钢铁研究学报

作者：司良英，刘和平，王现辉，肖辉明，王旭，滕仁昊

单位：1.首钢智新迁安电磁材料有限公司产品研发中心，河北迁安064404；2.钢铁研究总院先进钢铁流程及材料国家重点实验室，北京100081

关键词：关键词：热轧带钢,轧制力预测,深度学习,MLP神经网络,学习算法

摘要：轧制力预报一直是热连轧过程控制模型的核心，浅层神经网络对复杂函数的表示能力有限，而深度学习模型通过学习一种深层非线性网络结构，实现复杂函数逼近。利用深度学习框架TensorFlow，构建了一种深度前馈神经网络轧制力模型，采用BP算法计算网络损失函数的梯度，运用融入Mini?batch策略的Adam优化算法进行参数寻优，采用Early?stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略，针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验，对比分析了4种不同结构的前馈网络预测精度。结果表明，相比于传统SIMS轧制力模型，深度神经网络可实现轧制力的高精度预测，针对所有机架的预测精度平均提升21.11%。

来源：2019年第10期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2019年第10期