金属学报

作者：冀秀梅, 侯美伶, 王龙, 刘玠, 高克伟

单位：1 上海大学 材料科学与工程学院 上海 200444；2 江阴兴澄特种钢铁有限公司 江阴 214400

关键词：机器学习,变形抗力预测,ELM神经网络,深度学习,基准变形抗力,灰色关联分析,

为提高变形抗力预测精度，以兴澄特钢中厚板轧机实际生产数据为基础，针对性提出2种利用机器学习对变形抗力进行预测的方法：一种是极限学习机(ELM)与传统数学模型结合的多钢种变形抗力模型及建模方法，另一种是基于TensorFlow深度学习框架的变形抗力模型及建模方法。方法一参考周纪华-管克智变形抗力模型，改进原变形抗力模型结构形式，计算出低合金钢、合金钢及高合金钢代表钢种的基准变形抗力；通过非线性回归计算出与钢种无关的变形参数影响系数，引进ELM神经网络算法，采用灰色关联分析及交叉验证优选神经网络参数，通过线性插值对预测结果进行平滑处理，减小ELM预测残差，最后与传统数学模型相结合得到变形抗力。方法二基于深度学习技术，结合机理，构建2种不同结构的深度神经网络，采用小批量(mini-batch)和均方根传播(RMSprop)优化算法寻优，结合批标准化(BN)和早停(early stopping)正则化策略提高模型泛化能力与稳定性，最后综合工艺特性，分别对粗轧机(RM)、精轧机(FM)建立变形抗力预测模型，提高模型精度。研究结果表明，利用深度学习预测变形抗力具有较高的预测精度，经离线分析，平均绝对百分误差(MAPE)由原模型的9.27%降至平均2.59%；在线应用后，轧制力预测精度相对误差10%以内比例由72.31%提高到平均90.24%，提高了现场生产的工艺水平。

来源：2023年第3期

《金属学报》期刊编辑部

查看金属学报杂志2023年第3期