[發明專利]一種基于粒子群優化極限學習機的帶鋼出口厚度預測方法

有效

• 申請號: 201410447364.4
• 申請日: 2014-09-03
• 公開（公告）號: CN104200268B
• 公開（公告）日: 2017-02-15
• 發明（設計）人: 張利;劉萌萌;夏天;孫麗杰;趙中洲
• 申請（專利權）人: 遼寧大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/04
• 代理公司: 沈陽杰克知識產權代理有限公司21207
• 代理人: 羅瑩

技術領域

本發明涉及一種用于預測帶鋼出口厚度的方法，尤其是一種基于粒子群優化極限學習機的帶鋼出口厚度預測方法。

背景技術

帶鋼厚度在軋制過程中占據著重要的地位，出口厚度的精度已經成為衡量帶鋼成品質量的重要指標，并且受到了國內外冶金工業的廣泛關注。但是在實際的軋制過程中，帶鋼出口厚度有眾多的影響因素，并且每個因素根據張力控制方法對帶鋼厚度產生不同的影響。目前，對帶鋼厚度控制預測普遍采用自動厚度控制(AGC)方法，但是這種方法的控制精度完全取決于控制模型的精度，所以使得厚度的精度預測受到了限制。近年來，神經網絡被普遍應用于軋鋼的預測中，但是由于其存在收斂速度慢，容易陷入局部最優和泛化性能低等缺點，使得神經網絡在預測方面受到了限制。

為了避免上述問題，極限學習機作為一種新型的單隱層前饋神經網絡，并以其快速的學習速度，較好的泛化性能和較少的調節參數得到了廣泛應用。但是由于其輸入權值和隱含層偏置值是隨機選取的，所以導致極限學習機比傳統的基于梯度的學習算法需要更多的隱含層節點，并且也容易導致系統的病態，為了解決這種問題許多國內外的學者對極限學習機進行了進一步的研究。

發明內容

針對極限學習機的輸入權值和隱含層偏置值的隨機選取會對輸出權值的計算產生影響，并且使極限學習機比傳統的基于參數調整的學習算法需要更多的隱含層節點，引起系統的病態導致泛化性能降低，本發明采用粒子群優化極限學習機，并應用于帶鋼出口厚度的預測中，提出了一種基于粒子群優化極限學習機的帶鋼出口厚度預測方法(PSO-ELMPA)，以此來降低預測誤差，提高預測精度和魯棒性。

本發明是通過下述技術方案實現的：

一種基于粒子群優化極限學習機的帶鋼出口厚度預測方法，其特征在于，步驟如下：

1)分析采集的帶鋼數據信號：采集對帶鋼出口厚度有影響的軋制力，軋制速度，電機電流，入口和出口溫度，輥縫，前饋調節量，壓力調節量各參數信號，運用數據處理軟件對上述各參數信號進行分析，并將分析后的數據導入到excel表中，等待篩選；將帶鋼的出口厚度和與上述各參數的走勢用圖形表示，分析各參數與帶鋼出口厚度的正負相關性，與帶鋼出口厚度具有較大負相關的軋制力，軋制速度，電機電流，以及具有較大正相關的輥縫這4個參數被選中，在帶鋼出口厚度的預測中作為輸入變量輸入到極限學習機中；

2)采用粒子群算法對極限學習機中的參數輸入權值和隱含層偏置值進行優化，運用廣義逆的方法分析決定輸出權值，得到極限學習機中具有最小范數值的輸出權值矩陣，得到最優的極限學習機參數；

3)根據步驟2)中優化得到的極限學習機建立模型：首先建立三層的改進極限學習機的網絡模型，其輸入層有4個節點表示輸入參數，輸出層有一個節點表示對帶鋼出口厚度的預測結果，隱含層節點數是20個，向極限學習機輸入經由步驟2)計算得到的其各層節點之間的最優權值；

4)將步驟1)選定的4個參數輸入改進的極限學習機中，完成對帶鋼的出口厚度的預測。

所述的步驟2)采用粒子群算法對極限學習機中的參數進行優化的過程如下：

(1)初始化粒子群算法：設定種群大小為50，最大迭代次數Maxiter為300，最大慣性權值ω_max和最小慣性權值ω_min分別設定為1.2和0.4，兩個學習因子c₁和c₂設定為2，限定粒子的最大速度v_min和最小速度v_max分別設定為-1和1，最大位置x_max和最小位置x_max分別設置為-1和1；