10.3969/j.issn.1000-7059.2022.06.007
基于密度聚类协同深度残差网络的热连轧宽度预测
在热连轧轧制规程设定中,因在换辊后首卷、产品换钢种、换规格、润滑条件和温度波动等非稳态轧制过程中,模型预测误差较大,造成带钢三维尺寸波动大等问题.本文提出了一种基于密度聚类协同深度残差网络的热连轧宽度预测方法,提高热轧带钢粗轧过程的宽度设定精度.首先,根据数据在高维特征中的密度分布将相似的数据归为同一类簇,并剔除数据采集误差导致的离群值.然后,将划分后的类簇单独训练,采用深度前馈全连接神经网络,并借助残差网络优化网络结构,改善深层网络的性能退化问题,训练最优模型进行预测.最后,将所构建的浅层网络与未优化的深层网络进行对比和结构优化,并将优化后的模型应用于热连轧粗轧过程狗骨回复和自由宽展预测模型,从而实现立辊开口度的精准设定.应用结果表明,基于支持向量回归(support vector regression,SVR)、深度神经网络(deep neural network,DNN)、深度残差网络(deep re-sidual network,DRN)的模型宽度设定值与实测值偏差在8 mm以内的命中率分别为52.3%、79.6%、92.1%,在12 mm以内的命中率分别为59.1%、90.9%、96.2%,可以看出,基于密度聚类协同深度残差网络的热连轧宽度的预测,DRN模型精度明显优于SVR和DNN模型.
热连轧粗轧、宽度预测、神经网络、深度学习、聚类分析、残差网络
46
TP391.41;TG335.11;TP273
中央引导地方科技发展资金自由探索类基础研究2022JH6/100100019;国家自然科学基金
2023-03-07(万方平台首次上网日期,不代表论文的发表时间)
共11页
67-77