陈树宗,侯佳琦,白芸松,华长春

(燕山大学 电气工程学院,河北 秦皇岛 066004)

0 引言

轧制力的精确预测在冷轧生产过程中至关重要。其预测精度直接关系到辊缝的设定,从而影响成品厚度及板形精度。冷轧过程受到多种因素的共同影响,具有非线性、强耦合性和不确定性等特点。传统机理模型存在较多假设和简化,计算精度有限且适用范围窄,难以满足多规格产品柔性化生产的需求[1]。

随着人工智能技术的崛起,智能模型逐渐成为带钢轧制发展的方向。LI J等[2]考虑了热轧工艺参数对冷轧工艺延伸的影响,将机理模型的轧制力计算值作为T-S模糊神经网络模型的输入之一,极大提高了模型的预测精度;魏立新等[3]提出改进在线序列极限学习机,初始阶段使用粒子群算法优化权值和阈值,在线学习阶段根据隐层输出对预测值的贡献大小调整网络结构,具有很高的实时性,能满足现场在线预测轧制力的要求;WANG Z等[4]提出了粒子群优化极限学习机的方法,建立了数据驱动的轧制力和轧制力矩预测模型;WEI L等[5]使用多加权相似性度量的集成即时学习模型,多加权相似性度量用于提高样本选择的准确性,累积相似度因子和相似度阈值用于增强自适应能力,使得轧制力预测精度有所提升。但神经网络存在收敛速度慢、易陷入局部极小化等问题,且其基于经验风险最小化的训练方式导致它在网络推广能力上受到较大限制[6]。

支持向量机(Support Vector Machine,SVM)是一种基于结构风险最小化的模型,可避免维数灾难问题,且在小样本学习中可获得较好泛化能力,适用于目前钢铁行业从大批量统一规格生产转为根据客户需求小批量定制化生产的情况。……