軋制力是影響中厚板厚度精度和板型的關(guān)鍵因素。興澄特鋼中厚板軋機(jī)二級模型采用傳統(tǒng)Sims公式計(jì)算軋制力,精度較低。為提高軋制力預(yù)報(bào)精度,首先基于大量歷史生產(chǎn)數(shù)據(jù),通過主成分分析法對影響軋制力的因素進(jìn)行處理和分析,選出權(quán)重較大的影響因子;其次選取現(xiàn)場代表鋼種進(jìn)行熱模擬壓縮實(shí)驗(yàn),在此基礎(chǔ)上提出基于極限學(xué)習(xí)機(jī)（ELM）的綜合神經(jīng)網(wǎng)絡(luò)軋制力預(yù)報(bào)模型,即先通過化學(xué)成分計(jì)算出基準(zhǔn)變形抗力,再將其作為軋制力神經(jīng)網(wǎng)絡(luò)輸入變量進(jìn)行軋制力預(yù)報(bào)。建模采用10折10次交叉驗(yàn)證確定最佳網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù),并用現(xiàn)場實(shí)際生產(chǎn)過程數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測試。綜合神經(jīng)網(wǎng)絡(luò)模型投入現(xiàn)場生產(chǎn),軋制力預(yù)報(bào)相對誤差±10%以內(nèi)占比提高15.61%,鋼板頭部厚度命中率提高1.9%。 

【文章來源】：鋼鐵研究學(xué)報(bào). 2020,32(05)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

ELM神經(jīng)網(wǎng)絡(luò)與ELM神經(jīng)網(wǎng)絡(luò)的組合

隱層節(jié)點(diǎn)數(shù)對模型性能影響很大,隱層節(jié)點(diǎn)過多,會增加網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性,且容易出現(xiàn)過擬合現(xiàn)象;隱層節(jié)點(diǎn)過少,則網(wǎng)絡(luò)缺少必要的學(xué)習(xí)能力,性能差。目前還沒有一種科學(xué)和普遍的理論確定方法,因此模型的隱層節(jié)點(diǎn)數(shù)在50～300之間選擇。選取10次誤差絕對值之和作為評價標(biāo)準(zhǔn),利用10次10 折交叉驗(yàn)證確定不同隱層節(jié)點(diǎn)數(shù)的模型結(jié)構(gòu)。圖3為ELM神經(jīng)網(wǎng)絡(luò)模型主界面,Train指模型訓(xùn)練過程,可根據(jù)輸入變量個數(shù)、隱層節(jié)點(diǎn)數(shù)范圍及訓(xùn)練次數(shù),得出最優(yōu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);Predict界面可根據(jù)訓(xùn)練好的網(wǎng)絡(luò)直接進(jìn)行預(yù)報(bào)。經(jīng)過分析和比對驗(yàn)證,最終確定的網(wǎng)絡(luò)基本參數(shù)[20]如表1所示。

從圖4可以看出,傳統(tǒng)數(shù)學(xué)模型和單獨(dú)用ELM神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)軋制力,相對偏差基本控制在±20%以內(nèi);ELM綜合神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)精度,96.8%的樣本相對偏差可控制在±10%以內(nèi)。從表2可以看出,方案2各項(xiàng)指標(biāo)優(yōu)于傳統(tǒng)模型和方案1,可以滿足現(xiàn)場在線預(yù)報(bào)要求。表1 ELM基本參數(shù)Table 1 Fundamental parameters of ELM 預(yù)報(bào)類型 輸入層節(jié)點(diǎn)數(shù) 隱含層節(jié)點(diǎn)數(shù) 激活函數(shù) 基準(zhǔn)變形抗力 13 180 Sigmoid 軋制力 19 280 Sigmoid 軋制力 6 60 Sigmoid

【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)清洗對熱軋微合金鋼性能預(yù)報(bào)模型的改進(jìn)[J]. 李維剛,王肖,楊威,趙云濤.  鋼鐵研究學(xué)報(bào). 2019(10)
[2]基于極限學(xué)習(xí)機(jī)（ELM）的連鑄坯質(zhì)量預(yù)測[J]. 陳恒志,楊建平,盧新春,余相灼,劉青.  工程科學(xué)學(xué)報(bào). 2018(07)
[3]基于相關(guān)主成分分析和極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承狀態(tài)監(jiān)測研究[J]. 何群,王紅,江國乾,謝平,李繼猛,王騰超.  計(jì)量學(xué)報(bào). 2018(01)
[4]主成分分析結(jié)合極限學(xué)習(xí)機(jī)的高爐爐溫預(yù)測模型[J]. 袁冬芳,曹富軍,李德榮.  內(nèi)蒙古科技大學(xué)學(xué)報(bào). 2017(04)
[5]人工智能在軋制領(lǐng)域中的應(yīng)用進(jìn)展[J]. 劉相華,趙啟林,黃貞益.  軋鋼. 2017(04)
[6]基于極限學(xué)習(xí)機(jī)的熱軋薄板軋制力預(yù)測模型[J]. 曹衛(wèi)華,李熙,吳敏,陳鑫.  信息與控制. 2014(03)
[7]主成分分析法在熱軋噸鋼電耗回歸預(yù)測模型中的應(yīng)用[J]. 曹陽,楊潔,張旭.  能源技術(shù). 2010(01)
[8]軋制變形抗力數(shù)學(xué)模型的發(fā)展與研究動態(tài)[J]. 李英,劉建雄,柯曉濤.  鋼鐵研究. 2009(06)
[9]熱軋帶鋼精軋過程高精度軋制力預(yù)測模型[J]. 李海軍,徐建忠,王國棟.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(05)
[10]修正遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測中厚板軋機(jī)軋制力[J]. 付天亮,王昭東,王國棟,吳尚超.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(10)



本文編號：3314443