基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。     

基于PSO-PNN的铸坯全长表面纵裂纹在线预测

表面纵裂纹是铸坯质量缺陷中一种最常见的表面质量缺陷。环境因素使得铸坯表面纵裂纹在线检测精度不高,各大钢厂铸坯质检仍要依赖人工,因此提出一种基于粒子群PSO优化概率神经网络PNN的铸坯全长表面纵裂纹预测方法。首先,建立铸坯生产过程跟踪及数据时空变换模型,构建铸坯生产系统将生产过程数据与铸坯长度方向进行匹配;再利用PNN的Bayes 最小风险准则进行有监督特征学习,并利用寻优算法PSO优化PNN关键参数的选取,得到最终的模型PSO-PNN;最后,利用某钢厂连铸产线铸坯质量缺陷数据和生产过程数据进行试验验证。结果表明,该方法对铸坯整体的质量预测分类精度达到97.5%,铸坯全长的裂纹缺陷的预测精确率和召回率均在92%以上,能有效实现铸坯全长表面纵裂纹的预测,为现场质检人员提供参考。