基于機(jī)器學(xué)習(xí)算法的軋機(jī)軋制力預(yù)測(cè)

《基于機(jī)器學(xué)習(xí)算法的軋機(jī)軋制力預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、基于機(jī)器學(xué)習(xí)算法的軋機(jī)軋制力預(yù)測(cè)　　摘要：對(duì)軋機(jī)軋制力預(yù)測(cè)模型進(jìn)行研究。由于常規(guī)LSSVM識(shí)別模型選取耗時(shí)長(zhǎng)的網(wǎng)格搜索法進(jìn)行參數(shù)確定，通常粒子群優(yōu)化算法對(duì)LSSVM識(shí)別模型進(jìn)行優(yōu)化。由于種群中多樣性加速下降，使得算法容易發(fā)生早熟收斂等問(wèn)題，從而影響其全局尋優(yōu)能力，因此使用種群活性粒子群優(yōu)化算法對(duì)LSSVM參數(shù)進(jìn)行優(yōu)化，從而解決上述問(wèn)題。通過(guò)實(shí)例分析可知，相比常規(guī)算法，改進(jìn)PSO優(yōu)化LSSVM算法建立的預(yù)測(cè)模型的預(yù)測(cè)精度和效率最高，具有較好的工程應(yīng)用價(jià)值?！　￡P(guān)鍵詞：最小二乘支持向量機(jī)；粒子群優(yōu)化算法；機(jī)器學(xué)習(xí)；軋制力預(yù)測(cè)　　中圖分類(lèi)號(hào)

2、：TN98?34；TP273文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1004?373X（2016）20?0114?03　　Abstract：Therollingforcepredictionmodelofrollingmillisstudiedinthispaper.Asthehightime?consuminggridsearchmethodisselectedfortheconventionalLSSVMrecognitionmodeltodetermineparameters，andtheparticleswarmoptimizationalg

3、orithmusuallyusedtooptimizetheLSSVMidentificationmodeliseasytooccurtheprematureconvergenceduetothecomplicateandmultidimensionalpracticalproblems，andaccelerateddeclineofpopulationdiversity，whichaffectstheglobalsearching7ability，thepopulationactiveparticleswarmoptimizatio

4、nalgorithmisusedtooptimizetheparametersofLSSVMtosolvetheaboveproblems.Theinstanceanalysisshowsthat，incomparisonwiththeconventionalalgorithm，thepredictionmodelestablishedwithimprovedPSOoptimizingLSSVMalgorithmhashigherpredictionaccuracyandefficiency，andhasbetterengineeri

5、ngapplicationvalue.　　Keywords：leastsquaressupportvectormachine；particleswarmoptimizationalgorithm；machinelearning；rollingforceprediction　　0引言　　鋼鐵生產(chǎn)在我國(guó)經(jīng)濟(jì)發(fā)展和國(guó)家建設(shè)過(guò)程中起到關(guān)鍵性作用，是重要支柱產(chǎn)業(yè)。軋板是重要的鋼材產(chǎn)品，隨著行業(yè)的發(fā)展和競(jìng)爭(zhēng)的加大，對(duì)于軋板質(zhì)量有著越來(lái)越高的要求，而軋板質(zhì)量在很大程度上取決于軋制力預(yù)測(cè)的精度，因此如何提高現(xiàn)場(chǎng)軋機(jī)軋制力預(yù)測(cè)精度成為近年來(lái)廣泛關(guān)注的熱

6、點(diǎn)之一[1]?！　≤垯C(jī)軋制過(guò)程是一個(gè)多變量并具有強(qiáng)耦合特征的非線性過(guò)程，使用傳統(tǒng)軋制力推導(dǎo)模型，雖然具有一定精度，但是能夠適用的產(chǎn)品類(lèi)型較少，其精度和適應(yīng)性已無(wú)法滿足現(xiàn)今越來(lái)越多、越苛刻的要求[2]。7　　隨著機(jī)器學(xué)習(xí)方法的不斷發(fā)展以及其在各個(gè)領(lǐng)域的應(yīng)用和滲透，專(zhuān)家學(xué)者們已將機(jī)器學(xué)習(xí)算法應(yīng)用到了軋機(jī)軋制力的預(yù)測(cè)中。文獻(xiàn)[3]中使用Matlab建立基于BP神經(jīng)網(wǎng)絡(luò)的軋制力預(yù)測(cè)模型，通過(guò)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)算法的訓(xùn)練，從而提高預(yù)測(cè)模型泛化能力，提高預(yù)測(cè)精度。文獻(xiàn)[4]中使用RBF神經(jīng)網(wǎng)絡(luò)建立連軋機(jī)組軋制力預(yù)報(bào)方法替換原有傳統(tǒng)數(shù)學(xué)公式推導(dǎo)方

7、法，使得軋制力誤差由原來(lái)的17%下降到11%。文獻(xiàn)[5?7]中使用RBF神經(jīng)網(wǎng)絡(luò)方法建立軋機(jī)屈服強(qiáng)度和應(yīng)力狀態(tài)預(yù)測(cè)模型，降低軋制力預(yù)測(cè)誤差。雖然上述研究通過(guò)BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法進(jìn)行軋制力的預(yù)測(cè)，提高了預(yù)測(cè)精度，但是由于常規(guī)算法訓(xùn)練效率低、容易陷入局部最優(yōu)解等自身缺陷，導(dǎo)致了預(yù)測(cè)精度不能令人滿意，預(yù)測(cè)的效率不夠高，因此本文研究一種基于LSSVM的軋制力預(yù)測(cè)模型，并使用種群活性PSO優(yōu)化LSSVM，提高預(yù)測(cè)效率和精度。　　1軋制力預(yù)測(cè)模型　　在進(jìn)行廢鋼堆出、切頭飛箭以及除鱗等軋制工藝過(guò)程中，可對(duì)機(jī)架出入口的厚度、軋制

8、溫度、板?忍寤?、質(zhì)量和化學(xué)成分以及軋輥磨損等多個(gè)有關(guān)物理量進(jìn)行檢測(cè)。通過(guò)相關(guān)性分析最終確定將入口厚度、出口寬度、軋制溫度、軋制速度、板?瓤磯取?C含量、Si含量、Mn含量、S含量以及P含量作為軋制力預(yù)測(cè)考慮的主要因素。