热轧带钢出口凸度数据驱动建模及智能化预测分析
发布时间：2021-06-24 18:56
提出一种基于热轧现场生产数据和智能算法的新型带钢出口凸度预测模型,该模型采用差分进化算法对支持向量机的惩罚因子和核函数宽度进行优化。确定了支持向量回归模型的最佳参数组合,采用大量实际生产数据对模型进行训练并将其用于带钢出口凸度预测。该模型结构简单、容易实现,其整体性能用平均绝对误差（MAE）、平均绝对百分误差（MAPE）、均方根误差（RMSE）和决定系数R2来评价。预测值和实际值的比较验证了所提出模型的可行性。
【文章来源】：中国机械工程. 2020,31(22)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
DE算法优化SVR参数流程图
图3所示为三种模型在相同的训练集上进行训练,并在相同的测试集上预测的结果。由图3可以看出,三种模型都较好地实现了带钢出口凸度的准确预测,预测值和实际值契合度良好。本文所提出的基于数据驱动的带钢出口凸度预测模型相对于基于有限元方法和凸度解析计算建立的模型而言,预测精度更优。对测试集上155块带钢样本的预测结果进行分析发现,凸度预测值误差全部在-10～10 μm以内,而在-5～5 μm内的凸度命中率则为92.26%。一般而言,训练集数据用于模型的建立,测试集数据没有参与模型建立过程中的参数调优,所以测试集上的预测效果更能反映模型的整体性能。为了定量地分析各个模型之间存在的差异,特绘制了三种模型在测试集上的回归效果,如图4所示。从图4中可以看出,经过GA和DE算法优化的模型,测试集上回归散点更加均匀地分布在直线y=x两侧,这代表整体上预测值和实际值的差距更小,预测的异常值相比于简单SVR模型异常值少。决定系数R2用来评估模型预测值和实际值的拟合程度,R2=1表示理想拟合状态,R2值越小,模型综合性能越差。DE-SVR模型决定系数为0.980 5,是三个模型中的最大值,拟合度最优。
表2 三种模型训练集和测试集上误差指标计算值Tab.2 Error index calculation value of three models for training and test set 指标 训练集 测试集 简单SVR GA-SVR DE-SVR 简单SVR GA-SVR DE-SVR MAE 3.449 2.967 2.786 3.930 2.966 2.663 MAPE (%) 6.126 5.219 4.781 6.745 5.239 4.561 RMSE 3.901 3.486 3.299 5.152 3.506 3.2864 结论
【参考文献】：
期刊论文
[1]基于数据挖掘的宽厚板板凸度控制[J]. 曹建国,江军,赵秋芳,何安瑞,李存福,孙旭东. 中南大学学报(自然科学版). 2019(11)
[2]一个轧制单元内实时辊系综合凸度预测及应用[J]. 陈胜利,何安瑞,徐致让,邵健,刘洋. 机械工程学报. 2017(02)
[3]基于极限学习机的板形预测模型[J]. 黄长清,李滔. 机械科学与技术. 2014(04)
[4]1580mm热带钢轧机板形控制系统[J]. 何安瑞,邵健,凌智,孙志军,刘超伟. 钢铁. 2011(03)
[5]支持向量机的时间序列回归与预测[J]. 董辉,傅鹤林,冷伍明. 系统仿真学报. 2006(07)
[6]带钢板形控制技术及目标板形的经济影响[J]. DereA.shaw,应俞岳,黄云辉. 钢铁技术. 2004(05)
[7]支持向量机研究[J]. 崔伟东,周志华,李星. 计算机工程与应用. 2001(01)
本文编号：3247652
【文章来源】：中国机械工程. 2020,31(22)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
DE算法优化SVR参数流程图
图3所示为三种模型在相同的训练集上进行训练,并在相同的测试集上预测的结果。由图3可以看出,三种模型都较好地实现了带钢出口凸度的准确预测,预测值和实际值契合度良好。本文所提出的基于数据驱动的带钢出口凸度预测模型相对于基于有限元方法和凸度解析计算建立的模型而言,预测精度更优。对测试集上155块带钢样本的预测结果进行分析发现,凸度预测值误差全部在-10～10 μm以内,而在-5～5 μm内的凸度命中率则为92.26%。一般而言,训练集数据用于模型的建立,测试集数据没有参与模型建立过程中的参数调优,所以测试集上的预测效果更能反映模型的整体性能。为了定量地分析各个模型之间存在的差异,特绘制了三种模型在测试集上的回归效果,如图4所示。从图4中可以看出,经过GA和DE算法优化的模型,测试集上回归散点更加均匀地分布在直线y=x两侧,这代表整体上预测值和实际值的差距更小,预测的异常值相比于简单SVR模型异常值少。决定系数R2用来评估模型预测值和实际值的拟合程度,R2=1表示理想拟合状态,R2值越小,模型综合性能越差。DE-SVR模型决定系数为0.980 5,是三个模型中的最大值,拟合度最优。
表2 三种模型训练集和测试集上误差指标计算值Tab.2 Error index calculation value of three models for training and test set 指标 训练集 测试集 简单SVR GA-SVR DE-SVR 简单SVR GA-SVR DE-SVR MAE 3.449 2.967 2.786 3.930 2.966 2.663 MAPE (%) 6.126 5.219 4.781 6.745 5.239 4.561 RMSE 3.901 3.486 3.299 5.152 3.506 3.2864 结论
【参考文献】：
期刊论文
[1]基于数据挖掘的宽厚板板凸度控制[J]. 曹建国,江军,赵秋芳,何安瑞,李存福,孙旭东. 中南大学学报(自然科学版). 2019(11)
[2]一个轧制单元内实时辊系综合凸度预测及应用[J]. 陈胜利,何安瑞,徐致让,邵健,刘洋. 机械工程学报. 2017(02)
[3]基于极限学习机的板形预测模型[J]. 黄长清,李滔. 机械科学与技术. 2014(04)
[4]1580mm热带钢轧机板形控制系统[J]. 何安瑞,邵健,凌智,孙志军,刘超伟. 钢铁. 2011(03)
[5]支持向量机的时间序列回归与预测[J]. 董辉,傅鹤林,冷伍明. 系统仿真学报. 2006(07)
[6]带钢板形控制技术及目标板形的经济影响[J]. DereA.shaw,应俞岳,黄云辉. 钢铁技术. 2004(05)
[7]支持向量机研究[J]. 崔伟东,周志华,李星. 计算机工程与应用. 2001(01)
本文编号：3247652
本文链接：https://www.wllwen.com/kejilunwen/jinshugongy/3247652.html
教材专著
