神经网络在热连轧模型计算中的应用
生物神经网络指生物通过触觉、大脑神经元、组织细胞等组成的网络，用于产生生物的思考意识和行动反应。
人工神经网络（ArtificialNeuralNetworks，简写为ANNs）简称为神经网络（NNs）是一种模仿生物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
神经网络是一个并行的信息处理系统，外部信息传送到神经元的第一层，经过处理后再传到神经元的第二层，依此类推，直至将结果传回外界。
随着计算机技术的发展，运算能力速度的大幅提高，神经网络的大规模并行处理、分布式存储、高度冗余和非线性运算等优势，在广阔的领域获得了重要的应用。
神经网络是一个具有学习能力和自适应能力的系统，经过学习训练后，神经网络会根据系统所处环境（即输入信号情况），自动发现环境特征和规律性，能够识别错误，不断提高系统本身的决策识别能力，从而使自己更加适应应用环境。
与神经网络相关的方法有：人工智能（AI），软计算，神经信息，专家系统，模糊逻辑，神经模糊，遗传算法，混沌论等。
神经网络设计模型包括多层感知系统，它包含输入层、隐藏层和输出层。
目前，神经网络主要应用在模式识别及函数近似上。函数近似是使用示例进行学习后，得到一个潜在的函数，有时也称作数据挖掘建模过程。
神经网络根据输入数据，得到函数的输出值（模拟输出）。
其优点是，可以不知道这个函数，或者这个函数是完全非线性的。热连轧机过程控制系统就是函数近似的一个应用领域。
热连轧过程控制自动化（二级）的任务是在材质进入轧机前为轧机计算和提供设定值。
基础自动化（一级）的任务是在带钢轧制过程中，根据给定的设定值进行实时控制。
带钢轧制完成后，过程自动化接收一级传来的实测值，供后计算功能使用。后计算功能的目的是，对预计算功能中的模型参数进行自学习，以此改善后续带钢的设定精度。
轧制过程的一个重要因素是材质的强度，反映到过程参数就是轧制压力,由于生产过程的千差万别,因此不可能用单一的数学模型根据化学成分等材料特性预报计算出实际的轧制压力。
而根据经验得到的某种材料的材质压力曲线，只适合几种特定材质。因此，必须根据实测的轧制压力来预估计算后续的轧制压力。
在神经网络使用之前的系统中，模型计算缺点：对于新材质，只能使用一个共用的平均值。
不使用化学成分信息，若较长时间不轧制某种材质，则相应的数据不再适合当前的轧机状态，需要创建和维护大量的历史文件。
使用神经网络进行轧制压力模型计算中,每个机架各有一条神经网络对应该架轧机的轧制压力预报，共建立7条轧制压力修正系数。
神经网利用神经网络可以不断修正轧制压力计算公式的错误，它具有数学模型的精确性，特别是经过不断训练，其结果会变得越来越好，模型计算精度会越来越高。
在热连轧模型系统中，模型自学习修正功能通过采用德国西门子公司研究开发的专用于轧钢自动化中的神经网络工具箱进行计算的。
它将神经网络集成于轧钢过程自动化中，采用在线及离线两种训练方法，不断根据输入的变化计算各修正参数，从而有效地提高了过程参数设定值的控制精度。
热连轧过程自动化中控制的一个重要质量参数是终轧温度。这个温度事先根据工艺要求制定。如何确保终轧温度对于轧制压力的计算也是十分重要的。
温度计算模型中包括一个KDT参数，它用来调整温度计算值，使之与实测值相吻合。
也可以将KDT理解为温度从带钢传到辊子而引起的模型计算错误，因为温度损失是温度模型中一个最不确定的因素。
每生产一块带钢，必须通过SIANS工具箱中的功能函数调用神经网络计算功能，从而得到修正系数。
每轧制完成一块带钢，均要SIANS工具箱中的功能函数调用神经网络再进行训练，从而不断提升修正系数的准确性。
神经网络在热连轧厂过程控制模型计算中已经应用多年，运行情况良好，经过学习训练后，压力预报与温度预报的准确率平均在97.5%以上,对模型预设定计算精度的提高起了决定性的作用，极大提高了热轧产品的产量及质量。
