基于改进深度信念网络训练的冷轧轧制力预报

魏立新,王 恒,孙 浩,呼子宇

(1.燕山大学 智能控制系统与智能装备教育部工程研究中心,河北 秦皇岛 066004;2.燕山大学 工业计算机控制工程河北省重点实验室,河北 秦皇岛 066004)

1 引 言

在带钢冷轧轧制过程中,轧制力是最重要的工艺参数之一,其设定精度将直接影响带钢穿带的稳定性和减少带头带尾长度[1]。因此,现场应用对轧制力的设定提出了更高的要求。轧制生产过程受到多种因素的共同影响,具有非线性、不确定性等特点[2]。传统数学模型大多依据Bland-Ford-Hill公式对轧制力进行计算,适用范围比较窄,难以满足现场多规格产品柔性化生产的需求[3]。如何高精度的预测板带轧制力,进而提升产品质量已经成为亟待解决的问题。近年来,随着人工智能和深度学习的快速崛起,人工智能模型在自动化领域的应用逐渐增多[4]。Mahdi Bagheripoor等使用三维有限元模拟分析和神经网络相结合的方法来预测轧制力,不但提高了预测精度,而且可以方便的应用到不同带钢尺寸的模型中[5]。陶功明等采用高斯过程回归算法,基于现场生产数据建立了压下量与轧制力模型,为钢轨轧制过程轧制力的精确控制提供了一种残差较小的统计模型[6]。Chen Z M等提出一种基于多重支持向量机(multiple support vector machine,MSVM)的轧制力预测方法,将模型的输入划分为多个子空间,并对每个子空间分别建立SVM模型,最后合成所有子空间的输出来预测轧制力[7]。赵志伟等提出一种使用人工蜂群算法优化反向传播神经网络的初始权值、阈值和网络结构的轧制力预报方法,该方法的轧制力预报精度明显提高[8]。……