改进极限学习机带钢厚度预测系统的设计与实现
发布时间：2021-11-06 13:30
随着社会的进步,汽车、家电、电子产品等许多行业得到快速发展,同时也提高对工业轧制产品质量的要求。在工业轧制过程中,带钢出口厚度是衡量轧制产品质量的重要评价指标,但影响带钢出口厚度的精度存在很多因素,而且每个因素对带钢出口厚度影响不同。因此对带钢出口厚度精度的智能控制,是轧制工业亟待解决的首要问题。目前钢铁轧制智能控制理论研究相对较少,随着人工智能技术在各个领域智能化、精细化的发展取得显著成就。轧制智能控制也成为人工智能研究的重要内容。通过学习机器学习理论,本文提出一种改进的极限学习机神经网络模型—混合蛙跳的反馈极限学习机（SFLA-FELM）,将其应用于轧制控制中,设计并实现了改进极限学习机的带钢厚度预测系统,主要实现的功能:系统注册登录、系统信息管理、数据管理及预处理、带钢厚度预测模型构建、带钢厚度预测。其中数据预处理和带钢厚度预测模型构建是本文研究的重点。本系统使用的数据来源于国内某钢厂的热连轧带钢实际生产过程,数据预处理中,首先利用互信息法计算带钢出口厚度与各影响因素的互信息值;然后选择对带钢厚度影响较大的因素,完成特征提取,从而降低模型的复杂度,提高预测精度;最后归一化带钢数据...
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
某钢厂热连轧轧机图
图 2-2 某钢厂热连轧轧机生产线结构图本文主要对经热连轧轧制生产线精轧机组轧制后的板带材轧制出口厚度进研究，所用精轧机组含有九个平辊机架，在轧制过程中需要通过传感器测量轧机组各机架对带钢出口厚度产生影响的参数，获得的参数数据包括轧制力、辊速度、辊缝、辊缝差、电机电流、出入口温度和板带材质等影响因素，并采集的数据以信号形式存在，将这些数据通过工业设备传输并保存以便实验使用。2 数据预处理相关技术在热连轧轧制生产过程中，由于工艺流程复杂度较高，板带材的质量受很因素影响，如轧制力、轧辊出口温度、轧制速度、轧机电流、辊缝、辊缝差、带材质等，而且每个影响因素对板带材轧制出口厚度根据张力控制方法产生同的非线性作用。若将众多影响数据参数直接作为带钢厚度预测模型的输入
图 2-3 极限学习机的网络结构图学习机算法原理M 算法的主要思想法为机器学习理论中重要的神经网络算法，在各个领域流为：给定一个训练数据集 L {( x ( n) , t ( n) ), n 1,2,..., N}),..., ( ))T dd x n R，1( ) ( ( ),..., ( ))T mmt n t n t n R。则 ELM 算法示：1( ( ) ) ( ), 1,2,...,HTj j jj g x n b t n n N .4)也可以表示为如下形式：H T( ,..., , ,..., , (1),..., ( ))H b b x x N
【参考文献】：
期刊论文
[1]基于在线序列优化极限学习机的电子商务客户流失量预测模型[J]. 杨力. 南京理工大学学报. 2019(01)
[2]极限学习机前沿进展与趋势[J]. 徐睿,梁循,齐金山,李志宇,张树森. 计算机学报. 2019(07)
[3]混合蛙跳算法的最优参数研究[J]. 孟凯露,尚俊娜,岳克强. 计算机应用研究. 2019(11)
[4]钢铁轧制技术的进步与发展趋势探索[J]. 林书振,张欢欢,冯文静. 南方金属. 2018(03)
[5]基于优化数据处理的深度信念网络模型的入侵检测方法[J]. 陈虹,万广雪,肖振久. 计算机应用. 2017(06)
[6]冷轧带钢表面粗糙度影响因素及控制策略[J]. 徐冬,张杰,李洪波,范庆国,卢劲松,董海龙. 中南大学学报(自然科学版). 2017(01)
[7]基于蛙跳算法优化SVM的小功率LED寿命预测模型[J]. 崔克楠,张志鹏,朱彤,唐普英,刘爽. 半导体技术. 2016(09)
[8]620mm热连轧窄带钢生产线快节奏轧制的全线跟踪[J]. 曹剑钊,彭文,龚殿尧,张殿华. 中国冶金. 2013(12)
[9]基于互信息的主成分分析特征选择算法[J]. 范雪莉,冯海泓,原猛. 控制与决策. 2013(06)
[10]基于互信息的分步式输入变量选择多元序列预测研究[J]. 韩敏,刘晓欣. 自动化学报. 2012(06)
博士论文
[1]带钢厚度优化控制与轧制过程健康状态诊断方法研究[D]. 孙丽杰.大连理工大学 2018
硕士论文
[1]极限学习机隐含层节点选择算法研究[D]. 徐志鑫.浙江大学 2017
[2]改进极限学习机亚健康识别算法研究[D]. 徐翠.辽宁大学 2016
[3]基于PSO算法的RBF神经网络在板形板厚综合控制中的应用[D]. 纪阳.东华大学 2013
[4]中文文本分类中互信息特征选择方法研究[D]. 邓彩凤.西南大学 2011
本文编号：3479923
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
某钢厂热连轧轧机图
图 2-2 某钢厂热连轧轧机生产线结构图本文主要对经热连轧轧制生产线精轧机组轧制后的板带材轧制出口厚度进研究，所用精轧机组含有九个平辊机架，在轧制过程中需要通过传感器测量轧机组各机架对带钢出口厚度产生影响的参数，获得的参数数据包括轧制力、辊速度、辊缝、辊缝差、电机电流、出入口温度和板带材质等影响因素，并采集的数据以信号形式存在，将这些数据通过工业设备传输并保存以便实验使用。2 数据预处理相关技术在热连轧轧制生产过程中，由于工艺流程复杂度较高，板带材的质量受很因素影响，如轧制力、轧辊出口温度、轧制速度、轧机电流、辊缝、辊缝差、带材质等，而且每个影响因素对板带材轧制出口厚度根据张力控制方法产生同的非线性作用。若将众多影响数据参数直接作为带钢厚度预测模型的输入
图 2-3 极限学习机的网络结构图学习机算法原理M 算法的主要思想法为机器学习理论中重要的神经网络算法，在各个领域流为：给定一个训练数据集 L {( x ( n) , t ( n) ), n 1,2,..., N}),..., ( ))T dd x n R，1( ) ( ( ),..., ( ))T mmt n t n t n R。则 ELM 算法示：1( ( ) ) ( ), 1,2,...,HTj j jj g x n b t n n N .4)也可以表示为如下形式：H T( ,..., , ,..., , (1),..., ( ))H b b x x N
【参考文献】：
期刊论文
[1]基于在线序列优化极限学习机的电子商务客户流失量预测模型[J]. 杨力. 南京理工大学学报. 2019(01)
[2]极限学习机前沿进展与趋势[J]. 徐睿,梁循,齐金山,李志宇,张树森. 计算机学报. 2019(07)
[3]混合蛙跳算法的最优参数研究[J]. 孟凯露,尚俊娜,岳克强. 计算机应用研究. 2019(11)
[4]钢铁轧制技术的进步与发展趋势探索[J]. 林书振,张欢欢,冯文静. 南方金属. 2018(03)
[5]基于优化数据处理的深度信念网络模型的入侵检测方法[J]. 陈虹,万广雪,肖振久. 计算机应用. 2017(06)
[6]冷轧带钢表面粗糙度影响因素及控制策略[J]. 徐冬,张杰,李洪波,范庆国,卢劲松,董海龙. 中南大学学报(自然科学版). 2017(01)
[7]基于蛙跳算法优化SVM的小功率LED寿命预测模型[J]. 崔克楠,张志鹏,朱彤,唐普英,刘爽. 半导体技术. 2016(09)
[8]620mm热连轧窄带钢生产线快节奏轧制的全线跟踪[J]. 曹剑钊,彭文,龚殿尧,张殿华. 中国冶金. 2013(12)
[9]基于互信息的主成分分析特征选择算法[J]. 范雪莉,冯海泓,原猛. 控制与决策. 2013(06)
[10]基于互信息的分步式输入变量选择多元序列预测研究[J]. 韩敏,刘晓欣. 自动化学报. 2012(06)
博士论文
[1]带钢厚度优化控制与轧制过程健康状态诊断方法研究[D]. 孙丽杰.大连理工大学 2018
硕士论文
[1]极限学习机隐含层节点选择算法研究[D]. 徐志鑫.浙江大学 2017
[2]改进极限学习机亚健康识别算法研究[D]. 徐翠.辽宁大学 2016
[3]基于PSO算法的RBF神经网络在板形板厚综合控制中的应用[D]. 纪阳.东华大学 2013
[4]中文文本分类中互信息特征选择方法研究[D]. 邓彩凤.西南大学 2011
本文编号：3479923
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3479923.html
