The invention relates to a tube quality prediction method based on improved ELM algorithm for multi steps: constructing the training set set of historical data collection process according to the capillary perforation; data collected to determine the integrated ELM network input layer, output layer and hidden layer; with a number of commonly used incentive function, by setting the weights. Sure, the incentive function integrated ELM network using genetic algorithm; each weight incentive function on the integration of ELM in network optimization, optimal incentive function; on the integration of ELM network is trained by the training set, the complete set into the construction of the ELM network; each sub network in actual production data input to the integrated ELM network in to obtain the output results, each sub network, and then get the output forecast results of the integrated ELM network, namely the capillary quality prediction results. The method inherits the fast performance of the ELM model and the robustness of the integrated method, and can predict the quality of the capillary more accurately.
【技术实现步骤摘要】
一种基于改进ELM算法的毛管质量预报方法
本专利技术属于回归
的质量预报技术,具体涉及一种基于改进ELM算法的毛管质量预报方法。
技术介绍
穿孔作为无缝钢管生产的第一道工序,对钢管的质量有着十分重要的影响;穿孔过程产生的质量问题在后续过程中不但得不到缓解,而且会使钢管产生更严重的质量问题;所以,建立利用采集的穿孔过程数据建立毛管质量预报模型对轧钢工艺有着很重要的指导意义;常见的预测方法主要是基于时间序列法、卡尔曼滤波法、神经网络、支持向量机(SVM)等;时间序列方法预报的结果不稳定,其模型参数难以确定;神经网络收敛速度慢,已陷入局部最优等缺陷;卡尔曼滤波法的状态方程的建立需要对机理知识有一定的理解,对一般的建模者来说是一个挑战;支持向量机的预报结果虽然精度能达到要求,但是耗时长。ELM算法2006年由HUANGG.B.第一次提出,是在单隐含层神经网络(SLFNs)基础上的延伸。与SLFNs不同的是,其隐含层节点数、隐含层参数与训练数据无关,大大加快了ELM的训练速度,且泛化能力较优良。ELM算法随机生成隐含层参数,避免了梯度下降法调整参数,大大加快了运行速度;不会产生过拟合,避免陷入局部最优;理论证明ELM算法具有训练误差越小,权重范数越小的性质,根据巴特利特理论知极限学习算法具有很好的泛化能力。对ELM算法的研究和应用掀起了热潮,增量式极限学习机、误差最小极限学习机、L1/2正则化方法修剪极限学习机、OP-ELM等实现对ELM算法的不断改进和发展,ELM算法成功的应用到分类、回归、模式识别等领域;通过查阅文献对比知道,ELM算法学习速度、泛化能力和 ...
【技术保护点】
一种基于改进ELM算法的毛管质量预报方法,其特征在于,包括以下步骤:步骤1、采集毛管穿孔过程的多组历史现场数据,构建训练集;步骤2、根据所采集的现场数据,确定集成ELM网络的输入层、输出层和隐含层;步骤3、结合多个常用激励函数,通过设置权重的方式,确定集成ELM网络的激励函数;步骤4、采用遗传算法对集成ELM网络的激励函数中每个权值进行优化,获得最优激励函数;步骤5、采用训练集对集成ELM网络进行训练,完成集成ELM网络的构建,具体如下:步骤5‑1、利用交叉检验的方法确定集成ELM网络的子网络个数;步骤5‑2、对训练集中所有组数据进行训练,每组数据分别在每个子网络中进行训练,完成集成ELM网络搭建;步骤6、将实际生产中的数据输入至集成ELM网络的每个子网络中,获得每个子网络的输出结果,进而获得集成ELM网络的输出预报结果,即获得毛管质量的预报结果。
【技术特征摘要】
2016.12.05 CN 201611099982X1.一种基于改进ELM算法的毛管质量预报方法,其特征在于,包括以下步骤:步骤1、采集毛管穿孔过程的多组历史现场数据,构建训练集;步骤2、根据所采集的现场数据,确定集成ELM网络的输入层、输出层和隐含层;步骤3、结合多个常用激励函数,通过设置权重的方式,确定集成ELM网络的激励函数;步骤4、采用遗传算法对集成ELM网络的激励函数中每个权值进行优化,获得最优激励函数;步骤5、采用训练集对集成ELM网络进行训练,完成集成ELM网络的构建,具体如下:步骤5-1、利用交叉检验的方法确定集成ELM网络的子网络个数;步骤5-2、对训练集中所有组数据进行训练,每组数据分别在每个子网络中进行训练,完成集成ELM网络搭建;步骤6、将实际生产中的数据输入至集成ELM网络的每个子网络中,获得每个子网络的输出结果,进而获得集成ELM网络的输出预报结果,即获得毛管质量的预报结果。2.根据权利要求1所述的基于改进ELM算法的毛管质量预报方法,其特征在于,步骤1中所述的现场数据,包括:上辊转速实际值、下辊转速实际值、上辊电流、下辊电流、上辊磁场、下辊磁场、上辊电机感应电动势、下辊电机感应电动势、止推小车的实际位置、上辊压下实际值、下辊压上实际值、上辊倾角实际值、下辊倾角实际值、右导盘位置实际值、左导盘位置实际值、推钢机位置、上辊转速实际值、下辊转速实际值、上辊入口侧温度、上辊出口侧温度、下辊入口侧温度、下辊出口侧温度、右导盘电流和左导盘电流和纵向壁厚。3.根据权...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。