基于机器学习算法的轧机轧制力预测.docVIP

基于机器学习算法的轧机轧制力预测 　　摘 要： 对轧机轧制力预测模型进行研究。由于常规LSSVM识别模型选取耗时长的网格有哪些信誉好的足球投注网站法进行参数确定，通常粒子群优化算法对LSSVM识别模型进行优化。由于种群中多样性加速下降，使得算法容易发生早熟收敛等问题，从而影响其全局寻优能力，因此使用种群活性粒子群优化算法对LSSVM参数进行优化，从而解决上述问题。通过实例分析可知，相比常规算法，改进PSO优化LSSVM算法建立的预测模型的预测精度和效率最高，具有较好的工程应用价值。 　　关键词： 最小二乘支持向量机； 粒子群优化算法； 机器学习； 轧制力预测 　　中图分类号： TN98?34； TP273 文献标识码： A 文章编号： 1004?373X（2016）20?0114?03 　　Abstract： The rolling force prediction model of rolling mill is studied in this paper. As the high time?consuming grid search method is selected for the conventional LSSVM recognition model to determine parameters， and the particle swarm optimization algorithm usually used to optimize the LSSVM identification model is easy to occur the premature convergence due to the complicate and multidimensional practical problems， and accelerated decline of population diversity， which affects the global searching ability， the population active particle swarm optimization algorithm is used to optimize the parameters of LSSVM to solve the above problems. The instance analysis shows that， in comparison with the conventional algorithm， the prediction model established with improved PSO optimizing LSSVM algorithm has higher prediction accuracy and efficiency， and has better engineering application value. 　　Keywords： least squares support vector machine； particle swarm optimization algorithm； machine learning； rolling force prediction 　　0 引 言 　　钢铁生产在我国经济发展和国家建设过程中起到关键性作用，是重要支柱产业。轧板是重要的钢材产品，随着行业的发展和竞争的加大，对于轧板质量有着越来越高的要求，而轧板质量在很大程度上取决于轧制力预测的精度，因此如何提高现场轧机轧制力预测精度成为近年来广泛关注的热点之一[1]。 　　轧机轧制过程是一个多变量并具有强耦合特征的非线性过程，使用传统轧制力推导模型，虽然具有一定精度，但是能够适用的产品类型较少，其精度和适应性已无法满足现今越来越多、越苛刻的要求[2]。 　　随着机器学习方法的不断发展以及其在各个领域的应用和渗透，专家学者们已将机器学习算法应用到了轧机轧制力的预测中。文献[3]中使用Matlab建立基于BP神经网络的轧制力预测模型，通过现场数据进行机器学习算法的训练，从而提高预测模型泛化能力，提高预测精度。文献[4]中使用RBF神经网络建立连轧机组轧制力预报方法替换原有传统数学公式推导方法，使得轧制力误差由原来的17%下降到11%。文献[5?7]中使用RBF神经网络方法建立轧机屈服强度和应力状态预测模型，降低轧制力预测误差。虽然上述研究通过BP神经网络、RBF神经网络等机器学习算法进行轧制力的预测，提高了预测精度，但是由于常规算法训练效率低、容易陷入局部最优解等自身缺陷，导致了预测精度不能令人满意，预测的效率不够高，因此本文研究一种基于LSSVM的轧制力预测模型，并使用种群活性PSO优化LSS