钢铁研究学报

作者：丁敬国，刘方路，于琨，李旭，张殿华

单位：1.东北大学轧制技术及连轧自动化国家重点实验室，辽宁沈阳110819；2.辽宁工业大学材料科学与工程学院，辽宁锦州121001

关键词：关键词：轧制力预测,热连轧,极限学习机,鲸鱼优化算法,非稳态过程

摘要：热连轧生产过程中，因换辊、换钢种、换规格等非稳态轧制条件下，轧制力的预测精度降低，导致产品厚度命中率降低、秒流量控制失衡、宽度拉窄等质量问题，究其原因发现，机制模型在非稳态条件下的模型误差存在较大差异，仅通过层别表模型参数切换无法实现精准设定。为解决该问题，首先，构建具有计算速度快和预测精度良好的极限学习机作为浅层神经网络，同时构建具有挖掘工业数据特征能力强的短时记忆网络作为深度神经网络。其次，采用鲸鱼算法对极限学习机参数寻优，构建了基于鲸鱼算法优化极限学习机协同长短时记忆网络（whale algorithm to optimize extreme learning machine cooperative long?term and short?term memory network, WOA-ELM-LSTM）的热轧轧制力预测模型，然后增加误差值评判机制，利用长短时记忆网络对轧制力偏差值进行训练并结合极限学习机模型轧制力预测值进行二次修正，将该混合模型与支持向量机、经鲸鱼算法优化后的支持向量机（WOA-SVR）、极限学习机、经鲸鱼算法优化后的极限学习机(WOA-ELM)进行模型预测精度对比。对比结果表明，基于WOA-ELM-LSTM的热轧轧制力模型预测精度明显高于其他方法，该模型的R2值为99.34，轧制力预测偏差在±5%以内，在板带材热连轧生产中有着良好的应用前景。

来源：2024年第1期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2024年第1期