论文部分内容阅读
随着我国工业化和现代化的不断发展,无缝钢管在越来越多的领域应用广泛,在各行各业的需求量也不断增加,质量要求也越来越高。目前,我国许多钢铁企业为了提高生产的无缝钢管的质量,在技术改造和创新方面都加大了力度,例如采用加装狄塞尔导盘的斜轧穿孔机,来进行无缝钢管穿孔这一穿孔过程。由于斜轧穿孔过程是生产无缝钢管的第一道变形工序,因此这个过程对于钢管生产的整个过程起着非常重要的作用,而穿孔机导盘转速作为生产过程当中的重要指标,对产出钢管的质量有着至关重要的影响。而在斜轧穿孔过程中,穿孔机导盘转速是很难在线对其进行快速精确的测量,也就无法实现对导盘转速进行控制。为了解决这一问题,进而提高无缝钢管的生产效率和生产质量,本文采用软测量技术来实现穿孔机导盘转速的测量。本文对极限学习机(Extreme Learning Machine,ELM)算法进行改进,主要提出了基于遗传算法(Genetic Algrithm,GA)的集成PCA-ELM方法、基于Tikhonov正则化改进的PCA-ELM方法和基于遗传算法的集成Tikhonov-PCA-ELM方法这三种方法,同时建立穿孔过程当中穿孔机导盘转速和过程变量之间的软测量模型,并最终求得穿孔机导盘转速。根据无缝钢管穿孔机导盘转速测量这一工业背景,本文对ELM算法进行了较为深入的研究并对进行了改进。首先,本文对传统ELM算法、主元分析法(Principal Component Analysis,PCA)以及已有的PCA-ELM建模方法进行了学习和研究,并通过分析和研究,得出传统ELM算法和PCA-ELM方法的两点缺陷:一是单一 ELM网络建模所得到的模型稳定性差、精度低;二是传统ELM算法和PCA-ELM方法均无法避免建模网络的隐层输出矩阵的广义逆矩阵不存在的情况。其次,为了解决单一网络模型稳定性差、精度低的这类问题,本文提出了基于遗传算法的集成PCA-ELM建模方法。此种方法采用了集成思想,并结合遗传算法进行优化,所建立的模型具有较高的稳定性,模型预测也更准确。再次,针对传统ELM算法及PCA-ELM算法无法避免网络隐层输出矩阵的广义逆不存在的情况,本文提出基于Tikhonov正则化改进的PCA-ELM方法和基于遗传算法的集成Tikhonov-PCA-ELM方法。基于Tikhonov正则化改进的PCA-ELM方法结合了Tikhonov正则化方法,避免了由于网络隐层输出矩阵广义逆不存在而导致无法得到精确解的问题。基于遗传算法的集成Tikhonov-PCA-ELM建模方法结合了基于Tikhonov正则化改进的PCA-ELM方法和基于遗传算法的集成PCA-ELM建模方法。这种方法拥有基于Tikhonov正则化改进的PCA-ELM方法和基于遗传算法的集成PCA-ELM方法这两种建模方法的优点,不仅避免了网络隐层输出矩阵的广义逆不存在导致无法求得精确解的情况,同时也提高了模型的稳定性和精度。最后,将传统ELM方法、PCA-ELM方法、以及本文提出的三种方法,即基于遗传算法的集成PCA-ELM建模方法、基于Tikhonov正则化改进的PCA-ELM方法和基于遗传算法的集成Tikhonov-PCA-ELM方法这多种建模方法分别应用于穿孔机导盘转速测量和其他八个工业背景当中进行建模,通过仿真结果分析可知,新提出的三种建模方法建模精度和预测精度基本优于传统ELM方法和PCA-ELM方法。