基于深度学习的棒材轧机电机负荷预测模型

为了确保有效利用轧机设备能力，以某钢厂棒材生产线的轧机电机负荷数据为研究对象，利用PyTorch搭建基于长短期记忆(long short term memory, LSTM)神经网络的预测模型，定义模型初始网格结构参数，选定单元结构激活函数，并针对模型超参数的选择问题，采用自适应学习算法(adaptive moment estimation, Adam)进行参数优化，迭代降低损失值，提高模型的预测精度。通过试验设计，采用生产两种规格棒材的轧机负荷数据进行验证，结果表明，与未优化的负荷预测模型对比，均方误差S_ME分别降低了3.28、1.76,证明了所建立模型的预测效果更好，具有较高的稳定性。