吴金霞，刘 闯



基于支持向量机的轧制力混合模型

吴金霞1，刘 闯2

（1.辽宁工业大学理学院，辽宁锦州 121001；2.渤海大学工学院，辽宁锦州 121001）

在分析影响轧制力预测精度主要因素的基础上，提出了两阶段预测法，在粗轧阶段建立传统变形抗力与支持向量机(SVM)补偿混合模型，并利用网格搜索算法及粒子群算法分别对参数进行了优化，在精轧阶段利用此混合模型对70条带钢的轧制力进行预测，仿真结果表明，“基于本材的变形抗力自学习的思想”建立的轧制力混合模型是可行的，优化SVM参数后轧制力模型的预测精度明显提高。

轧制力；支持向量机；优化算法

在板带轧制计算机控制系统所涉及的诸多数学模型中，轧制力模型占有重要的地位。经过几十年的发展，传统的轧制力模型解决了主要参数的近似计算问题，但是随着用户对带钢厚度和板形精度要求的不断提高，传统轧制力模型的局限性也越来越明显。深入的研究表明，金属的轧制过程是一个非线性时变且多变量耦合的复杂过程，轧制力的计算受到各种复杂物理化学因素的影响，呈现严重的非线性关系，很难建立精确的解析模型，继续提高传统轧制力模型精度的难度很大。20世纪90年代以来，人们在传统轧制力模型的基础上引入了一些人工智能方法，如人工神经网络方法和统计学习方法，在实际应用中取得了较好的效果，特别是基于统计学习理论的支持向量机方法，在小样本条件下仍能保持良好的泛化性能，引起了人们越来越多的关注[1]。……