基于SSAE-LSTM模型的冷连轧机扭振预测

轧机振动预测模型性能依赖于从输入变量中提取的特征。针对冷连轧机振动数据样本大、非线性强的特点，且在时间上具有前后依赖关系，提出了一种基于SSAE-LSTM的轧机扭振预测方法。首先，对于同种参数数值差异较小、关系表征不明显的轧制过程参数，使用栈式稀疏自编码(SSAE)网络进行无监督自适应特征提取，挖掘生产数据的深层次特征。然后，利用长短时记忆(LSTM)网络在处理时间序列上的优势，将SSAE网络提取到的深层特征作为预测模型的输入，将旋转角加速度作为输出，建立基于LSTM的轧机扭振预测模型。仿真结果表明：SSAE-LSTM模型的预测精度达98.5%,与RNN模型和LSTM模型相比，预测精度分别提高了24.8%和12.2%,验证了该方法的有效性，为实时预测轧机扭振状态提供了参考。