针对钢包连铸过程中需要精确控制下渣时刻的问题,提出一种基于局部加权回归和长短时记忆(LSTM)神经网络模型的连铸下渣预测系统。该系统对下渣过程中采集到的信号进行处理和识别,可准确预测下渣时刻。结合某钢厂的实际生产情况,在采集到的大量钢包下渣相关参数中,提取主要特征;使用局部加权回归对数据进行过滤处理,再结合LSTM建立下渣预测模型;给出LSTM模型与ARIMA模型、RNN模型的预测结果比较。研究结果表明,长短时记忆神经网络模型的预测误差小,预测准确度较高,具有广泛的应用前景。

针对板带轧机液压AGC系统在线故障诊断问题,建立了一种基于非线性自回归滑动平均模型(NARMA的递归神经网络,通过AIC定阶法确定模型阶次。运用生产实际数据,通过动态学习算法完成对网络的训练,使网络映射系统的动力学特性。该网络模型避免了故障的自学习,能够很好地实现故障检测。试验研究证明了该神经网络方法进行轧机液压AGC系统在线故障诊断的可行性和有效性。

针对硬件传感器安装、调试、维护复杂等缺点,采用了一种基于递归神经网络（recurrent neural network,RNN）的转速估计器,取代传统传感器完成转速检测任务.递归神经网络采用带遗忘因子的最小二乘（RLS）估计算法,该方法利用RNN强的非线性动态特性,可以在线训练权重,从而可以快速跟踪参数变化、负载变动等情况.最后,通过MATLAB/Simulink仿真验证了此方法的有效性.