神經網絡在熱連軋模型計算中的應用
生物神經網絡指生物通過觸覺、大腦神經元、組織細胞等組成的網絡，用于産生生物的思考意識和行動反應。
人工神經網絡（ArtificialNeuralNetworks，簡寫為ANNs）簡稱為神經網絡（NNs）是一種模仿生物神經網絡行為特征，進行分布式并行資訊處理的算法數學模型。
神經網絡是一個并行的資訊處理系統，外部資訊傳送到神經元的第一層，經過處理後再傳到神經元的第二層，依此類推，直至将結果傳回外界。
随着計算機技術的發展，運算能力速度的大幅提高，神經網絡的大規模并行處理、分布式存儲、高度備援和非線性運算等優勢，在廣闊的領域獲得了重要的應用。
神經網絡是一個具有學習能力和自适應能力的系統，經過學習訓練後，神經網絡會根據系統所處環境（即輸入信号情況），自動發現環境特征和規律性，能夠識别錯誤，不斷提高系統本身的決策識别能力，進而使自己更加适應應用環境。
與神經網絡相關的方法有：人工智能（AI），軟計算，神經資訊，專家系統，模糊邏輯，神經模糊，遺傳算法，混沌論等。
神經網絡設計模型包括多層感覺系統，它包含輸入層、隐藏層和輸出層。
目前，神經網絡主要應用在模式識别及函數近似上。函數近似是使用示例進行學習後，得到一個潛在的函數，有時也稱作資料挖掘模組化過程。
神經網絡根據輸入資料，得到函數的輸出值（模拟輸出）。
其優點是，可以不知道這個函數，或者這個函數是完全非線性的。熱連軋機過程控制系統就是函數近似的一個應用領域。
熱連軋過程控制自動化（二級）的任務是在材質進入軋機前為軋機計算和提供設定值。
基礎自動化（一級）的任務是在帶鋼軋制過程中，根據給定的設定值進行實時控制。
帶鋼軋制完成後，過程自動化接收一級傳來的實測值，供後計算功能使用。後計算功能的目的是，對預計算功能中的模型參數進行自學習，以此改善後續帶鋼的設定精度。
軋制過程的一個重要因素是材質的強度，反映到過程參數就是軋制壓力,由于生産過程的千差萬别,是以不可能用單一的數學模型根據化學成分等材料特性預報計算出實際的軋制壓力。
而根據經驗得到的某種材料的材質壓力曲線，隻适合幾種特定材質。是以，必須根據實測的軋制壓力來預估計算後續的軋制壓力。
在神經網絡使用之前的系統中，模型計算缺點：對于新材質，隻能使用一個共用的平均值。
不使用化學成分資訊，若較長時間不軋制某種材質，則相應的資料不再适合目前的軋機狀态，需要建立和維護大量的曆史檔案。
使用神經網絡進行軋制壓力模型計算中,每個機架各有一條神經網絡對應該架軋機的軋制壓力預報，共建立7條軋制壓力修正系數。
神經網利用神經網絡可以不斷修正軋制壓力計算公式的錯誤，它具有數學模型的精确性，特别是經過不斷訓練，其結果會變得越來越好，模型計算精度會越來越高。
在熱連軋模型系統中，模型自學習修正功能通過采用德國西門子公司研究開發的專用于軋鋼自動化中的神經網絡工具箱進行計算的。
它将神經網絡內建于軋鋼過程自動化中，采用線上及離線兩種訓練方法，不斷根據輸入的變化計算各修正參數，進而有效地提高了過程參數設定值的控制精度。
熱連軋過程自動化中控制的一個重要品質參數是終軋溫度。這個溫度事先根據工藝要求制定。如何確定終軋溫度對于軋制壓力的計算也是十分重要的。
溫度計算模型中包括一個KDT參數，它用來調整溫度計算值，使之與實測值相吻合。
也可以将KDT了解為溫度從帶鋼傳到輥子而引起的模型計算錯誤，因為溫度損失是溫度模型中一個最不确定的因素。
每生産一塊帶鋼，必須通過SIANS工具箱中的功能函數調用神經網絡計算功能，進而得到修正系數。
每軋制完成一塊帶鋼，均要SIANS工具箱中的功能函數調用神經網絡再進行訓練，進而不斷提升修正系數的準确性。
神經網絡在熱連軋廠過程控制模型計算中已經應用多年，運作情況良好，經過學習訓練後，壓力預報與溫度預報的準确率平均在97.5%以上,對模型預設定計算精度的提高起了決定性的作用，極大提高了熱軋産品的産量及品質。
