基于Keras深度学习框架下BP神经网络的热轧带钢力学性能预测

马湧¹，王晓鹏²，马莎莎³

1. 冶金自动化研究设计院混合流程工业自动化系统及装备技术国家重点实验室2. 北京科技大学工程技术研究院3. 云南财经大学经济学院

摘 要：研究了Keras深度学习框架下的BP神经网络在热轧带钢力学性能预测中的应用。首先采用主成分分析PCA对原始数据进行降维,再利用Keras深度学习框架下优化函数及参数对BP神经网络进行优化,最终建立原始化学成分和热轧生产工艺参数与带钢力学性能之间的关系。验证结果表明,模型取得了较高的预测精度,对于抗拉强度,预测值与实际值的相对误差绝对值在10%以内的样本占比93. 4%;对于屈服强度,预测值与实际值的相对误差绝对值在10%以内的样本占比92. 1%;对于伸长率,预测值与实际值的相对误差绝对值在10%以内的样本占比90. 5%。因此,通过验证,预测结果对热轧现场具有较好的指导意义。

关键词：热轧带钢;力学性能;主成分分析;Keras深度学习框架;BP神经网络;