排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
为快速精确地预测板凸度,建立了一种基于主成分分析(principal component analysis, PCA)协同深度神经网络(deep neural network, DNN)的板凸度预测模型PCA-DNN。首先,对从某热轧厂采集的10 134卷带钢生产数据进行数据预处理。其次,用PCA法对数据样本进行分析,通过计算特征值、主成分贡献度和累计贡献度进行特征选择。最后,训练最佳的PCA-DNN预测模型,并与传统的两个模型人工神经网络(artificial neural network, ANN)和DNN进行比较。结果表明,PCA-DNN模型预测准确率为97.02%,训练时间为120 s,预测时间为291 ms,具有最优的综合性能,能够快速精确地预测热轧带钢板凸度。 相似文献
2.
为提高冷轧机出口带钢厚度控制精度,提出了一种改进的广义预测控制(improved generalized predictive control, IGPC)算法。首先,根据冷轧机反馈控制双闭环系统模型,确定传递函数;然后,提出了IGPC,并给出了考虑时滞的预测模型和目标优化函数。最后,对IGPC控制器优化AGC(automatic gauge control)系统进行仿真研究。研究结果表明,与Smith-AGC和GPC-AGC相比,IGPC控制器有效地缓解了由时滞引起的出口带钢厚度控制超调和震荡现象,且在系统参数失配情况下,具有较好的动态特性和系统稳定性。 相似文献
3.
4.
为了满足日益增长的带钢板凸度预测精度和速度要求,建立了一种基于降维的主成分分析(Principal Component Analys is,PCA)协同随机森林(Random Fore s t,RF)的板凸度预测模型。首先,应用Pauta准则去除异常值,用五点三次平滑公式进行降噪处理;其次采用主成分分析法对数据进行降维,利用载荷矩阵选取关键控制变量;最后利用关键控制变量建立基于随机森林的板凸度预测模型,并与支持向量机回归(Support Vector Regression,SVR)、最近邻(K Nearest Ne ighbor,KNN)、轻量梯度提升机(light Gradie nt Boos ting Machine,LightGBM)、极端梯度增强(Extre m e Gradie nt Boos ting,XGBoos t)和梯度提升决策树(Gradie nt Boos ting De cis ion Tre e,GBDT)模型进行比较。结果表明,PCA-RF模型将参数由93维降低到15维,极大地减少了建模时间,且PCA-RF对测试集预测的决定系数(Coefficient of... 相似文献
5.
为了满足日益增长的热轧带钢板凸度预测要求,建立了基于贝叶斯优化(Bayesian Optimization,BO)结合轻量梯度提升机(Light Gradient Boosting Machine,Light GBM)的板凸度预测模型BO-Light GBM。首先通过贝塞尔公式去除异常值,并经过五点三次平滑降噪。其次,建立Light GBM模型进行板凸度预测,最后通过贝叶斯优化算法选择最优参数,得到最优的模型,并与梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)模型XGBoost、GBDT、RF算法进行比较。实验表明,基于BO-light GBM的板凸度预测模型优于XGBoost、GBDT、RF模型,对测试集预测的决定系数(Coefficient of Determination,R2)、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square... 相似文献
1