第三章重点分析和内容提要

1.常用数学模型：初等模型、简单的优化模型、数学规划模型、微分方程模型、差分方程模型、统计回归模型。

2.统计回归模型（重点中的重点）：通过视频学习一元线性回归、多元线性回归，通过作业题熟练。

3.为什么要预测轧制压力和变形抗力：热轧轧制压力的预报计算计算是个老问题。在热轧生产中，如何准确地预测在具体生产条件下的轧制压力重要，如果轧制压力太大，会导致轧辊的断裂甚至电机的烧毁；如果轧制压力太小，会导致轧制能力的浪费。通过准确地预报轧制力可使工厂的技术人员确定合适的轧制工艺。金属塑性变形抗力是表征钢材压力加工性能的一个基本量，正确确定不同变形条件下金属的变形抗力，是制定合理的轧制工艺规程的必要条件。

4.自学习的流程：

1) 采集实际数据 

   (1)同时数据。在同一时刻采集所有机架的有关数据 

   (2)同点数据。在轧件同一点上采集所有机架的有关数据

2) 检查实际测量数据检查各种实测数据的合理性，对实际数据进行极限值检查，判断设定值与实际值的偏差是否超过了给定的限制值。如果数据异常时，就输出报警，对本块钢不再进行数学模型的自学习，以避免由于测量数据的异常而造成的错误自学习。主要检查的数据有：PDI数据、带坯的厚度、宽度、温度、精轧温度、轧制力、轧制功率、轧机速度、电流、电压等3) 计算实际测量数据的平均值采用如下算法对实际数据计算平均值即去掉一个最大值，去掉一个最小值，然后取其平均值。

4) 更新自学习系数：首先计算各个自学习项目的“瞬时值”，然后进行指数平滑法的修正，最后更新自学习系数。即把新的自学习系数存储到学习文件中，供下次轧制时使用。

5.BP网络（自学内容，在上传的第三章讲义中有详细介绍）：其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐层逐层处理后传向输出层。若输出层的实际输出与期望输出（教师信号）不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。