基于深度置信网络的连铸坯偏析等级预测研究.pdf
《基于深度置信网络的连铸坯偏析等级预测研究.pdf》由会员分享,可在线阅读,更多相关《基于深度置信网络的连铸坯偏析等级预测研究.pdf(2页珍藏版)》请在咨信网上搜索。
1、总第2 11期2023年第8 期试(实)验研究基于深度置信网络的连铸坏偏析等级预测研究翟莹莹12,孙巍,李洪林1,吴海旭,石玲1(1.忠旺科创中心,辽宁辽阳1110 0 3;2.东北大学计算机科学与工程学院,辽宁沈阳110 8 19)摘要:连铸坏中心偏析缺陷的准确预测对于连铸坏稳定生产、提升连铸质量具有重要意义。为精准预测连铸坏中心偏析缺陷,建立连铸坏偏析等级的深度学习模型,该模型应用禁忌搜索的超参数优化法,对DBN模型的网络层和回归层进行优化,提高了偏析预测的准确率。研究表明,基于DBN-SVR模型的连铸坏中心偏析预测精度较好。关键词:连铸坏;质量预测;深度置信网络;支持向量机中图分类号:T
2、F701.3;TF7770引言连铸工艺是钢铁生产中的重要环节,实际生产中的连铸坏质量受很多因素的影响,而且生产过程中存在着很多未知的扰动性,生产参数间具有较强的非线性和耦合性,这使得连铸坏中心偏析缺陷的精准预测极具挑战1。偏析的产生对铸坏后续的加工和成型处理及最后生产的产品质量都有很大的影响,因此,需要精准预测连铸坏的偏析行为。连铸坏的质量预测一直都是连铸生产过程中的重点研究方向。随着人工智能预测模型的广泛应用,生产中的数据不断被积累,使预测模型具有更强的鲁棒性3 。因此,很多研究学者将人工智能技术应用到预测模型中4-5。本文针对连铸坏偏析预测这一复杂工程问题,引入深度置信网络,并加人支持向量
3、机模型,构建基于DBN-SVR模型的连铸坏偏析等级的预测模型,优化网络结构,提高模型在回归预测的准确率。1基于DBN-SVR的质量预测模型的建立深度置信网络(DBN)由多个限制玻尔兹曼机(RBM)堆叠组成,通过堆叠RBM并进行训练,构成不同深度的DBN模型,进而开展分类以及回归预测任务6 。DBN模型结构如图1所示,其中每一层RBM都是对输入数据特征的提取,输人的数据经过各层RBM,最终将提取到的特征映射到输出层,通过分类层或者回归层对收集的数据进行分类预测。hs隐藏层可见层图1DBN网络结构收稿日期:2 0 2 3-0 3-2 1基金项目:辽宁省教育厅科学研究经费项目(LJKZ0010);中
4、央高校基本科研业务费项目(N2216011)第一作者简介:翟莹莹(19 8 4一),女,黑龙江奎县人,现为东北大学讲师,忠旺科创中心博士后,研究方向为工业流程与仿真、数据挖掘、深度学习等。山西冶金ShanxiMetallurgy文献标识码:A低维空间映射到高维特征空间中,并在高维数据空间中构造恰当的超平面实现对输人样本的分离。在非线性支持向量机的基础上,利用SVR算法对数据样本进行拟合,使得数据可以投放到同一个平面中,以此完成对样本数据的拟合。DBN-SVR的构建利用的是SVR优化DBN网络的回归层,为了使改进网络的参数达到最优,将DBN模型的回归层设置为神经网络,利用SVR对DBN网络层特征
5、提取后的数据进行拟合,最后构建出模型。基于DBN-SVR的连铸坏质量预测过程如下:1)数据预处理。对数据集进行去边界值、降噪和归一化处理。2)设置DBN模型参数的取值范围,采用网络结构优化算法优化网络结构。3)逐层进行无监督学习。使用训练集数据对DBN中的RBM逐个进行无监督学习,使得每个RBM的参数达到局部最优。4)逐层进行有监督微调。将训练好的RBM与输出层的BP网络相结合,对其进行有监督训练,并将误差逐层反向传播,微调各层参数,直到收敛。5)提取最后一个隐藏层的特征与SVR建立完整的预测模型。使用训练好的DBN对整个数据集进行特征学习,最后一个隐藏层的数据即为得到的新特DBN结构征,将最
6、后一个隐藏层的特征作为 SVR的输入。6)对模型的预测结果进行反归一化处理。使用测试数据集对模型的预测性能进行测试,将测试结果进行反归一化处理,并与真实值进行对比。RBM2连铸坏质量预测应用2.1评价指标采用某钢厂铸机在生产过程中的数据,为了保证模型训练的准确性,对生产数据进行了去边界值、降Total 211No.8,2023DOI:10.16525/14-1167/tf.2023.08.001文章编号:16 7 2-1152(2 0 2 3)0 8-0 0 0 1-0 2支持向量机(SVR)是通过核函数将输入样本从山西冶金E-mail:第46 卷噪和归一化处理。为检验预测模型的预测能力和泛化
7、能力,对训练集样本进行回代检验。使用的评价指标为均方根误差(ERMs):1ERMSni=1式中:yi为第i个连铸坏偏析等级的实际值;y为使用预测模型得到的第i个样本的预测值。2.2连铸坏质量预测模型参数设置DBN网络结构可见层节点数为10,隐藏层节点数的取值范围为5 15,迭代次数为50 0 次,学习率为0.0 1。根据参数的不同取值构建预测模型,首先对训练集进行逐层无监督的预训练,然后通过神经网络进行有监督的反向微调,对网络结构进行优化,为防止由于迭代次数的增加造成的过拟合现象,对误差函数进行L2正则化处理。SVR的参数优化选择网格搜索的方式,SVR 所选的核函数为 RBF 核函数。2.3实
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 置信 网络 连铸坯 偏析 等级 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。