宣钢炼钢厂推广新工艺中包寿命显著提高.pdfVIP

维普资讯 · 4 · 重 型 机 械 2o07No．3 ()=叼 OJ( 标 ．，能达到一定值 (即 ．，≤s)。现场投人10rain 而k) 后神经网络学习完成，实际膜厚能较好跟随给定 a．，fk)a’，(k) 值。本方案采用在线滚动巡优，能较好消除现场 叼 丽 各种干扰；同时增加了神经网络学习保护程序， =一叼 [Y(k)一 ^(后)]g(k) 能保证系统稳定运行。 ccJ(k+1)=ccJ“()+ “(k)+ ((cJ“(k)一∞H(k一1)) 式中叼 3,o分别为学习率和动量因子。 5 结论 节点基宽： 本文简要介绍了神经网络系统在表面工程技 △6l㈤ 术的应用，阐述了影响辊涂机膜厚的因素，分析 了神经网络系统控制的特点，并将神经网络应用 砉 于辊涂机膜厚控制系统，利用神经网络的非线性 映射和 自学习能力，在线辨识系统模型，实时跟 =一叼 [ ()一y ()]ccJ()g。× 踪模型的变化，能够很好的对涂装方式、辊涂机 涂敷辊与粘料辊的辊间压力、涂敷辊相对于带材 ㈤ 速度及涂敷辊与带材之间的压力进行模糊控制， 6i(k+1)=6(k)+Ab(k)+136(6(k)一6(k一1)) 达到了将膜厚控制在一定工艺范围内的目的。其 式中，叼、 分别为学习率和动量因子。 在工业生产中的成功应用，有效的解决了传统的 节点中心矢量 ： 控制方式造成膜厚不符合工艺要求的问题。 参考文献： ㈤ 器 [1] MartinT．Hagan，HouwavdB．Demuth，MarkH．Beale． 砉 神经网络设计 [M]．戴葵译．北京：机械工业出版 社 ，2005． [2] SimonHagkin．神经网络原理 [M]．叶世伟译．北 =一叼，[Y()-y ()]ccJ“(后) × 1 京 ：机械工业出版社 ，2004． O ∑( (k)一C(k)) [3] 张学敏编著．涂装工艺学[M]．北京：化学工业 ) 出版社，2002． [4] 王锡春，江英涛．涂装技术 [M]．北京：化学工 (+1)= ()+△ ()+13 c()一 (一1)) 业出版社 ，1986． 式中，叼 JB分别为学习率和动量因子 。 [5] 虞兆年．涂料工艺[M]．