基于机器学习的钢铁冷轧轧制力预测模型研究

发布时间：2021-08-12 23:40

　　带钢冷轧生产过程中,轧制力是一项至关重要的参数。其预测精度将直接影响最终产品的质量,并有效减小带材的头尾长度,提高原材料的利用率。此外,轧制力大小还决定着轧辊辊缝的预设定,对轧制过程的稳定性有直接影响。传统的机理模型结构简单且存在较多假设问题,适用面窄,无法满足要求。为了提高冷轧机组的轧制力预测精度,本文基于轧制基本理论,将机理模型同神经网络以及智能优化算法相结合来建立模型,利用现场采集的数据进行仿真。Bland-Ford-Hill公式是常用的轧制力机理模型。首先结合Bland-Ford-Hill公式,着重分析变形区参数,确定影响轧制力大小的变量,以此作为神经网络模型的输入,用神经网络来进行轧制力预测。相比于机理模型,神经网络减少了参数设置的困难,避免了繁琐的公式计算。极限学习机（Extreme Learning Machine,ELM）神经网络,因其结构简单,无法获取数据中的隐含的深层次特征。此外,对于轧制过程中产生的海量数据处理能力欠佳。为了提高对复杂目标函数的拟合能力,满足大数据集下的轧制力预测要求,建立深度神经网络（Deep Neural Network,DNN）模型来进行轧制... 

【文章来源】：燕山大学河北省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

论文组织结构

第2章基于极限学习机网络模型的轧制力预测-9-第2章基于极限学习机网络模型的轧制力预测2.1引言传统轧制力预测大多采用机理模型，有些参数不能够直接计算得到，需要近似估算，导致轧制力预测存在较大偏差。近年来，人工智能[42]模型如神经网络，被越来越多地应用于回归预测问题。机器学习算法中，极限学习机[43]随机确定输入权重和阈值，并通过最小二乘法直接求解网络的输出权值，省去大量迭代步骤，具有建模速度快的优点而备受青睐。本章首先介绍极限学习机网络模型基本理论，在此基础上介绍了结构增长型极限学习机模型，对其隐含层节点进行调整。通过轧制力机理模型得出影响轧制力大小的变量作为神经网络模型输入，最后得出轧制力预测结果。2.2极限学习机网络模型分析极限学习机算法是由南洋理工大学黄广斌教授于2004年提出的一种单隐层前馈神经网络(Single-hiddenLayerfeed-forwardneuralNetwork,SLFN)[44]，由输入层、隐含层以及输出层三部分组成。网络结构图如图2-1所示。图2-1ELM网络结构图区别于传统前馈神经网络算法，ELM在学习过程中随机确定隐含层权值向量以及阈值且在迭代过程中无需改变，然后利用隐含层输出矩阵的伪逆矩阵求解输出权重向量，唯一需要设定的是隐含层神经元个数，极大地缩短了由于反复迭代计算所消耗的时间。

燕山大学工程硕士学位论文-12-经元的数目，然后再次计算误差，直到误差达到最小值[45]。算法性能较ELM模型得到提升。CE-ELM算法流程图如图2-2所示。图2-2CE-ELM算法流程图此时，新增加的输出矩阵为：kkkkkkkkkLNLNLLNLLLLLkgXgXgXgX1111111111bbWWbbWWH(2-10)输出权重更新公式为：THβTkk11(2-11)CE-ELM算法通过最小化误差方法来调节隐含层神经元节点数目。在改变模型结构的同时，网络输出权重也随之改变，提高了网络的非线性映射能力。2.4轧制机理模型分析2.4.1塑性变形区参数分析在所有建模方法中，最能够直观形象地描述影响轧制力大小的主要因素的模型


本文编号：3339289