冷连轧轧制力深度神经网络模型泛化能力并行优化

为了更好调控冷连轧板厚参数,设计了一种冷连轧轧制力深度神经网络模型,增强了冷连轧模型的控制效果。选择2030冷连轧结构进行研究,对多输入多输出(MIMO)深度神经网络(DNN)进行预处理,针对多线程CPU与GPU实施了优化,对比了神经网络模型和冷连轧系统Siemens模型误差。研究结果表明:L-M算法表现出了更优的收敛稳定性、测试和验证性能、梯度下降趋势,并且收敛速度也更快。以随机方式选择200个数据并测定泛化性能测试得到,L-M算法获得了比SCG算法更大的相关系数。都是随着隐含层数的增加,获得了性能更优的神经网络模型,并且都会增加训练时间。从各项模型指标分析,L-M算法都比SCG算法的性能更优。构建神经网络轧制力模型总共包含二个隐含层、节点数介于17~30、通过L-M算法进行训练。采用神经网络轧制力模型得到的结果与实测值之间的误差比Siemens机理模型和测试值的误差更低。

轧机轧制力的改进训练策略深度神经网络预测

为了提高双机架炉卷轧机的轧制力预测精度,提出了具有快速而高效训练策略的深度神经网络预测方法。介绍了双机架炉卷轧机的工作原理,分析了轧制力影响参数。在深度神经网络基础上,使用随机小批量的样本选取法,提高深度神经网络训练速度;提出自适应矩估计梯度优化算法,用于解决传统训练方法陷入局部极值的问题,从而给出了改进训练策略的深度神经网络轧制力预测方法。经轧制实验验证,改进深度神经网络的训练时间为226.15s,而传统网络的训练时间为862.93s;改进网络的预测误差绝大部分控制在3%以内,而传统网络的预测误差绝大部分控制在5%以内。以上数据表明,改进深度神经网络的训练速度和预测精度均远优于传统深度神经网络。

基于改进SSA-GA-BP神经网络的热连轧轧制力预测

针对热连轧过程传统轧制力模型不能准确反映实际轧制力的问题,提出了群智能优化算法优化机器学习的热连轧轧制力预测模型。以某热连轧生产线数据为基础,利用随机森林算法进行输入特征的重要性排序,选取重要度较大的参数作为BP神经网络的输入参数,并采用Pauta法则对原始轧制数据进行预处理,基于GA-BP模型建立了精度良好的轧制力预测模型,并采用改进的麻雀搜索算法对GA-BP模型进行了二次优化。将建立的改进SSA-GA-BP模型与传统轧制力模型、BP神经网络模型以及未二次优化的GA-BP模型进行对比。结果表明,改进的SSA-GA-BP模型较其他模型具有较高的预测精度和良好的泛化能力。

基于自适应深度神经网络的永磁同步直线电机定位力计算模型

为了提高永磁同步直线电机(PMSLM)定位力计算模型的训练效率和精度,提出一种基于自适应深度神经网络(ADNN)的定位力计算模型。利用有限元参数化计算出不同结构PMSLM的定位力作为样本数据;使用一种k折训练方式结合神经网络结构搜索算法使ADNN模型结构自适应,再对ADNN模型训练得到定位力计算模型。实验结果表明,该ADNN模型精度达到99.86%;相较于人工调参,时间消耗减少85.17%;ADNN模型计算结果与样机测试结果总体一致,证明了此模型的有效性。

深度神经网络轧制力建模及其并行优化研究

冷连轧过程控制的轧制力模型是整个轧制过程计算机控制的基础。为提高5机架2030冷连轧系统轧制力模型的精度和适用性,提出了多输入多输出深度神经网络轧制力模型的数据预处理、建模和并行优化方法。对含有不同隐含层数和节点数的神经网络,采用不同训练算法(SCG算法和L-M算法)与不同优化方法(多线程CPU、单GPU和多线程CPU+GPU),研究了神经网络结构、训练算法和优化方法对神经网络轧制力模型的性能、训练时长、线性相关系数的影响。研究结果表明:含有2个隐含层、采用L-M算法和多线程CPU优化方法可获得综合性能最优的神经网络轧制力模型;神经网络轧制力模型的计算误差远小于在线使用的Siemens轧制力模型的计算误差。

基于神经网络的冷连轧机轧制力预报模型

为了提高冷连轧机轧制力预报精度,提出一种解析数学模型结合神经网络校正模型的计算方法,建立冷连轧机轧制力预报模型。采用径向基函数的局部映射和全局线性映射相结合的神经网络校正模型求解带钢变形抗力和轧制变形区的摩擦因数;并采用轧制变形区离散化方法分析轧制变形区内张力、摩擦力及金属变形抗力等在带钢轧制方向上的分布规律,从而建立轧制力在线计算数学模型。现场实测数据离线仿真结果表明,采用此基于神经网络的冷连轧机轧制力预报模型预测轧制力,其预测误差小于8.9%,此模型能用于指导生产实践。

轧制力预报中的神经网络和数学模型

采用ＢＰ神经网络方法预报热连轧精轧机组轧制力·通过训练数据预处理、利用遗传算法优化网络结构和参数、按钢种划分训练样本等方法，提高了网络的预报精度，优于传统的数学模型方法·ＢＰ神经网络与数学模型相结合的综合神经网络方法，进一步提高了轧制力的预报精度·预测结果与实测数据比较表明，相对误差基本在±７％以内。

基于人工神经网络铝箔轧机轧制力模型

采用BP神经网络原理对1350mm铝箔轧机轧制数据重新处理，建立了基于人工神经网络的轧制力模型.结果表明，用人工神经网络轧制力模型的计算值与实测值相比较偏差＜3％.该模型较真实地反映了轧制过程的特征.

人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用

针对传统轧制力模型的固有缺陷，为了提高精轧机组轧制力预设定精度，提出一种将人工神经网络和数学模型相结合的新方法，用于热连轧精轧机组轧制力的预设定。离线仿真表明，采用本文所述的方法，预报精度优于传统方法。预报结果的相对误差限制在±５％以内。

基于神经网络的轧制力模型参数辨识

为了提高热连轧轧制力预设定值的精度 ,提出一种新的轧制力模型参数辨识方法。利用人工神经网络对以往的大量生产数据进行训练、预测 ,将预测结果结合轧制力模型 ,对轧制力模型中的温度相关系数m1 、变形速度相关系数m3进行辨识。现场生产实践表明 ,采用辨识后的模型进行轧制力预设定 ,带钢头部厚度精度有明显提高。对于象本钢热连轧厂这样的老企业 。

基于BP神经网络的CSP生产线轧制力预测模型

使用数学模型和BP神经网络相结合的方法对轧制力进行预测。与大多数神经网络仅选取轧制变量作为输入量不同,该BP神经网络增加了喷油量和轧制力模型计算值作为输入变量以考虑摩擦对轧制力的影响,避免过大的轧制力预测偏差,从而形成了11×7×1的网络结构,并和轧制力模型组合构成CSP生产线轧制力预测模型。结果表明:该神经网络模型预测值与实测平均值的平均相对误差仅为1.08%,轧制力模型的平均相对误差为6.32%,该神经网络对轧制力实测平均值的跟踪能力更好,有较高的工程应用价值。

基于神经网络的轧制力预报模型

采用了BP神经网络对热轧无缝钢管穿孔过程中轧制力进行预测,在BP算法学习过程中引入了附加动量法和自适应学习速率,结合Levenberg-Marquardt优化方法,加快了学习时的收敛速度,试验证明,取得了良好的学习和测试效果。研究结果可为斜轧穿孔工具设计和工艺调整提供一定的理论依据,对解决生产中出现的实际问题、开发新产品和新工艺提供有效的指导。

基于人工神经网络的扁钢轧制力模型

根据BP人工神经网络算法原理，结合某厂型钢轧机轧制扁钢时的轧制力实测数据，对扁钢轧制力进行建模．结果表明，神经网络用于轧制力建模是可行的，所建模型系统误差＜1％，模型计算值与实测值的偏差＜4％，较好地反映了实际轧制过程的特征．

基于小脑模型神经网络的轧制力预报模型

研究了热轧板带厚度控制中轧制力预报环节的局部逼近神经网络实现方法。网络在多次训练后对生产中的历史数据进行了轧制力预报 ,达到了较高的预报精度。

基于人工神经网络的中厚板精轧机轧制力预报

采用人工神经网络方法 ,以生产实测数据为基础 。

基于数据库的神经网络轧制力建模

冷连轧过程控制的轧制力模型对于提高轧制精度和降低生产成本具有重要的意义,而传统的轧制力模型结构简单,精度较低,即使在实际生产中采用自适应技术,也无法满足高精度轧制的需要。为此针对5机架冷连轧机,提出并联结构的BP神经网络模型;采用Levenberg-Marquardt算法进行训练,确定网络的结构和参数;在数据库中建立钢种与神经网络的结构和参数一一对应的关系表,保存网络训练结果。对神经网络模型的仿真测试表明该神经网络轧制力模型有较强的泛化能力,收敛速度快,不易陷入局部最优,精度明显高于传统的轧制力模型。

热连轧轧制力贝叶斯神经网络预测与模型优化

采用贝叶斯神经网络预测精轧轧制力,从实测数据中抽取出700组数据作为样本集,其中610组数据作为训练样本,用于网络模型的训练,剩余的90组数据作为测试样本。选取C、Si、Cu、Mn含量,轧件出口厚度,入口厚度,轧件宽度,轧制时间,压下率以及轧制温度作为输入层神经元数,轧制力为输出层神经元。贝叶斯网络轧制力预测误差基本分布在[-200,200],比传统计算误差大为减小。采用乘法网络进行轧制力的预测模型优化,优化后预测误差为正态分布,误差基本分布在-4%~6%,误差为0的样本数能达到20%,误差在±2%之内的样本数能达到70%,预测精度比加法网络稍有改善,比传统网络预测精度大幅提高。

神经网络在冷连轧机轧制力预测中的应用

将神经网络建模方法应用于冷连轧机轧制力预测,研究并建立了基于神经网络的冷连轧机轧制力预测数学模型。该模型在河北中钢冷轧厂五机架冷连轧机组使用后表明,模型具有较高的预测精度,能满足实际生产使用要求。

基于HJPS算法的神经网络的轧制力修正模型

传统的轧制力模型结构简单、精度较低,即使采用基于有限元的数值积分方式进行精化,出于计算效率的考虑因其有限区域的划分十分有限,因此对于轧制力计算的精度提高有限。直接采用神经网络对轧制力进行建模可以极大地提高模型精度,但是模型对新型材料的泛化能力较差。为此提出简单有限元轧制力模型,并在模型基础上使用HJPS优化算法的神经网络对轧制力进行修正,对该模型的仿真测试表明,该模型具有很强的泛化能力,收敛速度快、不易陷于局部优化,能够极大地提高轧制力模型的计算精度。

基于神经网络与线性回归的轧制力预报

通过将SIMS轧制力计算公式进行相应简约化处理,避免了模型软件在该公式计算时的重复迭代求解,缩短了计算时间,因此更适合在线软件计算。利用现场实际生产数据反向回归出变形抗力模型中的系数,提高了模型中系数的准确性。用神经网络对变形抗力与应力状态系数的乘积加以修正,进一步提高了轧制力预报的精度。预测结果与实测数据比较表明,轧制力预报误差基本在±5%以内,满足了轧制力预报的精度要求。