论文部分内容阅读
随着我国工业的发展,科技的进步,越来越多传统工业与现代科技相结合,向精细化和自动化管理发展,同时工业为人们提供的产品,不论是其性能还是功能都有所提高。因此对工业产品中应用最广泛的钢材,也就提出更高的质量要求。带钢轧制过程中,对带钢厚度精度的控制是提升其质量的关键。但由于其工艺流程复杂,导致影响带钢厚度变化的因素众多,且不同因素对带钢厚度影响程度不同,各因素对其影响呈非线性变化。因此,若要出口高质量优质带钢,对厚度精度的智能控制是亟待解决的问题,传统的控制方法不能满足带钢厚度的精度需求,随着人工智能在各行业领域内的不断发展,轧制智能控制也成为人工智能研究的一个重要方向。在机器学习理论的基础上,本文设计一种改进差分灰狼算法优化支持向量回归(HGWO-SVR)模型的带钢厚度预测系统。由于传统的SVR模型进行回归预测时,受惩罚因子P和核函数参数σ影响,导致预测结果不理想。本文将灰狼算法引用到SVR模型对参数P和σ的寻优过程中,但因其存在初始种群随机易陷入局部最优且后期全局搜索能力弱的问题,本文将差分进化算法混合到灰狼算法中,保持灰狼种群多样性,并对原始灰狼算法进行改进提出一种改进差分灰狼算法,从而提高预测精度。最后将改进HGWO-SVR预测模型应用在工业带钢轧制中,对带钢厚度进行预测。本系统使用国内某钢铁集团工厂带钢轧制过程中产生的实际数据作为预测模型的样本集。系统分为以下五大模块:信息录入模块、系统管理模块、数据管理模块、预测模型构建模块、带钢厚度预测模块。其中数据管理模块中,使用互信息计算方法,选择出对板带钢厚度影响较大的特征,并对选择的参数数据进行标准化处理,作为模型的输入;预测模型构建模块,采用处理好的训练集数据,并运用改进HGWO算法对SVR模型中参数进行寻优,构建预测模型。使用改进HGWO-SVR模型进行带钢厚度预测能有效提高预测精度。通过反复测试,本文设计的预测系统的预测结果满足带钢轧制在厚度方面的质量要求,系统在功能、性能上达到预期标准。