AFS模糊分类方法在热轧层流冷却中的应用的中期报告本中期报告探讨了在热轧层流冷却过程中使用人工神经网络框架（AFS模糊分类方法）进行温度和厚度预测的应用情况。该方法是一种新的智能化的预测方法，可以对三维实时数据进行建模和训练，以预测钢板的温度和厚度。本研究的数据采集自一家钢铁厂的热轧线路，其中包括来自传感器和仪表的钢板温度和厚度数据。AFS模糊分类方法被用于对这些数据进行训练和预测。在研究期间，我们采用了两种类型的网络设计：AdaptiveNeuro-FuzzyInferenceSystems(ANFIS)和RadialBasisFunctionNetworks(RBFN)。这些网络被训练并用于预测钢板的温度和厚度。我们的研究发现，使用AFS模糊分类方法进行预测的结果比传统方法更加准确和精确。此外，RBFN相对于ANFIS来说具有更好的预测精度。使用AFS模糊分类方法还可以显著地减少预测错误和误差。在预测结果上，研究中的方法比一些现有的方法表现更好。总的来说，我们的研究表明，AFS模糊分类方法可以被广泛应用于钢铁生产领域，特别是在热轧层流冷却中。该方法对提高生产效率、降低生产成本和改善产品质量具有重要意义。未来研究将重点关注如何进一步完善方法以及将其应用于其他产业。