基于最小二乘支持向量机的轧制力预测

发布时间：2017-06-17 05:00

  本文关键词：基于最小二乘支持向量机的轧制力预测，由笔耕文化传播整理发布。

【摘要】：板带轧钢生产过程中,轧制力的准确预测直接影响着带钢的形状精度、尺寸精度等产品质量。轧机的压下量主要依靠轧制力的大小进行合理分配,所以精轧轧制力模型的预测精度很大程度上决定了带钢头部的精度,以及如何精确地设定辊缝,并对穿带稳定性有着直接的影响。计算轧制力的传统数学模型(TMM)结构简单,精度较低,即使采用模型自学习技术,受本身模型结构的限定,也难以得到足够精确的近似值。因此,需要不断进行探索,建立新的轧制力预测模型,以便进一步提高轧制力预测精度。本文建立了最小二乘支持向量机(LSSVM)轧制力预测模型,采用径向基(RBF)核和多项式核线性组合而成的混合核函数,以使该模型具有更强的泛化能力,并利用粒子群优化算法得到最优模型参数。为了进一步提高预测精度,便于LSSVM轧制力模型的在线应用,将LSSVM轧制力模型与TMM轧制力模型进行组合,得到组合模型。通过特征选择与提取,采集现场数据,建立Oracle模型训练数据库,利用Matlab2012编写程序,对传统数学模型、BP神经网络模型(BPNN)、最小二乘支持向量机模型和组合模型四种轧制力预测模型进行了仿真研究。最终,将建立的轧制力预测模型嵌入到轧钢二级系统平台,利用VC2010编写程序,实现轧制力在线预测系统和离线模型训练工具,以进行在线应用。实验表明,BPNN模型优于TMM模型,但BPNN模型提高预测精度,同时也会增加模型VC维,模型复杂性增加,从而降低了模型的泛化能力。LSSVM模型优于BPNN和TMM模型,而组合模型均优于三种单一模型,对模型预测精度有很大的提高。LSSVM具有很强的学习能力和泛化能力,很大程度上提高了轧制力预测精度,在实际应用中有很大的潜力。
【关键词】：制力预测 最小二乘支持向量机 粒子群优化算法 混合核函数
【学位授予单位】：冶金自动化研究设计院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TG335.5;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 课题背景及意义9
• 1.2 轧制力模型的发展9-10
• 1.3 人工智能在轧制力预测中的研究现状10-13
• 1.3.1 神经网络轧制力预测现状11
• 1.3.2 支持向量机轧制力预测现状11-12
• 1.3.3 支持向量机与神经网络对比12-13
• 1.4 本文主要研究内容13-15
• 第2章 支持向量机15-25
• 2.1 机器学习15-17
• 2.1.1 机器学习问题表示15-16
• 2.1.2 经验风险最小化16-17
• 2.2 统计学习理论17-19
• 2.2.1 学习过程的一致性条件17-18
• 2.2.2 VC维理论18
• 2.2.3 推广性的界18-19
• 2.2.4 结构风险最小化19
• 2.3 最小二乘支持向量机19-21
• 2.4 核技巧21-24
• 2.4.1 非线性分类问题21-23
• 2.4.2 核函数23-24
• 2.5 本章小结24-25
• 第3章 轧制力预测模型25-37
• 3.1 传统轧制力模型25-31
• 3.1.1 轧制力数学模型25-28
• 3.1.2 模型自学习28-31
• 3.2 PSO-LSSVM轧制力模型31-33
• 3.2.1 粒子群优化算法31-32
• 3.2.2 混合核PSO-LSSVM轧制力模型32-33
• 3.3 组合模型33-35
• 3.4 本章小结35-37
• 第4章 轧制力预测的离线仿真研究37-57
• 4.1 数据采集37-43
• 4.1.1 特征选择与提取37-38
• 4.1.2 数据处理38-43
• 4.2 BP神经网络轧制力模型仿真分析43-50
• 4.2.1 BP神经网络43-45
• 4.2.2 BP神经网络轧制力模型45-50
• 4.3 LSSVM轧制力模型仿真分析50-54
• 4.3.1 交叉验证法50-51
• 4.3.2 LSSVM轧制力模型51-54
• 4.4 组合模型仿真分析54-56
• 4.5 本章小结56-57
• 第5章 轧制力预测的在线应用研究57-65
• 5.1 轧钢二级UDP系统平台57-59
• 5.2 轧制力预测模型系统平台59-64
• 5.3 本章小结64-65
• 第6章 总结与展望65-67
• 参考文献67-71
• 攻读学位期间发表的学术论文71-73
• 致谢73-74

【相似文献】

中国期刊全文数据库 前10条

1 白金兰;王军生;王国栋;刘相华;;提高冷轧过程控制轧制力模型的设定精度[J];钢铁研究学报;2006年03期

2 王勇勤;刘志芳;严兴春;吴沙;;基于接触有限元的轧制力动态模拟[J];重庆科技学院学报(自然科学版);2010年01期

3 程秀英;利用轧钢实测数据修正轧制力模型系数[J];甘肃冶金;2005年03期

4 杨福亮;李玉贵;范飞;;薄板轧制力的研究与模拟分析[J];中国重型装备;2011年03期

5 王鑫;王璐;;多元回归分析在建立轧制力模型中的应用[J];硅谷;2012年02期

6 张云祥,蔡丹,赵嘉蓉,魏钢城;热连轧轧制力计算精度模拟软件的开发[J];武汉科技大学学报(自然科学版);2002年03期

7 赵昆,何晓明,吴景晖,王昭东,刘相华,王国栋;铁素体热轧轧制力模型的改进[J];轧钢;2000年02期

8 梁勋国;王业科;李轲;谢二虎;赵吉成;;基于离散单元方法的冷轧轧制力计算[J];塑性工程学报;2011年05期

9 付力业;李宏杰;黄庆学;;基于神经网络与线性回归的轧制力预报[J];太原科技大学学报;2013年03期

10 郭占武;赵晓伟;;提高轧制力模型预报精度的研究与应用[J];科技信息;2013年21期

中国重要会议论文全文数据库 前10条

1 瞿晓;;铜板带冷轧轧制力预测的研究[A];第八届全国信息获取与处理学术会议论文集[C];2010年

2 陈丹;何绪铃;高雷;郭立伟;李书昌;;模型参数调整对轧制力精度影响分析[A];2012年全国轧钢生产技术会论文集（下）[C];2012年

3 邹天来;王秀梅;张晓峰;王国栋;刘相华;;基于神经网络的轧制力模型参数辨识[A];第八届全国塑性加工理论与新技术学术会议论文集[C];1999年

4 韩庆;周石光;;基于神经网络的轧制力预报系统开发[A];全国冶金自动化信息网2009年会论文集[C];2009年

5 潘礼清;羌菊兴;;使用简易有限元法的冷轧轧制力模型设计[A];全国冶金自动化信息网2013年会论文集[C];2013年

6 吴文彬;王俊飞;郝培锋;;2030冷连轧第5架轧制力计算方法研究[A];工业自动化应用实践——全国（第五届）炼钢、连铸和轧钢自动化学术会议论文集[C];2002年

7 何晓明;张丕军;王昭东;刘相华;王国栋;;超低碳钢铁素体区热变形行为研究与轧制力模型的改进[A];2001中国钢铁年会论文集（下卷）[C];2001年

8 王彦辉;郭立伟;高雷;陈丹;;20辊森基米尔轧机轧制力模型研究[A];中国计量协会冶金分会2012年会暨能源计量与节能降耗经验交流会论文集[C];2012年

9 白振华;连家创;;半平面理论在平整轧制力模型中的应用[A];制造业与未来中国——2002年中国机械工程学会年会论文集[C];2002年

10 吴铠;;提高中厚板轧制力预报精度的方法[A];2012年全国轧钢生产技术会论文集（下）[C];2012年

中国硕士学位论文全文数据库 前10条

1 闫晓莹;基于改进粒子群优化的轧制力反建模型及自学习[D];燕山大学;2015年

2 刘承宝;基于最小二乘支持向量机的轧制力预测[D];冶金自动化研究设计院;2016年

3 梁兴;基于时间序列分析算法的轧制力预测研究[D];燕山大学;2011年

4 封骥;铜铝复合板轧制力的研究[D];沈阳工业大学;2016年

5 孙晓娜;基于神经网络的轧制力模型研究与应用[D];燕山大学;2009年

6 陈婕;5052铝合金热粗轧建模与轧制力预测研究[D];湖南大学;2009年

7 王桂霞;热轧带钢平整机轧制力与板形控制的研究[D];河北工程大学;2015年

8 刘志华;冷连轧动态变规格原理及轧制力预设定的研究[D];东北大学;2005年

9 付力业;基于神经网络的中厚板轧制力预报[D];太原科技大学;2013年

10 李小虎;冷连轧机轧制力预报模型分析与优化研究[D];武汉科技大学;2013年

  本文关键词：基于最小二乘支持向量机的轧制力预测，，由笔耕文化传播整理发布。

本文编号：457361