.
[44]李文涛,李扬.基于虚拟仪器的结晶器漏钢预报系统研究[J].工矿自动化,2011,(6):81-85.
[45]魏忠宝.热电偶测温漏钢预报技术在6~#连铸机中的应用[J].酒钢科技,2011,(1):46-51.
[46]王志政,孙健,杨晓刚.提高板坯连铸漏钢预报系统准确性的措施[J].连铸,2011,(3):39-42.
[47]彭金坤.板坯连铸漏钢预报系统的应用[J].工业仪表与自动化装置,2010,(5):90-92.
[48]何涛焘,田陆,黎锋果,等.基于热电偶测温的漏钢预报系统[J].传感器世界,2010,(11):29-33.
[49]秦旭,朱超甫,尹延荣.基于结晶器与坯壳间摩擦力的漏钢预报研究[J].中国科技信息,2008,(19):118-119.
[50]孙立根,张家泉.基于逻辑判断的板坯漏钢预报系统研究[J].冶金自动化,2009,33(1):16-21.
[51]王强,仇圣桃,赵沛,等.结晶器与铸坯间保护渣传热性能的研究现状[J].炼钢,2011,27(2):71-74.
[52]王艺慈,张芳,董方.结晶器固态渣膜形成过程及传热研究[J].铸造技术,2010,31(1):88-90.
[53]张慧,丁毅,陶红标,等. CSP和FTSC工艺结晶器的冷却结构及传热能力[J].钢铁研究学报,2010,22(5):19-22.
[54]郑蕾,胡大超,郑丽华.方圆坯连铸结晶器传热分析及温度场仿真研究[J].重型机械,2009,(6):23-26.
[55]王朝阳,王恩刚,张兴武,等.圆坯中频电磁软接触连铸结晶器内弯月面研究[J].铸造,2009,58(5):440-443.
[56]苏旺,朱苗勇,田陆.连铸结晶器非正弦振动对弯月面形状的影响[J].连铸,2009,(3):17-20.
[57]王朝阳,王恩刚,张兴武,等.圆坯中频电磁软接触连铸结晶器内弯月面波动分析[J].东北大学学报(自然科学版),2009,30(9):1282-1286.
[58] Waibel A, Hanazawa T, Hinton G. et al. Phoneme Recognition Using Time-delay NeuralNetworks[J]. IEEE Transaction on Acoustics, Speech and Signal Processing,1989,37(3):328-339.
[59]赵玉寿,刘惠康,吴玉辉.基于小波分析的电压闪变信号的提取[J].华东电力,2010,39(10):1643-1646.
[60]李春梅,李双成,王红亚.贵州麦岗水库小流域降水变化特征的小波分析[J].地理科学进展,2012,31(1):32-39.
[61]邴龙飞,邵全琴,刘纪远,等.基于小波分析的长江和黄河源区汛期、枯水期径流特征[J].地理科学,2011,(2):232-236.
[62] Cheng T, Rivard B, Sánchez-Azofeifa A. Spectroscopic determination of leaf water contentusing continuous wavelet analysis[J]. Remote Sensing of Environment,2011,115(2):659-670.
[63]赵登忠,张万昌,宣勇.基于小波分析的日降水时空模型构建及模拟[J].人民长江,2011,42(23):19-22.
[64]李小玉,何怡刚,李目,等.基于小波分析和遗传神经网络的模拟电路故障诊断方法[J].计算机应用研究,2011,28(12):4517-4520.
[65] Bradley A P, Wilson W J. On wavelet analysis of auditory evoked potentials[J]. ClinicalNeurophysiology,2004,115(5):1114-1128.
[66] zger M, Mishra A K, Singh V P. Scaling characteristics of precipitation data in conjunctionwith wavelet analysis[J]. Journal of Hydrology,2010,395(3-4):279-288.
[67]湛腾西,郭观七.基于小波分析和智能补偿的三相电力混合滤波算法[J].电力自动化设备,2012,32(1):54-61.
[68]朱呈祥,邹云.基于小波分析的分数阶系统辨识信号降噪的变尺度阈值方法[J].计算机应用,2011,31(2):543-547.
[69]韩捷,王宏超,陈宏,等.滚动轴承故障的全矢小波分析[J].轴承,2011,(3):45-47.
[70]王国林,胡蛟.小波分析在路面不平度信号降噪中的应用研究[J].机械设计与制造,2011,(4):65-67.
[71]马海波,郭慧芳,董增川,等.鄱阳湖出湖径流序列的多时间尺度小波分析[J].人民长江,2011,42(11):53-55.
[72] Wang Y, Niu D, Ji L. Short-term power load forecasting based on IVL-BP neural networktechnology[J]. Systems Engineering Procedia,2012,4:168-174.
[73] Bao Y, Ren J. Wetland Landscape Classification Based on the BP Neural Network in DaLinorLake Area[J]. Procedia Environmental Sciences,2011,10(C):2360-2366.
[74] Wang X, Qiu S, Wang Q. A New Method of Paper Defect Recognition Based on Wavelet PacketDecomposition and BP Neural Network[J]. Energy Procedia,2011,11:1491-1497.
[75]伍卫平,倪国胜,范钦红,等.小波分析法实现水轮发电机轴心轨迹的提纯[J].长江科学院院报,2012,29(1):53-57.
[76]金焱,毕学工.粘结漏钢裂纹扩展角度研究[J].南方金属,2008,(4):11-14.
[77]寇新民.时空模式识别神经元网络方法及应用研究[D].沈阳：东北大学控制工程与控制理论学科博士学位论文,1999:59-63.
[78]李冬梅.多级网络连铸漏钢预报系统的研究[D].秦皇岛:燕山大学机械设计及理论学科硕士学位论文,2008:37-39.
[79]靳荣.基于RBF神经网络和模糊理论的连铸漏钢预报系统的研究[D].秦皇岛:燕山大学机械设计及理论学科硕士学位论文,2009:32-35.
[80]王建伟.薄板坯连铸可视化漏钢预报系统的研究[D].秦皇岛:燕山大学机械设计及理论学科硕士学位论文,2011:33-35.
[81]吴国庆.板坯连铸结晶器漏钢预报系统浅析[C].第五届冶金工程科学论坛,冶金研究,2006:134-136.
[82]刘永贞.基于人工智能与热成像的结晶器漏钢预报系统[D].大连:大连理工大学材料加工工程学科硕士学位论文,2009:20-21.
[83]秦旭,陈智勇,周豪鸣,等.漏钢预报系统的原理分析[J].工艺技术,2005,3:22.
[84]邹春霞,申向东,李夏子,等.小波分析法在内蒙古寒旱区降水量特征研究中的应用[J].干旱区资源与环境,2012,26(4):113-116.
[85]汤成友,刘晔.基于小波分析的最近邻抽样回归预报模型研究[J].人民长江,2011,42(6):53-56.
[86]周继成.人工神经网络——第六代计算机的实现[M].北京:科学普及出版社,1993:56
[87]刘增良,刘有才.模糊逻辑与神经网络——理论研究与探讨[M].北京:北京航天航空大学出版社,1996:113-118.
[88]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,1993:43-47.
[89]赵振宇,徐用懋.模糊理论和神经网络的基础与应用[M].北京:清华大学出版社,1996:135-136.
[90]刘江利,陈健,谢永兴.基于小波分析的浊度传感器故障诊断研究[J].传感器与微系统,2011,30(8):12-14.
[91]郭爽,徐克林,孙立锋.基于遗传算法的动态连续型设备布局方法[J].现代制造工程,2011,(11):58-63.
[92]于战科,张艳华,汪泽焱,等.改进遗传算法在城市交通诱导策略中的应用[J].控制与决策,2011,26(12):1891-1895.
[93]刘寒冰,吴春利,程永春.不同适应度函数的遗传算法在桥梁结构传感器布设中的应用[J].吉林大学学报(工学版),2012,42(1):51-56.
[94]张圆圆,景晓军.基于快速遗传算法的指纹匹配[J].计算机工程,2011,37(24):13-15.
[95]郑永前,王阳.基于遗传算法的加工工艺决策与排序优化[J].中国机械工程,2012,23(1):59-65.
[96]周戈,曾智.改进的遗传算法在数字滤波器优化应用研究[J].计算机仿真,2011,28(12):215-218.
[97]邹进,张友权.梯级水库优化调度中的矩形体遗传算法[J].水力发电学报,2012,31(1):27-33.
[98]李金金,田雨波.粒子群优化算法边界条件研究[J].计算机工程,2011,37(24):173-176.
[99] Tsai H, Lin Y. Modification of the fish swarm algorithm with particle swarm optimizationformulation and communication behavior[J]. Applied Soft Computing,2011,11(8):5367-5374.
[100]赵成业,闫正兵,刘兴高.改进的变参数粒子群优化算法[J].浙江大学学报(工学版),2011,45(12):2009-2012.
[101] Savsani V, Rao R V, Vakharia D P. Optimal weight design of a gear train using particle swarmoptimization and simulated annealing algorithms[J]. Mechanism and Machine Theory,2010,45(3):531-541.
[102]高鹰,刘怀亮.一种改进的粒子群优化算法及其在盲信号分离中的应用[J].广州大学学报(自然科学版),2011,10(6):42-48.
[103]祝勇,潘晓弘.基于改进粒子群优化算法的电子产品排产研究[J].中国机械工程,2011,22(1):49-54.
[104] Rao R V, Patel V K. Thermodynamic optimization of cross flow plate-fin heat exchanger usinga particle swarm optimization algorithm[J]. International Journal of Thermal Sciences,2010,49(9):1712-1721.
[105]张英杰,李亮,张英豪,等.一种基于双子群的改进粒子群优化算法[J].湖南大学学报(自然科学版),2011,38(1):84-88.
[106]蔡开科,刘凤荣.连铸坯凝固冷却过程的控制[J].金属学报,1984,20(3):146-154
[107]那贤昭,张慧,干勇,等.薄板坯连铸结晶器铜板的传热及变形数值分析与结构优化研究[J].钢铁,2000,35:233-238.
[108]刘爱强,刘立文.薄板坯结晶器铜板温度场监测研究与开发[J].钢铁,2005,33:182-184.
[109] Thomas B G. Modeling the Thin Slab Continuous Casting Mold[J]. Metallurgical Transactions,1994,25(7):43-57.
[110]杨刚,李宝宽,于洋,等.薄板坯连铸结晶器铜板的三维传热分析[J].金属学报,2007,43(3):332-336.
[111]马青友.可视化连铸漏钢预报系统[D].沈阳:东北大学模式识别与智能系统学科硕士学位论文,2006:54-58.
[112] Shinichi, Kikuehi, Masakazu, et al. Recurrent Neural Network With Short-term Memory andFast Strueurtal Learning Method[J]. Systems and Computers in Japan,2003,34(6):69-79.
[113]李岳生,齐东旭.样条函数方法[M],北京:科学出版社,1979:102-131.
[114]谢文龙.磨光法的一个应用[J].江南大学学报(自然科学版),2002,1(2):200-202..
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |