基于最小二乘支持向量機的軋制力預測.pdf

1、板帶軋鋼生產(chǎn)過程中，軋制力的準確預測直接影響著帶鋼的形狀精度、尺寸精度等產(chǎn)品質(zhì)量。軋機的壓下量主要依靠軋制力的大小進行合理分配，所以精軋軋制力模型的預測精度很大程度上決定了帶鋼頭部的精度，以及如何精確地設定輥縫，并對穿帶穩(wěn)定性有著直接的影響。計算軋制力的傳統(tǒng)數(shù)學模型(TMM)結(jié)構(gòu)簡單，精度較低，即使采用模型自學習技術，受本身模型結(jié)構(gòu)的限定，也難以得到足夠精確的近似值。因此，需要不斷進行探索，建立新的軋制力預測模型，以便進一步提高軋制力預

2、測精度。
　　本文建立了最小二乘支持向量機(LSSVM)軋制力預測模型，采用徑向基(RBF)核和多項式核線性組合而成的混合核函數(shù)，以使該模型具有更強的泛化能力，并利用粒子群優(yōu)化算法得到最優(yōu)模型參數(shù)。為了進一步提高預測精度，便于LSSVM軋制力模型的在線應用，將LSSVM軋制力模型與TMM軋制力模型進行組合，得到組合模型。通過特征選擇與提取，采集現(xiàn)場數(shù)據(jù)，建立Oracle模型訓練數(shù)據(jù)庫，利用Matlab2012編寫程序，對傳統(tǒng)數(shù)學模

3、型、BP神經(jīng)網(wǎng)絡模型（BPNN）、最小二乘支持向量機模型和組合模型四種軋制力預測模型進行了仿真研究。最終，將建立的軋制力預測模型嵌入到軋鋼二級系統(tǒng)平臺，利用VC2010編寫程序，實現(xiàn)軋制力在線預測系統(tǒng)和離線模型訓練工具，以進行在線應用。實驗表明，BPNN模型優(yōu)于TMM模型，但BPNN模型提高預測精度，同時也會增加模型VC維，模型復雜性增加，從而降低了模型的泛化能力。LSSVM模型優(yōu)于BPNN和TMM模型，而組合模型均優(yōu)于三種單一模型，對