文摘
随着制造业的不断发展,对带钢质量要求变得越来越高在汽车制造、机械加工、电子和电气工业。带钢质量的精确控制依赖于准确的预测带钢质量在一定程度上。然而,数据收集的大量复杂的带钢生产线上的传感器和计算机控制系统显示生成的高维度的特点,高耦合、非线性,为带钢质量的预测带来了困难。大规模数据的连续生产的生产线也迫使钢铁企业寻求新的数据挖掘方法,挖掘传感器数据之间的关系来预测和控制带钢的质量。要解决这些问题,本文提出一种GBDBN-ELM模型,这是比其他算法更有效、更准确。在这个模型中,疟疾在DBN GBRBM取代,以便遏制不再取决于二进制发行版,可以处理连续值,保留更多的数据特征。为了解决这个问题太长了DBN训练时间,本文取代了BP网络在DBN榆树回归模型。榆树模型预测带钢质量根据提取的数据抽象的特征,从而提高模型的预测精度和缩短培训时间。摘要GBDBN-ELM模型与BP神经网络相比,榆树,DBN,均方根误差,平方系数的决心,和训练时间选择的评价指标模型。实验结果表明,改进的GBDBN-ELM模型不仅可以提高带钢质量预测的准确性也缩短模型训练的时间。本文提出的模型在预测精度和性能方面取得了良好的效果。
1。介绍
在工业领域,钢铁行业是国家的基础产业。大部分的原材料、资源和设备提供的其他行业的钢铁工业。钢铁行业的发展也导致了建设的进步,机械、交通运输等行业。尽管当前国际钢铁产量逐年增加,轧制优质钢的技术仍然需要改进。随着工业和技术的快速发展,许多行业已经越来越高要求带钢的质量,如基础设施工程、汽车制造、机械加工、电子和电气工业。因此,提高带钢质量已经成为热轧生产过程的主要任务。带材的质量可以通过预测,预先估计,然后可以及时调整工艺参数通过计算机计算,以实现系统的闭环控制,从而最大限度地带质量。因此,带钢质量预测方法已逐渐成为钢铁行业的一个热点。
传统的轧机控制依赖于手工操作;带钢质量在出口处是由简单的电动或手动压,不参与许多传感器。钢铁行业已经告别传统生产模式的广泛应用和发展现代自动控制理论在工业领域。现代化设备和先进技术的结合使得带材生产过程越来越复杂(1]。在带钢生产过程中,多个设备有机的联系。所涉及的过程参数和产品质量参数subproduction阶段是多方面的,和各种参数之间的关系是复杂的。每个阶段的参数往往呈现出层次结构和相互耦合。很难描述这些参数与线性或简单的非线性关系2]。
质量热连续滚动条在出口处的主要取决于精轧机。带钢宽度和厚度的变化是由垂直站的轧制力和水平站在完成滚动。影响带钢质量的主要因素包括轧制力,减少位置,入口温度、辊弯曲力、辊缝宽度、齿条速度。此外,水流等因素,电动机电流、油膜补偿,润滑也有一定影响带钢的表面质量(3]。这些变量是相互耦合的,严重的非线性,有些是难以衡量,带钢质量的预测也带来了一定的困难。
此外,随着技术的发展,生产模式已经从物理空间蔓延到虚拟空间,和数字化生产的程度逐渐加深。多个传感器、数据采集设备和计算机网络控制系统在生产过程中涉及的过程。大量的原始数据每天都在带钢生产线生产。如何合理地使用这些数据,我更多的知识带质量预测和控制也是一个需要研究的问题。
为了实现闭环控制带钢质量和调整工艺参数,并解决带预测精度质量差导致由高维、高度耦合、非线性数据,本文的主要贡献如下。
提出了一种带质量预测模型结合DBN和榆树。在合并后的模型中,DBN用于提取输入数据从高维、高耦合特性,根据提取的数据和榆树预测带钢质量特性。
基于DBN-ELM组合模型,遏制DBN模型取代GBRBM解决依赖的二元分布可见层和隐层的遏制。模型改进GBRBM-ELM模型适合连续价值回归的问题。
模型的可行性进行了分析预测精度和模型方面的性能,和模型的预测效果与英国石油公司相比,榆树,DBN。结果表明,GBDBN-ELM模型可以提高预测精度,同时缩短训练时间。
本文的其余部分组织如下:第二章介绍了带钢质量预测技术的研究进展;第三章介绍了原理、网络结构和训练方法的带钢质量预测模型;第四章通过生产线上的数据来验证模型的钢铁公司;最后一章是本文的总结。
2。相关的工作
质量预测和质量控制问题通常使用两种类型的方法,数学模型方法和数据挖掘技术。
2.1。数学模型方法
在传统的质量控制中,数学模型用于预测质量参数,变量如温度,压力,元素,他们的关系是用数学公式描述4,5]。但带钢质量的建立数学模型的过程非常复杂,因为在轧制过程中,不仅许多物理量,而且许多热力学知识。带钢质量预测基于数学模型忽略和简化了现场许多因素的影响,有时会产生错误的结果和动态影响,导致大错误。后来,人们注意到成形过程变形规律,以及有限元方法和有限元模拟软件应用于带钢生产过程的模拟和带钢的质量控制6,7]。然而,有限元分析软件用户的能力,具有较高的要求,通常需要分级培训能熟练地使用它。
另一方面,不断增长的大量数据已经集中在机器学习和数据挖掘方法深度学习更多的关注[8]。和用于制造生产调度9)、设备监控(10)、质量控制(11),和其他方面。数据挖掘的方法提供了一个有效的方法来预测和控制热带钢轧制质量。它可以打破数据岛,我深深,利用数据值。具体地说,一开始,通过数据挖掘,工艺参数和质量参数之间的相关性被发现从大规模生产历史数据。此外,带质量是通过这些相关性预测。最后,结合计算机控制系统,在最大的程度上形成一个闭环控制带钢的质量。
2.2。数据挖掘技术
数据挖掘技术可以分为两个部分:机器学习更深的学习。Kotkunde等人使用人工神经网络(ANN)和支持向量机(SVM)评估合金的厚度分布表在不同的温度和空白的直径(12]。李和戴用 - - - - - -算法将生产数据划分为手段集群,并使用BP神经网络来预测最后的带钢轧制温度提高预测精度(13]。吴等人改进了榆树算法和创建了一个两个隐藏层优化榆树模型,他们应用的预测热带钢轧制过程中的弯曲力(14,15]。
上述研究都是基于纯粹的机器学习预测,但机器学习不能处理高维问题。使用机器学习的方法之前,上述研究往往需要选择数据特性来减少输入参数的维数(16]。然而,对于高耦合带质量预测问题,功能太少往往不能包含所有的特性数据,使预测精度差。深入学习网络有更深的网络层和更复杂的网络结构与机器学习。例如,深度信念网(DBN)描疟疾行动前的BP网络。DBN具有良好的特征提取能力,显示了良好的性能在处理高维输入变量。广泛应用于制造业。
刘等人使用DBN处理大量的实时质量传感器采集的数据,构建了一个实时生产过程质量监控和诊断计划(17]。杨和Frangopol预测剩余生命周期基于DBN的船只,然后提出一个船舶生命周期管理框架(18]。郑等人结合DBN和支持向量机,使用DBN高层信号的特征提取,并使用支持向量机分类器对缺陷识别,提供一个螺栓锚固的无损检测的新方法19]。
它可以从大量的研究得出结论,由于深层信念网络主要用于分类问题,现在主要用于分类问题,如制造质量问题和缺陷识别和质量分类较少应用于回归问题,如质量参数预测。然而,由于深层信念网络有很强的高维特征提取能力和好的模型的概括,它可以改善以适应连续值预测问题的基础上维护特征提取能力。例如,在现有的研究中,DBN结合粒子群优化(PSO) (20.(FA)[],萤火虫算法21),支持向量机(SVM) [22),极端学习机(ELM) [23),和其他算法来提高预测精度和模型的可行性。
考虑DBN网络结构的复杂性,本文选择DBN和榆树简化DBN训练方法,缩短训练时间,提高预测精度。
3所示。质量预测模型和网络结构
深度信念网络是深度学习的核心算法之一。的深层信念网络是由若干限制玻耳兹曼机(元)和BP神经网络,它可以解决高维、高度耦合的问题。然而,DBN等问题不适合连续值和训练太长时间。摘要DBN改进,使之更适合的质量预测带完成的过程。
3.1。深度信念网络模型
3.1.1。DBN的基本结构
的深层信念网络是由多个串联遏制和BP神经网络。它有一个强大的特性的学习能力。深度信念网络的结构对带钢质量预测图所示1。
第一层可见和第二个隐藏层h1构成RBM1。隐藏层RBM2 RBM1也可见层,形成RBM2连同第三隐藏层,每个层等等,堆积形成多层遏制。遏制DBN使用无监督学习,主要用于特征提取;BP网络使用监督学习,主要用于回归和输出质量参数的预测价值。
3.1.2。DBN训练过程
从图可以看出,DBN的训练过程分为两个阶段,即远期pretraining阶段和反向微调阶段。DBN使用贪婪的无监督学习机制来完成逐层向前训练从下到上,提取底层工人的抽象特征数据作为高级输入,直到被发送到顶级回归单元的特性。然后,它计算回归结果和真实结果之间的误差,并使用BP网络的反向传播算法完成的反向调整参数,进一步减少模型误差,提高系统的训练精度。
DBN提供充分发挥和作为遏制疟疾和BP神经网络结合的优势,使用多层元提取和抽象的高维数据,保留尽可能多的重要特征信息,采用BP网络来完成回归,并使用BP算法来调整每一层的参数,从而达到最优状态。
3.1.3。DBN的缺陷
虽然传统的DBN特别好的特征提取功能,在分析模型,它可以知道传统的DBN模型也有以下缺点:(一)可见层和隐层的传统组织遏制遵守二进制发行版,有很好的提取特征信号离散数据的函数。在带钢质量预测的问题,连续输入信号需要数字化,从而导致信息的损失,减少了模型的准确性(b)DBN训练的过程中,一个重要的参数,需要调整的是每个隐层神经元的数目,这直接影响到模型的预测精度和训练时间。对带钢质量预测的问题,涉及的输入数据的维数是相对较高的,所以它更难以选择神经元的数量(c)由于DBN的微调过程是基于梯度下降算法,BP网络的收敛速度相对较慢。此外,BP算法局部搜索算法,这可能会导致网络陷入局部最优,因为最初的网络权值,选择不当,可能导致网络训练失败
为了解决上述问题,本文介绍了Gauss-Bernoulli遏制而不是遏制在传统DBN保存信号连续输入数据,介绍了粒子群优化计算的最佳隐层神经元数的过程中参数的调整,并介绍极端学习机模型的缩短训练时间,提高泛化能力,避免陷入局部优化。
3.2。Gaussian-Bernoulli遏制(GBRBM)
3.2.1之上。GBRBM基本结构
限制玻耳兹曼机(元)是一个浅辛顿提出的随机产生网络等。它是一个能量无监督学习模型。它将所有神经元可见层和隐藏层。从可见的是输入的数据层来表达数据的特性。隐藏层可以提取特征来表达输入变量之间的关系,所以隐藏层也称为特征提取器。神经元的两层是完全连接,没有在同一层神经元之间的连接。
假设 是可见层单元节点, 是隐藏层单元节点, 是可见层节点偏移, 隐层节点偏移,是可见层和隐层之间的权矩阵。
当的状态( )决定,遏制的能量函数可以定义为
可见层和隐层作为遏制疟疾受限于传统的二进制发行版(24),处理分类问题时具有良好的性能。但是布尔变量已经不再适合连续数据的计算处理回归问题。因此,本文介绍了GBRBM当执行带质量的预测。
Gaussian-Bernoulli遏制(GBRBM)是一个受限制的玻耳兹曼机nonbinomial Krizhevsky和辛顿提出的数据。GBRBM隐藏或显示元素之间引入了高斯函数来处理连续数字0和1之间。GBRBM的能量函数表达式如下:
系统的能量越低,系统更稳定和更小的质量参数预测结果的误差。在方程(2),参数是解决, ,和相对应的宽容吗 。当决定,联合概率分布的 可以通过能量函数:
在方程(3), 归一化因子,也称为分布函数。
由于没有神经元之间的连接在同一层遏制,激活状态可见层和隐层单元之间是相互独立的,所以,当和州决定,可见的激活概率层和隐层单元可以获得
3.2.2。GBRBM训练过程
元模型训练的目的是计算参数的最优值 ,以获得最优模型。通常,可以通过最大似然估计公式:
为了计算每个参数的更新方程,我们使用辛顿提出的对比差异(CD)算法训练模型并添加的调整在GBRBM;培训过程如下:(a)开始培训,指定输入数据的节点可见层来获得并获得从可见的特征映射的数据层隐藏层根据方程(5),(b)计算相对地根据方程(4)和地图的输出获得可见层(a) ,和(c)计算样本之间的误差根据重建的结果和原始数据之间的比较和调整层间的重量减少错误。的更新过程参数向量 如下:
在方程(7),学习速率是元,输入数据的数学期望,的数学期望是重建数据。向前传球训练模型的输出可以表示可见的原始输入层;因此,完成输入数据的特征提取。
3.3。极端的学习机器
BP神经网络用于DBN的上层。尽管BP神经网络具有较好的自适应能力,在训练过程中采用梯度下降算法。当神经元接近0或1,收敛速度相对较慢,导致较长的训练时间模型。此外,BP算法可能会陷入局部最优带质量预测等复杂的非线性问题。为了解决这些问题,本文介绍了极端学习机模型。
极端学习机(ELM)是一个单隐层前馈神经网络提出的黄Guangbin 2004年,包括输入层、隐层和输出层。结构如图2。隐层节点的偏移量和输入层的重量在榆树随机初始化期间,大大缩短了训练时间的模型。输出的重量榆树正规化最小均方误差的调整,从而确保榆树的全局优化能力。因此,榆树相对较高的学习效率和较强的泛化能力,更适合复杂的生产场景,比如钢铁完成轧制过程。
假设有样本 , 和 输入样本和相应的预期输出,分别。假设隐层节点的数量 ,榆树模型可以表示为
在方程(8),隐层的激活函数;和是权重向量输入层和隐层之间隐藏层和输出层之间分别;隐层节点的偏移量;和是榆树的输出。网络训练的目的是尽量减少错误,会找到一个特别的输出 这样输出值是目标价值:
表示为一个矩阵:
在方程(10),是隐层输出矩阵,是权重矩阵,网络输出矩阵。由于榆树随机生成和在初始化阶段,矩阵唯一确定。网络的训练过程可以转化为一个线性系统解决这个问题。的近似解可以根据Moore-Penrose广义逆矩阵:
在方程(12),是Moore-Penrose隐层输出矩阵的广义逆 。
3.4。GBDBN-ELM模型
在本文中,疟疾在传统的DBN被替换为GBRBM形成GBDBN,然后,GBDBN模型和榆树模型相结合,如图3。对于一个 - - - - - -层GBDBN-ELM模型,带钢质量样本数据分配给可见层GBRBM的第一层,第一个隐层和第二个隐藏层GBRBM形式,输出前GBRBM也是后者的输入GBRBM,等等,直到层模型;的层,层,最后输出层榆树。的层模型的GBRBM的最后一层的输出和输入的榆树。
在这个模型中,带钢质量的输入数据是由多层GBRBM形成一个低维特征提取的表情,这确保了原始输入数据集的特征尽可能多。然后,将提取的特征输入榆树回归预测得到预测带钢质量预测数据。
对于一个 - - - - - -层GBDBN-ELM模型,假设神经元的数量层网络 ,和神经元的数量层网络 ,网络可以表示为
根据榆树算法,输出矩阵的层网络的求解方程可以获得的
GBDBN-ELM模型结合了DBN的无监督学习特点和学习效率高,泛化能力强的榆树。它可以提高训练速度和预测精度。
4所示。实验研究
索引来测量带钢的质量主要包括厚度、宽度、厚度和表面温度,其中最重要的指标来评估钢是否符合标准(25]。因此,本文验证的可行性改进深信心网络通过预测完成成品带钢的厚度,比较了改进的模型与其他机器学习算法和深度学习算法来说明该模型的优越性。
4.1。数据准备
以下4.4.1。数据源
本文中的实验数据来自一个1580毫米热带钢钢铁公司的终点线。生产线由7单元。5 ~ 7通过粗轧制后,我们可以得到中间坯25 ~ 60毫米厚,可以发送到精轧机热卷箱后,飞剪和除磷箱。带钢厚度的控制主要是在精轧机。精轧机后,我们可以获得成品带钢的厚度1.2 - -12.7毫米。生产线由七完成工厂,即F1 ~ F7。工作辊弯辊装置采用7日轧钢厂,其中F2 ~ F4 PC轧机成对交叉卷。电影卷之间安装两轧钢厂轧制张力平衡,防止板叠加。线程的速度、加速度、减少每个站,每个站的弯曲力的F1 ~ F7轧机计算和设置由计算机控制系统根据轧制带材的品种和规格,可以动态地调整。F7精轧机配备的出口厚度轧制线检测仪器,宽度、温度、带钢质量的皇冠,可以实时监控质量和修改工艺参数来提高轧制产品的质量。
在这个实验中,设定的工艺参数计算机控制系统的七个完成工厂完成轧制阶段和带钢质量参数的传感器探测到F7退出在8天内收集。采样时间间隔为90秒,总共3350套生产数据的收集。每组数据包括7套完成工厂的位置,减少轧制力,速度,油膜补偿,偏心补偿,和其他工艺参数,以及他们的信心和分数,总计234列的数据。
4.1.2。数据预处理
有234个工艺参数收集,如果所有这些数据用于预测带钢厚度、深度学习网络将非常复杂,训练时间将会非常长。然而,一些数据没有高度相关的最终带材出口厚度。在本文中,每个元素的重要性由梯度提高决策树分类方法,如图4。最后,69年选择因素作为带钢质量的输入参数预测,包括入口厚度、出口温度、辊缝的每一站,轧制力,站速度、辊弯曲力,紧张,和电影的角度。
由于复杂的生产环境中,水蒸气,和其他干扰因素,以及计算机系统和传感器本身的不稳定性,现场收集的数据有一定的错误,缺失数据和异常值。对缺失数据的问题,本文运用均值方法补充缺失的值。对于异常值,首先,计算样本之间的欧氏距离的 - - - - - -意味着聚类方法和提取异常值,然后消除离群值。使用min-max归一化法对原始数据进行线性变换,而且数据之间的映射 ,以消除参数维度对预测结果的影响。
根据坚持验证方法,随机选择的3000组数据作为训练集,剩下的350组数据作为模型的验证组训练后。
4.2。参数设置
4.2.1。准备关键参数
之前的训练和预测,提前一些相关参数需要设置。培训过程中这些参数不能更新但鉴于提前通过参数设置方法。这些参数有很大的影响模型的学习能力,需要不断调整模型的优势最大化。
通过分析网络模型的结构和原理,superparameters GBRBM-ELM模型需要预先设置,包括DBN的GBRBM层数、隐层节点的数量在DBN和榆树,可见的数量在第一层节点元层,榆树输出层节点的数目,大小的数据块在网络训练阶段,训练轮的数量,学习速率和动量项。
自69年以来,选择输入参数来预测带钢厚度,可见层节点数是69,输出层节点的数目是1。本文使用不同的方法来设置和优化不同的参数。
4.2.2。网格搜索方法
网格搜索是利用先验知识来指定参数的值范围。在这个范围内,等级列出的参数。基于实验结果,最优参数值可以选择小的预测误差。
以GBRBM层为例,它是DBN网络结构的重要参数之一。遏制层的数量直接影响模型的预测效果。当组织遏制层的数量太小,该模型将无法利用深度学习,和预测效果会差。但是太多的层会导致训练时间过程或造成过度拟合。根据先验知识,层数的变化范围在1到10之间。模型的预测效果如图5。
根据比较结果,当遏制层的数量是4,模型误差是最小的,所以本文运用层遏制网络结构。
使用相同的方法,经过多次实验比较,在榆树隐层节点的数量,数据块大小,训练,学习速率和动量可以获得。网络的最优参数如表所示1。
4.2.3。粒子群优化
另一个DBN模型结构的主要参数是在每个隐层的节点数。因为层的隐藏层元是相互关联的,节点的数量差别很大,有很多节点组合;很难使用网格搜索列举一个接一个地找到最优的节点数量的组合。摘要粒子群优化(PSO)用于自动计算在每一层隐层节点的数量。
粒子群算法比较每个目标函数的优化解,粒子在搜索空间。每个粒子都有两个参数,位置和速度,粒子的健身目标函数可以计算。通过比较粒子的适应度在当前时间之前的时候,个体最优位置可以获得。类似地,组最优位置可以获得。根据方程(14),可以更新粒子的速度和位置,以及全球最优解满足终止条件可以发现:
在方程(16)和(17),和粒子的速度和位置在时间吗 , 和学习因素,和是随机数字(0,1)。
PSO的人口大小设置为10,引申为10,最后,发现层DBN的隐层节点的数量 。
4.3。模型训练
的训练GBDBN-ELM组合模型分为两个部分:(一)GBDBN模块培训。首先,初始化网络参数、重量和模型的隐层节点的数量。第一个层GBDBN模型,组合模型的输入数据预处理是分配给可见层节点建立 。接下来,对比差异(CD)算法用于训练每一元一层一层地从下到上。当一个组织遏制层是训练,层的参数是固定的和使用的输入上遏制火车上遏制,等等,直到所有遏制培训完成。最后,底部特征逐渐聚集到高级特征,最后发送到回归单位。(b)榆树模块培训。的连接权重层和层初始化。的层是特征提取层GBDBN的最后一层。预处理高维带安全标签的数据作为输入GBDBN模块的培训后,和特征提取结果作为输入的初始榆树模块。榆树算法用于训练来获得更好的模型参数。
基于GBDBN-ELM模块培训,分别得到了有效的DBN和榆树。测试数据集预处理获得高维样本数据检测。训练GBDBN模型用于特征提取获得更好的特性数据。预测带钢厚度可以通过榆树模块。整个过程如图6。
4.4。结果分析和比较
4.1.1。模型评价指标
摘要五个指标用于评估模型的预测效果,包括残差的平方和(SSR),均方根误差(RMSE),平方确定系数( ),和培训时间( )。该指数计算如下:
上交所越小,RMSE美,更好的预测效果。模型的拟合程度,越接近吗1,回归模型的效果越好;是时候从一开始到最后的训练,和小吗是,更快的模型训练和模型性能就越好。
10/24/11。预测结果
350组数据用于测试集对模型的性能进行评估。本文预测模型的仿真结果评估通过分析曲线的预测值和真实值的带钢厚度、预测误差的曲线,曲线的预测相对误差。
从图可以看出7带钢厚度的预测价值获得GBDBN-ELM模型非常接近的真正价值带钢厚度、波动趋势和变化范围基本上是一致的。通过分析图8,我们可以得到下面的结果:93.7%的绝对误差预测值和真实值之间 ,和只有少数点之间有较大的误差 。原因是测试样本是随机选择的,和这些点有大量突变与周围的点,和模型预测的变化范围小于真正的变化范围。如图9,带厚度的预测模型的相对误差在10%,其中80.9%小于5%。总之,基于GBDBN-ELM带钢厚度的预测模型具有较高的精度。
4.4.3。不同模型的比较
为了全面分析对带钢质量模型的预测性能,本文用BP神经网络相比,榆树,传统DBN网络,和DBN-ELM模型和评估上述模型根据SSR, RMSE, 。结果如表所示2。为了直观地比较模型的预测误差,数据10- - - - - -13显示的预测结果的相对误差GBDBN-ELM前100组试验数据和显示与其他模型进行比较,分别。
比较了BP神经网络的预测结果和榆树在表2,我们可以发现,榆树的训练时间短,因为它会产生隐藏层偏移量和输入层权重随机初始化期间,并没有需要更新他们在训练。然而,BP神经网络模型可以调整到更好的状态在培训,所以它的预测精度高于榆树。然而,通过分析数据10和11,可以发现,很大一部分的两个神经网络预测结果的误差大于10%,因此它并不足以使用简单的机器学习带质量的预测。
从表可以看出2,虽然DBN-ELM显著缩短了训练时间,预测精度比DBN略低。GBDBN-ELM改善疟疾行动网络的基础上DBN-ELM使它适合连续价值回归问题时,可以保留更多的数据特性预测带钢厚度。因此,GBDBN-ELM结合了DBN的优点和榆树。
通过比较结果表2,发现与DBN相比,GBDBN-ELM减少了训练时间65.1%,39.9%的误差平方和,和均方根误差为22.6%;与DBN-ELM相比,GBDBN-ELM减少平方误差的总和61.7%和38.1%的均方根误差,只和训练时间增加1秒,这表明改进后的模型能有效地提高精度和缩短训练时间。
从数据12和13,我们可以看到三个深度学习模型的预测效果更直观地为每个测试数据。可以看出GBDBN-ELM的总体预测结果的相对误差小于DBN和DBN-ELM。GBDBN-ELM的相对误差不超过8%,可以肯定的是,提高了模型的预测精度满足工业需求。350年的测试数据集,GBDBN-ELM的预测结果的误差为63.7%低于DBN,和比DBN-ELM少65.7%。平均相对误差降低,分别为40.4%和32.6%。
特别是一些大的预测数据的错误DBN DBN-ELM, GBDBN-ELM可以显著降低误差,实现更好的预测结果。改进模型的优点在很大程度上也反映了这里。
分析表2和数字10- - - - - -13表明改进的GBDBN-ELM模型能够提高预测精度和缩短训练时间在很大程度上。
5。结论
本文提出了一种改进的DBN带钢质量预测方法来解决这个问题,带钢质量预测精度不高,因为有许多传感器参与带钢生产过程,和大多数的工艺参数相互耦合,严重的非线性。摘要DBN的遏制是变成GBRBM消除依赖二进制分布,提取高维输入数据和高耦合的特点,结合GBDBN榆树,代替BP网络与榆树DBN,和输入的数据特征提取到榆树带钢质量的预测。GBDBN-ELM模型验证了钢终点线的数据,用来预测带钢厚度。我们可以得出以下结论。
简单的BP神经网络和榆树模型无法处理高维度和耦合非线性复杂生产过程产生的数据。由于简单的网络结构,他们不能完全提取数据特征和矿井中包含的知识数据,导致带钢厚度预测的准确性是不够的。
GBDBN模型提出了可以解决预测精度低的问题引起的复杂的输入数据。GBDBN网络可以保留尽可能多的输入数据的抽象特性,所以榆树可以获得较高的预测精度。
通过与DBN网络的比较,也可以知道使用榆树GBDBN算法可以大大缩短网络训练和预测计算的时间和解决问题所导致的过度训练时间DBN网络的复杂性。
数据可用性
所需的原始/处理数据复制本文中的实验不能被共享由于企业保密。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由美国国家科学和技术创新2030年的中国新一代人工智能主要项目,数据驱动的三方合作决策和优化,根据2018年格兰特aaa0101801。