基于MA-SVM_算法的冷轧轧制力预测模型.pdfVIP

第47卷第5期燕山大学学报Vol.47No.5

2023年9月JournalofYanshanUniversitySept.2023

文章编号:1007-791X(2023)05-0428-05

基于MA-SVM算法的冷轧轧制力预测模型

陈树宗,侯佳琦,白芸松,华长春∗

(燕山大学066004)

电气工程学院,河北秦皇岛

摘要:针对传统轧制力预测模型计算误差大、泛化性能差的问题,提出了一种基于蜉蝣算法优化支持向量机

的冷轧轧制力预测模型。该模型在支持向量机的基础上,引入蜉蝣算法对支持向量机的参数进行优化,解决了

手动调参不确定性大且耗费时间的问题。本文采用某五机架冷连轧机组生产现场数据对轧制力进行测试,结

果表明:本文所选模型轧制力预测值与实际值误差在±5%的准确率为98.5%,模型误差小,具有较好的泛化性

能,具有广阔的应用前景。

关键词:轧制力预测;支持向量机;蜉蝣算法

中图分类号:TG335.12文献标识码:ADOI:10.3969/j.issn.1007-791X.2023.05.006

0引言学习模型,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。

轧制力的精确预测在冷轧生产过程中至关重

但神经网络存在收敛速度慢、易陷入局部极小化

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等问题,且其基于经验风险最小化的训练方式导

的共同影响,具有非线性、强耦合性和不确定性等致它在网络推广能力上受到较大限制[6]。

VectorMachine,SVM)是

特点。传统机理模型存在较多假设和简化,计算支持向量机(Support

精度有限且适用范围窄,难以满足多规格产品柔一种基于结构风险最小化的模型,可避免维数灾

性化生产的需求[1]。难问题,且在小样本学习中可获得较好泛化能力,

随着人工智能技术的崛起,智能模型逐渐成适用于目前钢铁行业从大批量统一规格生产转为

为带钢轧制发展的方向。LIJ等[2]考虑了热轧工根据客户需求小批量定制化生产的情况。崔桂梅

[7]

艺参数对冷轧工艺延伸的影响,将机理模型的轧等通过差分进化算法对SVM的参数进行最优参

制力计算值作为T-S模糊神经网络模型的输入之数搜索,轧制力的预测精度有了一定的提高;杨景

[3][8]

一,极大提高了模型的预测精度;魏立新等提出明等采用改进的果蝇算法对最小二乘支持向量

改进在线序列极限学习机,初始阶段使用粒子群机的参数进行寻优,样本预测误差均在10%以内;