在軋制過(guò)程當(dāng)中,軋制力的初始設(shè)定決定了軋制規(guī)程的設(shè)置。并且影響著產(chǎn)品的質(zhì)量與產(chǎn)量,軋制力準(zhǔn)確的預(yù)報(bào)可以減少帶材頭尾長(zhǎng)度。帶材軋制過(guò)程具有多變量、非線(xiàn)性、強(qiáng)耦合的特征,如果利用傳統(tǒng)的機(jī)理模型對(duì)軋制力進(jìn)行推導(dǎo)預(yù)測(cè),不僅適用面較窄,而且誤差值較大,無(wú)法適應(yīng)如今現(xiàn)場(chǎng)多規(guī)格產(chǎn)品、柔性化生產(chǎn)的要求。為了提高冷軋機(jī)的軋制力計(jì)算精度,從冷軋軋制基本理論出發(fā),基于機(jī)器學(xué)習(xí)算法對(duì)軋制力進(jìn)行統(tǒng)計(jì)建模。為了提高軋制力的預(yù)報(bào)精度,按照網(wǎng)絡(luò)深度與學(xué)習(xí)方式建立了三種預(yù)測(cè)模型。針對(duì)傳統(tǒng)機(jī)理模型假設(shè)過(guò)多與參數(shù)難以選取的缺陷,建立淺層機(jī)器學(xué)習(xí)模型。采用基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的支持向量機(jī)模型對(duì)軋制力進(jìn)行建模,考慮到支持向量機(jī)參數(shù)難以選取的問(wèn)題,使用改進(jìn)遺傳算法對(duì)支持向量機(jī)的模型參數(shù)進(jìn)行尋優(yōu)處理。改進(jìn)遺傳算法中加入了精英策略與自適應(yīng)遺傳算子,以增加網(wǎng)絡(luò)的收斂能力與局部搜索能力。淺層網(wǎng)絡(luò)如支持向量機(jī)等模型,其表達(dá)能力受到了網(wǎng)絡(luò)深度的限制無(wú)法有效完成對(duì)復(fù)雜函數(shù)的擬合。且在軋制生產(chǎn)過(guò)程當(dāng)中,可提取大量軋制力相關(guān)數(shù)據(jù)。故為了滿(mǎn)足軋制力大數(shù)據(jù)集下的預(yù)測(cè),建立深度網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)軋制力。考慮深度網(wǎng)絡(luò)存在梯度彌散等問(wèn)題模型難以訓(xùn)練,本文將采取半...

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景與意義
    1.2 帶鋼冷軋軋制力建模研究
        1.2.1 冷軋生產(chǎn)概況
        1.2.2 軋制力預(yù)報(bào)模型研究
    1.3 機(jī)器學(xué)習(xí)方法在軋制力預(yù)報(bào)中的應(yīng)用
    1.4 深度學(xué)習(xí)的發(fā)展以及軟測(cè)量上的應(yīng)用
    1.5 研究?jī)?nèi)容與結(jié)構(gòu)安排
第2章 基于IAGA-SVM模型的軋制力預(yù)報(bào)
    2.1 引言
    2.2 SVM機(jī)器學(xué)習(xí)模型
        2.2.1 支持向量機(jī)回歸模型分析
        2.2.2 SVM參數(shù)分析
    2.3 基于遺傳算法的參數(shù)優(yōu)化
        2.3.1 改進(jìn)IAGA算法
        2.3.2 IAGA優(yōu)化SVR
    2.4 IAGA-SVR軋制力預(yù)報(bào)
        2.4.1 軋制力機(jī)理模型
        2.4.2 IAGA-SVR模型仿真
    2.5 本章小結(jié)
第3章 基于去噪自編碼的半監(jiān)督軋制力預(yù)報(bào)
    3.1 引言
    3.2 半監(jiān)督學(xué)習(xí)
        3.2.1 無(wú)監(jiān)督預(yù)學(xué)習(xí)與有效特征分析
        3.2.2 半監(jiān)督棧式自編碼網(wǎng)絡(luò)
    3.3 半監(jiān)督網(wǎng)絡(luò)下的軋制力預(yù)報(bào)
        3.3.1 半監(jiān)督網(wǎng)絡(luò)模型與實(shí)驗(yàn)仿真
    3.4 本章小結(jié)
第4章 基于深度學(xué)習(xí)網(wǎng)絡(luò)的軋制力預(yù)報(bào)
    4.1 引言
    4.2 深度網(wǎng)絡(luò)模型
        4.2.1 多層BP神經(jīng)網(wǎng)絡(luò)與網(wǎng)絡(luò)向量化
        4.2.2 小批量梯度下降方法
        4.2.3 批歸一化網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.4 Adam隨機(jī)優(yōu)化方法
        4.2.5 線(xiàn)性整流激活函數(shù)
    4.3 深度網(wǎng)絡(luò)下的軋制力預(yù)報(bào)
        4.3.1 深度網(wǎng)絡(luò)軋制力預(yù)報(bào)模型
        4.3.2 實(shí)驗(yàn)仿真與結(jié)果分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3912427