基于机器学习的中厚板变形抗力模型建模与应用
为提高变形抗力预测精度,以兴澄特钢中厚板轧机实际生产数据为基础,针对性提出2种利用机器学习对变形抗力进行预测的方法:一种是极限学习机(ELM)与传统数学模型结合的多钢种变形抗力模型及建模方法,另一种是基于TensorFlow深度学习框架的变形抗力模型及建模方法.方法一参考周纪华-管克智变形抗力模型,改进原变形抗力模型结构形式,计算出低合金钢、合金钢及高合金钢代表钢种的基准变形抗力;通过非线性回归计算出与钢种无关的变形参数影响系数,引进ELM神经网络算法,采用灰色关联分析及交叉验证优选神经网络参数,通过线性插值对预测结果进行平滑处理,减小ELM预测残差,最后与传统数学模型相结合得到变形抗力.方法二基于深度学习技术,结合机理,构建2种不同结构的深度神经网络,采用小批量(mini-batch)和均方根传播(RMSprop)优化算法寻优,结合批标准化(BN)和早停(early stopping)正则化策略提高模型泛化能力与稳定性,最后综合工艺特性,分别对粗轧机(RM)、精轧机(FM)建立变形抗力预测模型,提高模型精度.研究结果表明,利用深度学习预测变形抗力具有较高的预测精度,经离线分析,平均绝对百分误差(MAPE)由原模型的9.27％降至平均2.59％;在线应用后,轧制力预测精度相对误差10％以内比例由72.31％提高到平均90.24％,提高了现场生产的工艺水平.
机器学习、变形抗力预测、ELM神经网络、深度学习、基准变形抗力、灰色关联分析
59
TG335.5(金属压力加工)
2023-03-31（万方平台首次上网日期，不代表论文的发表时间）
共12页
435-446
