热轧支持辊的健康状态在带钢板形质量和轧制稳定性控制中起着关键作用，非线性、强耦合、少样本等特点使得热轧支持辊健康状态的预测复杂，目前各大钢厂仍以定期维护和事后维修为主。本文提出了一种支持辊虚拟健康指数的构建方法以及基于Copula函数的复杂工况健康状态预测模型。首先结合支持辊弯窜辊数据表征支持辊健康状态，再使用K-means聚类方法对支持辊工况进行划分，将各工况下过程数据分别构建Copula预测模型，最后根据实际轧制计划的排布顺序融合各工况模型的预测结果。提出的基于Copula函数的预测模型在某钢厂1780热连轧产线得到应用，结果表明，该模型能够准确有效的按照轧制计划实现支持辊的健康状态预测，以更科学的策略指导支持辊更换维护

新一代微机操作系统,它们具有以下功能:GUI 、多用户和多任务、虚拟存储管理、网络通信支 持、数据库支持、多媒体支持、应用编程支持 API。并且还具有以下特点:(1)开放性支持 不同系统互连、支持分布式处理和支持多CPU系 统。(2)通用性支持应用程序的独立性和在不 同平台上的可移植性。(3)高性能随着硬件性 能提高、64位机逐步普及、CPU速度进一步提高 微机操作系统中引进了许多以前在中、大型机 上才能实现的技术,支持多线程,支持对称处理 器SMP,导致计算机系统性能大大提高。(4) 采用微内核结构提供基本支撑功能的内核极小 ;大部分操作系统功能由内核之外运行的服务器 来实现

非对称的CVC工作辊与对称支持辊辊形配置易导致下游机架支持辊辊形自保持性差.利用ANSYS有限元软件分析F4机架常规支持辊磨损对轧机板形调控性能及辊间接触压力分布的影响,发现严重的支持辊不均匀磨损会影响轧机的板形控制稳定性,并导致支持辊剥落增加辊耗.基于有限元分析提出一种新的支持辊辊形,实验证明新辊形具有良好的自保持性,可在整个服役期内稳定发挥其性能,并在支持辊服役后期缓解辊间接触压力尖峰的出现

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高

针对某1700冷轧平整机支持辊表面振纹问题进行了连续跟踪测试.在对平整机固有特性研究的基础上,通过对支持辊各个使用时期内振动信号的分析与比较,得到了平整机的振动特征以及振动与振纹之间的相互影响关系:在支持辊使用初期,平整机系统的振动以自激振动为主,振动频率为150Hz,在稳定轧制阶段工作辊对支持辊的相对运动形成支持辊表面振纹;在支持辊使用中后期,由振纹引起的强迫振动进一步加速了振纹的形成,系统的振动为强迫振动和自激振动共存.在对振纹形成过程认识的基础上提出了振纹抑制措施,即在轧件入口侧增加抑振辊或改变轧制速度

了解决策支持系统的产生与发展。 掌握决策支持系统(DSS)的定义、功能、组成以及与MIS的关系。 熟悉智能DSS和群体DSS的概念及组成。 掌握人工智能的发展史、主要研究领域等。 第一节 决策支持系统的概念 第二节 决策支持系统的组成 第三、四节 人工智能与群体决策支持系统

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

将支持向量机(SVM)和遗传算法(GA)集成应用到矿体品位插值问题中,利用遗传算法全局搜索的优势对支持向量机的三个关键参数——惩罚系数C、不敏感系数ε和核函数参数σ进行寻优,克服单纯支持向量机法中依靠经验确定参数的局限性.将优化参数代入到支持向量机中进行迭代训练,得到基于遗传算法参数优化的支持向量机(GA-SVM)矿体品位插值模型.以国内典型矿山的实际勘探数据为例,通过该品位插值模型计算结果与传统插值方法计算结果和矿山生产实际数据的对比分析,验证了其可行性和有效性

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路

本章将从决策支持系统的概念、决策支持系统的组成、智能决策支持系统及群体决策支持系统等四个方面分别叙述决策支持系统的基本知识