基于机器学习的热轧轧制力预测

摘要：

针对传统轧制力数学模型预测精度差的问题,基于板带轧制数据和支持向量回归(SVR)模型对轧制力进行预测.采用主成分分析(PCA)技术来降低输入变量的维数,同时提出了改进粒子群优化(IPSO)算法调节惯性权值和加速因子,并采用IPSO算法对SVR模型中的惩罚因子c、核函数参数g和不敏感损失参数ε进行优化,最终建立PCA-IPSO-SVR轧制力预测模型.与PCA-PSO-SVR、PSO-SVR和Grid-SVR模型相比,PCA-IPSO-SVR模型的3种误差指标处于最低水平,且平均绝对百分比误差(MAPE)为4.8153％.仿真结果表明:与常规PSO算法相比,IPSO算法可以避免陷入局部极小值,从而获得模型最优参数和提高模型预测精度;与其他3种模型相比,PCA-IPSO-SVR模型具有较高的预测精度和较好的泛化性能.

关键词：支持向量回归;改进的粒子群算法;主成分分析;轧制力模型;机器学习

所属期刊栏目：46

分类号：TF16(冶金技术)

在线出版日期：2021-11-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：233-241