排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
为了提高宽厚板热轧生产过程控制中轧制力的预测精度,构建了融合SIMS模型的深度学习网络模型,对宽厚板热轧轧制力进行预测研究。利用深度学习框架,构建了一种基于残差连接的深度学习网络模型,并融合SIMS模型计算值,通过误差反向传播计算损失函数的梯度,同时使用Mini-Batch与RMSProp结合的优化算法对权重参数进行更新优化。利用残差连接引入纯线性的信息携带轨道,从而创造一条捷径,将较早的信号重新注入给下游的网络层,使用早停机制、批标准化等策略抑制模型过拟合现象,提高模型的预测精度。基于上述建模方法,针对宽厚板热轧生产线的轧制数据进行了建模实验。结果表明,以相对误差绝对值小于5%在测试集中的占比作为评价指标,相比于传统SIMS模型,融合SIMS模型、基于残差连接的深度学习网络可实现轧制力的高精度预测,该模型的预测精度平均提升了21.72%。 相似文献
4.
5.
6.
摘要:轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力,精度较低。为提高轧制力预报精度,首先基于大量历史生产数据,通过主成分分析法对影响轧制力的因素进行处理和分析,选出权重较大的影响因子;其次选取现场代表钢种进行热模拟压缩实验,在此基础上提出基于极限学习机(ELM)的综合神经网络轧制力预报模型,即先通过化学成分计算出基准变形抗力,再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数,并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产,轧制力预报相对误差±10%以内占比提高15.61%,钢板头部厚度命中率提高1.9%。 相似文献
7.
8.
为提高变形抗力预测精度,以兴澄特钢中厚板轧机实际生产数据为基础,针对性提出2种利用机器学习对变形抗力进行预测的方法:一种是极限学习机(ELM)与传统数学模型结合的多钢种变形抗力模型及建模方法,另一种是基于TensorFlow深度学习框架的变形抗力模型及建模方法。方法一参考周纪华-管克智变形抗力模型,改进原变形抗力模型结构形式,计算出低合金钢、合金钢及高合金钢代表钢种的基准变形抗力;通过非线性回归计算出与钢种无关的变形参数影响系数,引进ELM神经网络算法,采用灰色关联分析及交叉验证优选神经网络参数,通过线性插值对预测结果进行平滑处理,减小ELM预测残差,最后与传统数学模型相结合得到变形抗力。方法二基于深度学习技术,结合机理,构建2种不同结构的深度神经网络,采用小批量(minibatch)和均方根传播(RMSprop)优化算法寻优,结合批标准化(BN)和早停(early stopping)正则化策略提高模型泛化能力与稳定性,最后综合工艺特性,分别对粗轧机(RM)、精轧机(FM)建立变形抗力预测模型,提高模型精度。研究结果表明,利用深度学习预测变形抗力具有较高的预测精度,经离线分析,平均绝对... 相似文献
1