摘要：为了更加精确地预测冷连轧轧制力,设计了一种通过分层提取和目标相关特征来实现的比例损失堆叠去噪自编码器。首先,通过堆叠去噪自编码器(SDAE)构建深度网络并在SDAE顶层中加入输出层;然后,通过部分有标签样本实现网络权重变量的调节;最后,按照设定目标参数调节深度网络变量,从而降低网络预测值和目标值的偏差。本方法通过在训练过程加入目标值信息实现了特征提取有效性的显著提升,具有很好的预测稳定性。通过试验测试本算法,其预测结果在±3%误差内,可以满足实际生产控制要求。本算法能够从输入层内找到和目标值关联的特征,在预训练阶段完成目标值的整合。相比其他预测算法,本算法获得了很小的预测误差,能够更快完成收敛,表现出了更优的预测精度和效率。

摘要：支持向量机实际计算过程的复杂性主要由支持向量数决定,可以获得优异鲁棒性,精度也获得明显提升。设计了一种通过差分进化改进支持向量机模型(DEI-RBF),分并以RBF核函数支持向量机(RBF-SVM)构建初始模型。通过差分进化算法完成RBF-SVM惩罚系数C以及RBF核函数参数σ的寻优,结果表明DEI-RBF可以实现热轧轧制力的精确预测,达到现场使用要求。研究结果表明:以RBF核函数构建的支持向量机回归模型获得了最大的R2,同时均方差(MSE)以及平均绝对误差(MAE)都达到了最小,显著提升了模型效果。采用差分进化算法进行优化后的支持向量机回归模型获得了更优性能,预测误差在5%以内的概率为99.2%,相对传统轧制力计算模型获得了更高预测准确性。

摘要：为了提高双机架炉卷轧机的轧制力预测精度,提出了具有快速而高效训练策略的深度神经网络预测方法。介绍了双机架炉卷轧机的工作原理,分析了轧制力影响参数。在深度神经网络基础上,使用随机小批量的样本选取法,提高深度神经网络训练速度;提出自适应矩估计梯度优化算法,用于解决传统训练方法陷入局部极值的问题,从而给出了改进训练策略的深度神经网络轧制力预测方法。经轧制实验验证,改进深度神经网络的训练时间为226.15s,而传统网络的训练时间为862.93s;改进网络的预测误差绝大部分控制在3%以内,而传统网络的预测误差绝大部分控制在5%以内。以上数据表明,改进深度神经网络的训练速度和预测精度均远优于传统深度神经网络。

摘要：轧制力在铝热连轧中起着重要作用,针对热轧过程中的非线性、参数强耦合性等因素使得其难以建模的问题.本文提出一种具有拓扑结构自组织的极限学习机(Topology Self-Organizing Extreme learning machine,TSO-ELM)算法,解决了ELM的结构设计问题,实现了结构和参数的自组织.根据现场数据,使用TSO-ELM算法进行铝热连轧轧制力预测,结果表明该算法与人工蜂群算法优化反向传播神经网络(Artificial bee colony algorithm optimized Back-propagation neural network,ABC-BP)和增强型增量极限学习机(Enhanced random search based incremental extreme learning machine,EI-ELM)算法对比,其训练速度和精度都得到了一定的提高.

摘要：通过对轧机压下液压控制系统的介绍,分析和计算压下系统响应频率,设计相应的Butterworth滤波器对轧制力进行高频去噪声处理,并利用最小二乘支持向量机进行轧机轧制力的非线性建模.在Matlab仿真环境中,利用轧制力的实测数据进行仿真与分析.仿真结果表明,基于最小二乘支持向量机的轧制力模型预测精度可以控制在5%范围内.

摘要：为满足无缝钢管连轧工艺设计和生产管理的需要,采用MATLAB APP开发了符合实际生产的无缝钢管连轧工艺的性能预测软件,该软件以坯料尺寸和工艺参数为基础,编制了连轧过程中无缝钢管在各个机架中的壁厚、外径、速度和轧制力预测模块,并用该软件来预测某钢管厂在二辊6机架连轧管机连轧生产Φ165 mm无缝钢管时的实际轧制力。该软件具有功能完善、使用方便和通用性强等优点,在实际生产中有广阔的应用前景。