排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
2.
针对炉卷轧钢板成品超长,头尾与板体的温度偏差大且检测不准,带来的产品厚度命中精度偏低、同板差偏大等问题。系统研究了炉卷温度检测和厚度设定机理模型的算法,剖析了系统模型在轧件温度测量、轧制力设定计算等关键算法,以及轧机自动厚度控制(automatic gauge control,简称AGC)系统上存在的控制参数粗放等问题,借鉴国内外关于轧制过程温度软测量和动态厚度设定的研究成果,开发了基于动态设定-支持向量回归(dynamic setting-support vector regression,简称DS-SVR)的系统温度软测量和厚度动态设定方法。应用结果表明,所提方法提高了温度检测和厚度动态设定精度,大幅提高了炉卷轧机厚度设定模型精度。 相似文献
3.
随着生产流程日趋复杂,传统的轧制过程能源管控方法已无法有效应对大数据、物联网等新场景、新模式带来的挑战,而信息物理系统(cyber physical system, CPS)热潮的到来,为上述问题的解决提供了新的思路。本文提出一种基于CPS架构的自适应变分模态分解(variational mode decomposition, VMD)的能源负荷时间序列预测方法,通过与现有方法的对比可以看出,其均方根误差(root mean square error, RMSE)为0.634 2,平均绝对误差(mean absolute error, MAE)为0.582 1,平均绝对百分比误差(mean absolute percentage error, MAPE)为0.27,都达到最佳预测结果。本方法可通过更换回归模型来取得预测精度和计算效率的折中,证明了其场景适应能力较强。 相似文献
4.
5.
6.
针对传统核学习方法在处理复杂非线性数据存在过拟合和分类精度不高等问题,影响对镀层质量评估的准确性,提出基于深度核学习(deep kernel learning, DKL)与多核学习(multiple kernel learning, MKL)双向促进的联合学习方法,将多核方法组合深度自编码器(stack auto encoder, SAE)的输入层、最高编码层与最高解码层网络建模,获得更全面的信息。同时,将深度核以非线性乘积方式融入到高斯多核的优化训练中,形成非线性组合核。通过大量基准数据集和实际工业数据试验表明,本联合方法取得了最高的分类精度,验证了其对复杂时变镀锌过程的自适应性,大幅提高了镀层质量评估的准确性。 相似文献
7.
8.
连续热镀锌的镀层厚度控制具有高维、非线性和时变的特点,很难用传统的数学模型和浅层神经网络来预测。深度学习通过多层非线性网络结构,能实现复杂函数关系的良好逼近,而核学习是处理复杂非线性数据的强大工具。提出了一种基于深度神经网络多层信息的深度映射多核学习算法,通过将此深度映射核与多尺度高斯基核做非线性乘积,得到新的具有高度表达能力的改进核,其蕴含数据深层特征信息。大量基准数据集和实际工业数据表明,本算法通过结合深度学习和多核学习的优势,解决了镀锌过程强非线性、时变大滞后和多变量的控制难点,实现镀层厚度的更高精度预测,预测的平均绝对误差从3.04 g/m2降低到1.22 g/m2。 相似文献
9.
边部减薄是电工钢控制的重要参数,直接影响着带钢产品的质量和成材率。边部减薄的闭环控制过程存在严重的滞后问题,解决系统滞后问题对于控制精度的提高具有重要意义。以鞍钢硅钢1 500 mm冷连轧机生产线为基础,分析了边部减薄滞后问题产生的原因,采用反馈控制和前馈边部减薄控制策略,并采用无模型预估算法对含有滞后环节的闭环系统进行有效控制。应用结果表明,无模型预估算法对于控制模型精度具有良好的控制品质,解决了由于系统大滞后易产生的不稳定问题,无需对象模型且响应速度快,极大地提高了电工钢产品的边部减薄控制精度。 相似文献
10.