极限学习机在中厚板轧制力预报中的应用

发布时间：2021-08-01 00:06

　　轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力,精度较低。为提高轧制力预报精度,首先基于大量历史生产数据,通过主成分分析法对影响轧制力的因素进行处理和分析,选出权重较大的影响因子;其次选取现场代表钢种进行热模拟压缩实验,在此基础上提出基于极限学习机（ELM）的综合神经网络轧制力预报模型,即先通过化学成分计算出基准变形抗力,再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数,并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产,轧制力预报相对误差±10%以内占比提高15.61%,钢板头部厚度命中率提高1.9%。 

【文章来源】：钢铁研究学报. 2020,32(05)北大核心CSCD

【文章页数】：7 页

【部分图文】：

ELM神经网络与ELM神经网络的组合

隐层节点数对模型性能影响很大,隐层节点过多,会增加网络结构复杂性,且容易出现过拟合现象;隐层节点过少,则网络缺少必要的学习能力,性能差。目前还没有一种科学和普遍的理论确定方法,因此模型的隐层节点数在50～300之间选择。选取10次误差绝对值之和作为评价标准,利用10次10 折交叉验证确定不同隐层节点数的模型结构。图3为ELM神经网络模型主界面,Train指模型训练过程,可根据输入变量个数、隐层节点数范围及训练次数,得出最优神经网络结构;Predict界面可根据训练好的网络直接进行预报。经过分析和比对验证,最终确定的网络基本参数[20]如表1所示。

从图4可以看出,传统数学模型和单独用ELM神经网络预报轧制力,相对偏差基本控制在±20%以内;ELM综合神经网络模型预报精度,96.8%的样本相对偏差可控制在±10%以内。从表2可以看出,方案2各项指标优于传统模型和方案1,可以满足现场在线预报要求。表1 ELM基本参数Table 1 Fundamental parameters of ELM 预报类型 输入层节点数 隐含层节点数 激活函数 基准变形抗力 13 180 Sigmoid 轧制力 19 280 Sigmoid 轧制力 6 60 Sigmoid

【参考文献】：
期刊论文
[1]数据清洗对热轧微合金钢性能预报模型的改进[J]. 李维刚,王肖,杨威,赵云涛.  钢铁研究学报. 2019(10)
[2]基于极限学习机（ELM）的连铸坯质量预测[J]. 陈恒志,杨建平,卢新春,余相灼,刘青.  工程科学学报. 2018(07)
[3]基于相关主成分分析和极限学习机的风电机组主轴承状态监测研究[J]. 何群,王红,江国乾,谢平,李继猛,王腾超.  计量学报. 2018(01)
[4]主成分分析结合极限学习机的高炉炉温预测模型[J]. 袁冬芳,曹富军,李德荣.  内蒙古科技大学学报. 2017(04)
[5]人工智能在轧制领域中的应用进展[J]. 刘相华,赵启林,黄贞益.  轧钢. 2017(04)
[6]基于极限学习机的热轧薄板轧制力预测模型[J]. 曹卫华,李熙,吴敏,陈鑫.  信息与控制. 2014(03)
[7]主成分分析法在热轧吨钢电耗回归预测模型中的应用[J]. 曹阳,杨洁,张旭.  能源技术. 2010(01)
[8]轧制变形抗力数学模型的发展与研究动态[J]. 李英,刘建雄,柯晓涛.  钢铁研究. 2009(06)
[9]热轧带钢精轧过程高精度轧制力预测模型[J]. 李海军,徐建忠,王国栋.  东北大学学报(自然科学版). 2009(05)
[10]修正遗传神经网络预测中厚板轧机轧制力[J]. 付天亮,王昭东,王国栋,吴尚超.  东北大学学报(自然科学版). 2008(10)



本文编号：3314443