基于FDA-LSTM的冷轧过程多源异构时序数据处理及颤振预测EI北大核心CSCD

冷连轧颤振诱发机理复杂多变,颤振问题的解决需要通过大数据驱动的信息挖掘对机理模型进行补充。该研究针对某冷连轧机现场采集的工艺参数及振动数据,通过函数型数据分析(functional data analysis,FDA)方法进行预处理,实现多源异构时序数据的频率协同;采用SelectKBest算法对影响颤振的多种工艺参数进行特征选择,筛选出与振动相关性较强的因素,构造样本空间;基于长短时记忆(long short-term memory,LSTM)神经网络建立振动能量值的预测模型,并与径向基函数(radial basis function,RBF)神经网络、循环神经网络(recurrent neural network,RNN)模型进行比较。结果表明,LSTM模型具有较高的预测精度,同时采用阈值法验证该模型能有效地预测颤振的发生。     

基于EMD-RF的冷轧机振动信号时频分析及识别

冷轧板带生产中的振动机制复杂多变，工业生产过程采集到的历史数据中蕴含着设备运行状态与产品质量等关联信息，数据驱动的信息挖掘对实现振动状态监控与智能预测具有重要价值。首先针对实际工业生产中采集的历史振动信号进行数据预处理；然后对典型振动钢卷的信号进行经验模态分解，选取相关度较高的主要本征模态分量进行时频分析；随后，基于相关度最高的本征模态分量提取10个时频特征指标作为输入，以振动有效值作为输出标记，构建样本空间；最后，运用随机森林回归算法对多个材质和规格下的钢种振动信号进行识别。结果表明，所提出的经验模态分解与随机森林相结合的方法可以适应样本数量不平衡情况下的振动信号识别问题，能够为冷轧机振动的状态监控与智能预报提供依据。