Повышение качества горячекатаной трубной листовой стали по механическим свойствам с использованием нейросетевого моделирования

• Автор: Курбан, Виктор Васильевич
• Шифр специальности: 05.02.23
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Магнитогорск
• Количество страниц: 195 с. : ил.

Глава 1. ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ И УЛУЧШЕНИЯ МЕХАНИЧЕСКИХ СВОЙСТВ КАК ОДНОЙ ИЗ ВАЖНЕЙШИХ ГРУПП ПОКАЗАТЕЛЕЙ КАЧЕСТВА ГОРЯЧЕКАТАНЫХ ПОЛОС
1.1. Характеристики качества горячекатаной листовой стали и роль группы показателей механических свойств
1.2. Анализ факторов, влияющих на механические свойства горячекатаных полос
1.2.1. Химический состав стали
1.2.2. Условия нагрева слябов
1.2.3 Скорость непрерывной прокатки, температуры конца прокатки и смотки, степень деформации и скорость охлаждения при горячей прокатке
1.3. Необходимость и существующие методы прогнозирования механических свойств горячекатаных полос
1.3.1 Методы неразрушающего контроля качества металлопроката
1.3.2. Статистические методы контроля в управлении качеством
1.4. Применение нейросетевых моделей как эффективного метода прогнозирования и улучшения механических свойств горячекатаных полос
1.5. Постановка цели и задач работ
Глава 2. ПРОГНОЗИРОВАНИЕ МЕХАНИЧЕСКИХ СВОЙСТВ ТРУБНОГО ПРОКАТА В УСЛОВИЯХ ШИРОКОПОЛОСНОГО СТАНА 2000 ОАО «ММК»
НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
2.1. Выбор входных параметров для прогнозирования механических свойств трубных сталей с учетом регламентации требований к ним

2.2. Выбор нейросетевой модели с учетом различных типов и архитектур нейронных сетей, предназначенных для задач прогнозирования
2.2.1. Анализ известных типов и архитектур нейронных сетей
2.3. Методика сбора информации о значениях входных и выходных параметров
2.4. Обучение и тестирование, структура и алгоритм настройки нейронной сети
2.4.1. Обучение нейронной сети
2.4.2. Алгоритм настройки нейронной сети
2.4.3. Структура нейронной сети
2.4.4. Тестирование нейронной сети
Выводы по главе
Глава 3. ПРОВЕРКА АДЕКВАТНОСТИ И ИСПОЛЬЗОВАНИЕ РАЗРАБОТАННОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ МЕХАНИЧЕСКИХ СВОЙСТВ ТРУБНЫХ СТАЛЕЙ В УСЛОВИЯХ СТАНА 2000 ОАО «ММК»
3.1. Методика определения механических свойств стали в лаборатории мех испытаний ЦЖ ОАО «ММК» на основе статистического метода
3.1.1. Подготовка исходной информации и ее обработка
3.1.2. Контроль за методикой
3.2. Сравнение спрогнозированных на основе нейросетевого моделирования показателей механических свойств стали
с результатами, полученными при помощи регрессионных уравнений и натурных испытаний
Выводы по главе
Глава 4. УЛУЧШЕНИЕ МЕХАНИЧЕСКИХ СВОЙСТВ ТРУБНЫХ СТАЛЕЙ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВОЙ МОДЕЛИ

4.1. Постановка задачи моделирования для повышения
качества продукции
4.2. Определение требуемых входных параметров для получения заданных показателей механических свойств
4.3. Выбор нейросетевой модели, обучение, тестирование
4.4. Исследование влияния технологических параметров и химического состава стали на механические свойства трубных сталей
в условиях стана 2000 горячей прокатки
4.5. Определение влияния химических элементов на изменение технологических свойств стали 17Г1СА-У
Выводы по главе 4
Глава 5. СИСТЕМА УПРАВЛЕНИЯ КАЧЕСТВОМ ПРОДУКЦИИ
ОАО “ММК”
5.1. Современные модели управления качеством продукции
5.2. Существующая информационная система управления
технологией производства и качеством продукции
5.3. Совершенствование системы управления технологией производства и качеством продукции с учетом применения нейросетевых моделей прогнозирования технологических параметров производства
и механических свойств проката
Выводы по главе 5
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ПРИЛОЖЕНИЕ 1
ПРИЛОЖЕНИЕ 2
ПРИЛОЖЕНИЕ 3
ПРИЛОЖЕНИЕ 4
ПРИЛОЖЕНИЕ 5

это соответствует разбиению пространства входных данных посредством гиперплоскостей.
Сети, использующие радиально базисные функции (RBF-сети), являются частным случаем двухслойной сети прямого распространения. В отличие от многослойного персептрона с его линейным подходом в сети на радиальных базисных функциях используется радиальная функция.
Сеть типа радиальной базисной функции (RBF) имеет промежуточный слой из радиальных элементов, каждый из которых воспроизводит гауссову поверхность отклика. Поверхность отклика радиального элемента представляет собой гауссову функцию (колоколообразной формы) с вершиной в центре и понижением к краям. Наклон гауссова радиального элемента можно менять подобно тому, как можно менять наклон сигмоидной кривой в MLP. Поскольку эти функции нелинейны, для моделирования произвольной функции нет необходимости брать более одного промежуточного слоя. Для моделирования любой функции необходимо лишь взять достаточное число радиальных элементов.
Сети RBF имеют ряд преимуществ перед сетями MLP. Во-первых, как уже сказано, они моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя и тем самым избавляют нас от необходимости решать вопрос о числе слоев. Во-вторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью хорошо известных методов линейного моделирования, которые работают быстро и не испытывают трудностей с локальными минимумами, так мешающими при обучении MLP. Поэтому сеть RBF обучается очень быстро (на порядок быстрее MLP). С другой стороны, до того, как применять линейную оптимизацию в выходном слое сети RBF, необходимо определить число радиальных элементов, положение их центров и величины отклонений. Соответствующие алгоритмы, хотя и работают быстрее алгоритмов обучения MLP, в меньшей степени пригодны для отыскания субоптимальных решений. Сети RBF более чувствитель-