共查询到20条相似文献,搜索用时 15 毫秒
1.
针对规格切换和停轧换辊等非稳态轧制过程中板凸度预测的复杂问题,提出了一种深度学习的板凸度预测方法.设计了深度信念网络(DBN)算法下的预测模型方案和建模流程,并选择出适合的模型评价分析指标.通过对比实验寻找深度信念网络的最佳网络结构参数,确定了DBN模型结构的隐含层层数为5层、隐含层节点数为20个时预测性能达到最佳.与BP模型相比,DBN模型的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低0.18μm, 0.5%和0.21μm,为2.29μm, 4.98%和3.07μm,预测数据与实测值的绝对误差小于5μm的比例达到93.1%,预测性能更优. 相似文献
2.
热连轧板凸度作为评价板形质量的关键指标,具有多变量、非线性、遗传性等复杂特性。传统的热连轧板凸度模型存在机理复杂、理论情况与实际情况存在差异以及模型精度受限等问题。为了解决这些问题,提出了一种基于集成特征选择和支持向量回归的热连轧板凸度预测模型。首先,建立了基于随机森林(Random Forest, RF)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)和梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的集成学习模型,综合应用这些基学习器可以充分挖掘数据中的特征信息;其次,通过集成学习模型对基学习器得到的特征重要性进行加权融合,并根据融合后的特征重要性排序来筛选最具有信息量的模型输入特征,可有效地降低特征维度;然后,采用灰狼优化算法(Grey Wolf Optimization, GWO)来优化支持向量机回归(Support Vector Regression, SVR)预测模型中的参数,其不仅能够消除传统人工参数选择的主观性和盲目性,还能更好地适应数据的特性;最后,将筛选后的特征输入到参数优化的SVR预... 相似文献
3.
4.
热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差(SPE)统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。 相似文献
5.
6.
为提高LF精炼钢水终点温度控制水平,提出了基于主成分分析(PCA)和BP神经网络的联合方法预测LF钢包炉精炼钢水终点温度。基于冶金理论和实际生产实践,选取了42CrMo钢生产过程的10个对终点温度有显著影响的因素作为预测模型的指标体系,然后借助主成分分析法对样本数据进行处理,得到了7个主成分变量,累计方差贡献率为87.24%,消除了数据之间的关联性,以此为基础,建立了基于PCA-BP神经网络的LF炉终点温度预测模型,该模型预测误差在±25℃时,模型的命中率为98.71%,模型有较好的识别能力,能够达到LF炉生产过程预测终点温度的目的。 相似文献
7.
8.
9.
以前馈式BP神经网络为基础,收集挑选轧机生产过程中对板形有影响的轧制因素作为模型输入参数,板凸度作为输出参数,利用SQL、Matlab及数据提取软件进行数据收集存储、管理、运算,建立神经网络热轧板凸度预报模型。通过大量样本训练,该系统已初步具备了预测板形质量的能力,且误差较小。系统应用后,提高了板形质量,降低了生产成本。 相似文献
10.
11.
采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量. 相似文献
12.
13.
铁矿在国家工业生产中占有重要地位,不同产地的铁矿在品质、有害元素含量上存在差异,为了提高海关对进口铁矿是否存在瞒报产地、以次充好等潜在风险的识别预警能力,尝试借助人工智能的方法来解决。以澳大利亚、巴基斯坦、巴西、南非、乌克兰和印度6个国家进口的共1 072批铁矿样品为研究样本,依据国家标准、行业标准对Hg、F、Cl、S、全铁(TFe)、SiO2、Al2O3、P、H2O、烧失量(L.O.I)、K2O、TiO2、MgO、CaO和Mn等15个指标进行检测。通过主成分分析提取了5个有效的主成分,累计方差贡献率为77.481%。以主成分分析提取的5个主要因子作为神经网络的输入指标,6个不同原产地作为输出指标,随机选取1 072组检测数据中的80%作为训练集,用以建立分析模型;剩下的20%作为验证集,用以验证模型的预测准确度,验证集识别准确率为100%,能够实现对6个国家铁矿原产地的准确识别。该模型的建立将直接应用于进口铁矿的产地鉴别,支撑进口铁矿的风险监管,维护贸易秩序,保障贸易便利。 相似文献
14.
为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明:预测结果的相对误差均控制在5%以内,与BP神经网络预测误差(16%)相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。 相似文献
15.
16.
热连轧作为典型的流程工业过程,具有多变量、强耦合、过程非线性的特点,轧制机理非常复杂。针对传统方法难以获得准确的数学模型从而导致板形质量预测精度较低的问题,采用基于数据驱动的核偏最小二乘 (KPLS) 方法以有效处理工艺参数和质量指标之间的非线性关系,以此为基础,建立了基于KPLS结合支持向量机(SVM)的板凸度预测模型,并采用粒子群优化算法 (PSO) 优化支持向量机参数,进一步提高热连轧板凸度预测精度。预测结果表明,96.86%的板凸度预测值绝对误差小于5.5 μm,整体具有较高的预测精度,对实现板形质量精确控制、提高热轧产品质量具有重要意义。 相似文献
17.
18.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
19.
20.
针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明:经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。 相似文献