一种基于粒子群优化极限学习机的带钢出口厚度预测方法技术

本发明专利技术涉及一种基于粒子群优化极限学习机的带钢出口厚度预测方法，基本步骤如下：1)利用数据处理软件对带钢数据信号进行分析，选出对带钢出口厚度影响较大的4个参数，即轧制力，辊缝，轧制速度，电机电流，在带钢出口厚度的预测中作为输入变量输入到极限学习机中；2)用粒子群算法对极限学习机中的参数输入权值和隐含层偏置值进行选择优化，运用广义逆的方法分析决定输出权值，得到极限学习机中具有最小范数值的输出权值矩阵，以此得到最优的极限学习机参数；3)对上述所得最优的极限学习机进行模型构造；4)将步骤1)中的4个参数输入优化的极限学习机中对带钢出口厚度进行预测。运用本方法能够针对轧制生产过程进行分析，对轧件出口厚度进行预测，进而分析有关影响带钢质量的工艺参数并对轧制生产流程做出及时调整控制。

【技术实现步骤摘要】
一种基于粒子群优化极限学习机的带钢出口厚度预测方法
本专利技术涉及一种用于预测带钢出口厚度的方法，尤其是一种基于粒子群优化极限学习机的带钢出口厚度预测方法。
技术介绍
带钢厚度在轧制过程中占据着重要的地位，出口厚度的精度已经成为衡量带钢成品质量的重要指标，并且受到了国内外冶金工业的广泛关注。但是在实际的轧制过程中，带钢出口厚度有众多的影响因素，并且每个因素根据张力控制方法对带钢厚度产生不同的影响。目前，对带钢厚度控制预测普遍采用自动厚度控制(AGC)方法，但是这种方法的控制精度完全取决于控制模型的精度，所以使得厚度的精度预测受到了限制。近年来，神经网络被普遍应用于轧钢的预测中，但是由于其存在收敛速度慢，容易陷入局部最优和泛化性能低等缺点，使得神经网络在预测方面受到了限制。为了避免上述问题，极限学习机作为一种新型的单隐层前馈神经网络，并以其快速的学习速度，较好的泛化性能和较少的调节参数得到了广泛应用。但是由于其输入权值和隐含层偏置值是随机选取的，所以导致极限学习机比传统的基于梯度的学习算法需要更多的隐含层节点，并且也容易导致系统的病态，为了解决这种问题许多国内外的学者对极限学习机进行了进一步的研究。
技术实现思路
针对极限学习机的输入权值和隐含层偏置值的随机选取会对输出权值的计算产生影响，并且使极限学习机比传统的基于参数调整的学习算法需要更多的隐含层节点，引起系统的病态导致泛化性能降低，本专利技术采用粒子群优化极限学习机，并应用于带钢出口厚度的预测中，提出了一种基于粒子群优化极限学习机的带钢出口厚度预测方法(PSO-ELMPA)，以此来降低预测误差，提高预测精度和鲁棒性。本专利技术是通过下述技术方案实现的：一种基于粒子群优化极限学习机的带钢出口厚度预测方法，其特征在于，步骤如下：1)分析采集的带钢数据信号：采集对带钢出口厚度有影响的轧制力，轧制速度，电机电流，入口和出口温度，辊缝，前馈调节量，压力调节量各参数信号，运用数据处理软件对上述各参数信号进行分析，并将分析后的数据导入到excel表中，等待筛选；将带钢的出口厚度和与上述各参数的走势用图形表示，分析各参数与带钢出口厚度的正负相关性，与带钢出口厚度具有较大负相关的轧制力，轧制速度，电机电流，以及具有较大正相关的辊缝这4个参数被选中，在带钢出口厚度的预测中作为输入变量输入到极限学习机中；2)采用粒子群算法对极限学习机中的参数输入权值和隐含层偏置值进行优化，运用广义逆的方法分析决定输出权值，得到极限学习机中具有最小范数值的输出权值矩阵，得到最优的极限学习机参数；3)根据步骤2)中优化得到的极限学习机建立模型：首先建立三层的改进极限学习机的网络模型，其输入层有4个节点表示输入参数，输出层有一个节点表示对带钢出口厚度的预测结果，隐含层节点数是20个，向极限学习机输入经由步骤2)计算得到的其各层节点之间的最优权值；4)将步骤1)选定的4个参数输入改进的极限学习机中，完成对带钢的出口厚度的预测。所述的步骤2)采用粒子群算法对极限学习机中的参数进行优化的过程如下：(1)初始化粒子群算法：设定种群大小为50，最大迭代次数Maxiter为300，最大惯性权值ωmax和最小惯性权值ωmin分别设定为1.2和0.4，两个学习因子c1和c2设定为2，限定粒子的最小速度vmin和最大速度vmax分别设定为-1和1，最小位置xmin和最大位置xmax分别设置为-1和1；(2)随机初始化粒子群：采用粒子群算法对极限学习机中的参数进行优化，所以粒子群中的每个粒子Pi都由一系列极限学习机的输入权值ωj和偏置值bj构成，粒子可表示为Pi＝[ω11,ω12,...,ω1H,ω21,ω22,...,ω2H,...,ωd1,ωd2,...,ωdH,b1,b2,...bH],并且粒子中所有元素用处于[-1,1]范围内的数值随机初始化；其中ωj＝(ωj1,...,ωjd)T是连接输入层和第j个隐含层的输入权值向量，bj是第j个隐含层神经元的偏置值；(3)对适应值函数进行选择：一般情况下普遍运用均方根误差(RMSE)作为适应值函数，在迭代过程中使得均方根误差尽可能最小化，其计算公式如公式(1)所示：其中nv是校验样本数，βig(ωi·xj+bi)为隐含层计算公式，tj为每个样本期望输出值。在极限学习机中，隐含层输出矩阵H的2范式条件数计算如公式(2)所示：其中λmax(HTH)和λmin(HTH)分别是矩阵HTH的最大和最小特征值；所述的2范式条件数κ2(H)越接近1，就越容易得到全局最小值；选取均方根误差(RMSE)和隐含层输出矩阵H的2范式条件数(COND)作为粒子群算法的适应值函数；其中隐含层输出矩阵H的条件数由训练样本得出，均方根误差在校验样本集上得到；适应值函数计算如公式(3)所示：(4)初始化迭代次数t＝1；(5)计算所有粒子的个体极值Pib和群体极值Pg；每个粒子根据预设的适应值函数计算各自的适应值，并和当前的个体极值和群体极值进行比较，在Pib和Pg的选择中，具有较小均方根误差和2范式条件数的粒子被选中，其计算公式为(4)和(5)；其中分别是第i个粒子的均方根误差，第i个粒子最优的均方根误差，所有粒子中最优的均方根误差。分别是第i个粒子的隐含层输出矩阵H的2范式条件数，第i个粒子最优的隐含层输出矩阵H的2范式条件数，所有粒子中最优的隐含层输出矩阵H的2范式条件数；(6)根据如下速度和位置更新公式对每个粒子的速度和位置向量进行更新当位置向量进行更新时，组成粒子的所有元素都要限制在区间[-1,1]内。其更新公式为公式(6)和(7)；Vi(t+1)＝ωVi(t)+c1r1[Pib-Xi(t)]+c2r2[Pg-Xi(t)](6)Xi(t+1)＝Xi(t)+Vi(t)(7)其中t为当前迭代次数，ω是惯性权值，c1和c2是两个非负的学习因子，分别代表了粒子的自身学习能力和社会学习能力，r1和r2是0到1区间的随机数，速度被限制在由最大速度和最小速度所组成的区间[vmin,vmax]内；(7)更新粒子群的惯性权值ω：利用一种自适应惯性权值，参数ω根据以下公式随着迭代次数的增加线性减小，其公式为(8)；其中ωmax是最大惯性权值，ωmin是最小惯性权值，T和t分别是迭代的总次数和当前的迭代次数；(8)迭代次数t+1，直到达到最大迭代次数Maxiter；最终得到最优的极限学习机输入权值和隐含层偏置值存在于群体极值Pg中，并通过广义逆计算得到输出权值，得到最优的极限学习机，其计算公式为(9)：其中,β＝(β1,...,βH)T为极限学习机连接隐含层与输出层的输出权值，T＝(t1,...,tN)T为极限学习机的输出值，为隐含层输出矩阵的广义逆计算。本专利技术采用上述优化方法，利用粒子群算法优化极限学习机的输入权值和隐含层偏置值，采用广义逆的方法分析决定输出权值，并将优化的极限学习机用于带钢出口厚度预测，在优化输入权值和隐含层偏置值的过程中，不仅考虑了校验集的均方根误差，而且参考了隐含层输出矩阵的2范式条件值，所以得到了具有最小范数的输出权值矩阵。和传统极限学习机的对比实验表明，本专利技术具有更好的泛化性能和鲁棒性，并且系统处于较好的状态。此外，该算法降低了预测误差提高了预测精度。附图说明图1是轧制力与带钢出口厚本文档来自技高网...

【技术保护点】
一种基于粒子群优化极限学习机的带钢出口厚度预测方法，其特征在于，步骤如下：1)分析采集的带钢数据信号：采集对带钢出口厚度有影响的轧制力，轧制速度，电机电流，入口和出口温度，辊缝，前馈调节量，压力调节量各参数信号，运用数据处理软件对上述各参数信号进行分析，并将分析后的数据导入到excel表中，等待筛选；将带钢的出口厚度和与上述各参数的走势用图形表示，分析各参数与带钢出口厚度的正负相关性，与带钢出口厚度具有较大负相关的轧制力，轧制速度，电机电流，以及具有较大正相关的辊缝这4个参数被选中，在带钢出口厚度的预测中作为输入变量输入到极限学习机中；2)采用粒子群算法对极限学习机中的参数输入权值和隐含层偏置值进行优化，运用广义逆的方法分析决定输出权值，得到极限学习机中具有最小范数值的输出权值矩阵，得到最优的极限学习机参数；3)根据步骤2)中优化得到的极限学习机建立模型：首先建立三层的改进极限学习机的网络模型，其输入层有4个节点表示输入参数，输出层有一个节点表示对带钢出口厚度的预测结果，隐含层节点数是20个，向极限学习机输入经由步骤2)计算得到的其各层节点之间的最优权值；4)将步骤1)选定的4个参数输入改进的极限学习机中，完成对带钢的出口厚度的预测。...

【技术特征摘要】
1.一种基于粒子群优化极限学习机的带钢出口厚度预测方法，其特征在于，步骤如下：1)分析采集的带钢数据信号：采集对带钢出口厚度有影响的轧制力，轧制速度，电机电流，入口和出口温度，辊缝，前馈调节量，压力调节量各参数信号，运用数据处理软件对上述各参数信号进行分析，并将分析后的数据导入到excel表中，等待筛选；将带钢的出口厚度和与上述各参数的走势用图形表示，分析各参数与带钢出口厚度的正负相关性，与带钢出口厚度具有较大负相关的轧制力，轧制速度，电机电流，以及具有较大正相关的辊缝这4个参数被选中，在带钢出口厚度的预测中作为输入变量输入到极限学习机中；2)采用粒子群算法对极限学习机中的参数输入权值和隐含层偏置值进行优化，运用广义逆的方法分析决定输出权值，得到极限学习机中具有最小范数值的输出权值矩阵，得到最优的极限学习机参数；3)根据步骤2)中优化得到的极限学习机建立模型：首先建立三层的改进极限学习机的网络模型，其输入层有4个节点表示输入参数，输出层有一个节点表示对带钢出口厚度的预测结果，隐含层节点数是20个，向极限学习机输入经由步骤2)计算得到的其各层节点之间的最优权值；4)将步骤1)选定的4个参数输入改进的极限学习机中，完成对带钢的出口厚度的预测；所述的步骤2)采用粒子群算法对极限学习机中的参数进行优化的过程如下：(1)初始化粒子群算法：设定种群大小为50，最大迭代次数Maxiter为300，最大惯性权值ωmax和最小惯性权值ωmin分别设定为1.2和0.4，两个学习因子c1和c2设定为2，限定粒子的最小速度vmin和最大速度vmax分别设定为-1和1，最小位置xmin和最大位置xmax分别设置为-1和1；(2)随机初始化粒子群：采用粒子群算法对极限学习机中的参数进行优化，所以粒子群中的每个粒子Pi都由一系列极限学习机的输入权值ωj和偏置值bj构成，粒子可表示为Pi＝[ω11,ω12,...,ω1H,ω21,ω22,...,ω2H,...,ωd1,ωd2,...,ωdH,b1,b2,...bH],并且粒子中所有元素用处于[-1,1]范围内的数值随机初始化；其中ωj＝(ωj1,...,ωjd)T是连接输入层和第j个隐含层的输入权值向量，bj是第j个隐含层神经元的偏置值；(3)对适应值函数进行选择：一般情况下普遍运用均方根误差(RMSE)作为适应值函数，在迭代过程中使得均方根误差尽可能最小化，其计算公式如公式(1)所示：其中nv是校验样本数，βig(ωi·xj+bi)为隐含层计算公式，tj为每个样本期望输出值；在极限学习机中，隐含层输出矩阵H的2范式条件数计算如公式(2)所示：其中λmax(HTH...

【专利技术属性】
技术研发人员：张利，刘萌萌，夏天，孙丽杰，赵中洲，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：辽宁;21