基于机器学习的冷轧机轧制过程建模研究

发布时间：2024-02-27 05:18

　　在轧制过程当中,轧制力的初始设定决定了轧制规程的设置。并且影响着产品的质量与产量,轧制力准确的预报可以减少带材头尾长度。带材轧制过程具有多变量、非线性、强耦合的特征,如果利用传统的机理模型对轧制力进行推导预测,不仅适用面较窄,而且误差值较大,无法适应如今现场多规格产品、柔性化生产的要求。为了提高冷轧机的轧制力计算精度,从冷轧轧制基本理论出发,基于机器学习算法对轧制力进行统计建模。为了提高轧制力的预报精度,按照网络深度与学习方式建立了三种预测模型。针对传统机理模型假设过多与参数难以选取的缺陷,建立浅层机器学习模型。采用基于结构风险最小化的支持向量机模型对轧制力进行建模,考虑到支持向量机参数难以选取的问题,使用改进遗传算法对支持向量机的模型参数进行寻优处理。改进遗传算法中加入了精英策略与自适应遗传算子,以增加网络的收敛能力与局部搜索能力。浅层网络如支持向量机等模型,其表达能力受到了网络深度的限制无法有效完成对复杂函数的拟合。且在轧制生产过程当中,可提取大量轧制力相关数据。故为了满足轧制力大数据集下的预测,建立深度网络模型来预测轧制力。考虑深度网络存在梯度弥散等问题模型难以训练,本文将采取半...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景与意义
    1.2 带钢冷轧轧制力建模研究
        1.2.1 冷轧生产概况
        1.2.2 轧制力预报模型研究
    1.3 机器学习方法在轧制力预报中的应用
    1.4 深度学习的发展以及软测量上的应用
    1.5 研究内容与结构安排
第2章 基于IAGA-SVM模型的轧制力预报
    2.1 引言
    2.2 SVM机器学习模型
        2.2.1 支持向量机回归模型分析
        2.2.2 SVM参数分析
    2.3 基于遗传算法的参数优化
        2.3.1 改进IAGA算法
        2.3.2 IAGA优化SVR
    2.4 IAGA-SVR轧制力预报
        2.4.1 轧制力机理模型
        2.4.2 IAGA-SVR模型仿真
    2.5 本章小结
第3章 基于去噪自编码的半监督轧制力预报
    3.1 引言
    3.2 半监督学习
        3.2.1 无监督预学习与有效特征分析
        3.2.2 半监督栈式自编码网络
    3.3 半监督网络下的轧制力预报
        3.3.1 半监督网络模型与实验仿真
    3.4 本章小结
第4章 基于深度学习网络的轧制力预报
    4.1 引言
    4.2 深度网络模型
        4.2.1 多层BP神经网络与网络向量化
        4.2.2 小批量梯度下降方法
        4.2.3 批归一化网络结构
        4.2.4 Adam随机优化方法
        4.2.5 线性整流激活函数
    4.3 深度网络下的轧制力预报
        4.3.1 深度网络轧制力预报模型
        4.3.2 实验仿真与结果分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3912427