基于改进深度信念网络训练的冷轧轧制力预报

摘要：

在带钢冷轧过程中,轧制力预报精度直接决定板带材的轧制精度以及产品质量.传统的基于单隐层的神经网络建模方法结构简单,对复杂函数的表达能力与泛化能力都受到一定制约;轧制现场环境复杂,数据测量存在噪声干扰,都会直接影响预报精度.针对这些问题,提出一种基于非监督学习的改进深度信念网络预测模型.深层网络的构建以及去噪机制的引入可提高系统对输入数据特征学习的能力,同时采用改进的对比散度算法对网络进行训练,提高网络训练速度.最后,利用某钢厂1200 mm轧机组的实测数据对模型进行检验,对比分析3种不同模型,结果表明该模型对轧制力预测的平均相对误差控制在4.5％以内,建模所需时间相比于栈式自编码网络减少26％.

关键词：计量学;轧制力预报;深度信念网络;去噪机制

所属期刊栏目：42

分类号：TB931(计量学)

资助基金：国家自然科学基金;河北省自然科学基金青年项目

在线出版日期：2021-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：906-912