基于改进的最小二乘支持向量机的退火炉内带钢延伸量预测
来源期刊:轧钢2015年第3期
论文作者:周鑫 王超 杨琦 张宇献
文章页码:60 - 129
关键词:带钢延伸量;软测量;遗传算法;BP神经网络;最小二乘支持向量机;
摘 要:带钢在退火炉内进行长时间加热的过程中,由于炉内温度、张力以及带钢运行速度等变量间具有多重相关性且存在生产数据噪声,从而难以准确预测炉内带钢的延伸量。本文提出了一种基于遗传算法的BP神经网络理论(GA-BP神经网络)与最小二乘支持向量机(LSSVM)理论相结合的算法用于目标函数拟合,该算法兼顾最小二乘支持向量机的全局与局部拟合能力,有效避免算法陷入局部最优的缺点,利用改进的BP神经网络算法优化选择LSSVM模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性,使LSSVM具有更好的泛化能力和预测精度。将该方法应用到退火炉内带钢的延伸量预测,通过现场生产数据仿真模拟进行非线性函数估计,结果表明:本文所提出的方法具有良好的预测精度,可以应用于实际生产。
周鑫1,王超2,杨琦1,张宇献3
1. 沈阳铝镁设计研究院有限公司电力自动化室2. 东北大学信息科学与工程学院3. 沈阳工业大学电气工程学院
摘 要:带钢在退火炉内进行长时间加热的过程中,由于炉内温度、张力以及带钢运行速度等变量间具有多重相关性且存在生产数据噪声,从而难以准确预测炉内带钢的延伸量。本文提出了一种基于遗传算法的BP神经网络理论(GA-BP神经网络)与最小二乘支持向量机(LSSVM)理论相结合的算法用于目标函数拟合,该算法兼顾最小二乘支持向量机的全局与局部拟合能力,有效避免算法陷入局部最优的缺点,利用改进的BP神经网络算法优化选择LSSVM模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性,使LSSVM具有更好的泛化能力和预测精度。将该方法应用到退火炉内带钢的延伸量预测,通过现场生产数据仿真模拟进行非线性函数估计,结果表明:本文所提出的方法具有良好的预测精度,可以应用于实际生产。
关键词:带钢延伸量;软测量;遗传算法;BP神经网络;最小二乘支持向量机;