CN103593493A - 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 - Google Patents

一种基于集成梯度数据elm-pls方法的减径管质量预报方法 Download PDF

Info

Publication number
CN103593493A
CN103593493A CN201310259351.XA CN201310259351A CN103593493A CN 103593493 A CN103593493 A CN 103593493A CN 201310259351 A CN201310259351 A CN 201310259351A CN 103593493 A CN103593493 A CN 103593493A
Authority
CN
China
Prior art keywords
model
elm
pls
data
modeling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310259351.XA
Other languages
English (en)
Other versions
CN103593493B (zh
Inventor
肖冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201310259351.XA priority Critical patent/CN103593493B/zh
Publication of CN103593493A publication Critical patent/CN103593493A/zh
Application granted granted Critical
Publication of CN103593493B publication Critical patent/CN103593493B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • General Factory Administration (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

针对无缝钢管减径生产中衡量减径管管质量好坏的横向和纵向壁厚不均检验滞后和难以建立其机理模型的问题，考虑其时变、非线性、快速间歇、数据梯形分布等的生产特点，提出了基于集成梯度数据ELM-PLS方法的减径管质量预报模型。介绍了集成梯度数据ELM-PLS方法中过程数据时段分解、均值求取、回归模型建立和模型在线预报等关键内容，并将建立的预报模型用于减径管质量预报中。实验和仿真表明,基于集成梯度数据ELM-PLS预报方法模型有效地提高了减径钢管质量预报精度,为减径钢管生产质量控制提供了模型依据,并且其维护费用低、实时性好、可靠性及精度高。

Description

一种基于集成梯度数据ELM-PLS方法的减径管质量预报方法
技术领域
本发明涉及一种减径管质量在线预报方法，实时性好，可靠性和精度高。 
背景技术
无缝钢管被广泛应用于汽车、航空、石油、化工、建筑、锅炉和军工等各个部门，在国民经济中具有很重要的地位，故被人们称为工业的血管。随着经济的快速发展，无缝钢管的使用领域在不断扩大，对产品质量的要求也越来越高。无缝钢管的生产工序主要有穿孔、轧管和减径。穿孔和轧管时受顶杆刚度的限制，对于直径在70毫米以下的无缝钢管很难在轧管机组上获得。即使是直径大于70毫米的小型热轧无缝钢管也不希望采用小管坯轧管来生产，因为这样将使机组的生产能力大幅度下降。因此，对于小直径钢管应采用减径方式来生产才合理。由于减径工艺的采用，可用大直径管坯穿孔、轧管，而在减径机组上实现较大的减径，得到小直径的长管子。这是增加产量、扩大品种、减小消耗的有效工艺措施。世界各国越来越趋向于在钢管延伸工序上采用生产效率最高的连轧工艺生产单一规格荒管，而在减径工序通过改变工艺，来得到不同规格的成品管。 
因为张减机是钢管热轧生产的最后一道变形设备，对钢管质量影响很大，壁厚偏差是衡量钢管质量的重要指标。然而钢管减径过程机理模型欠缺，其质量监测需通过技术人员定期抽查来完成，检验结果严重滞后。因此建立具有足够精确性的钢管减径壁厚预测模型，具有重要的理论和经济意义。Macrea等学者建立了减径机的机理模型，对减径过程张力、速度、壁厚等指标进行分析，但机理模型的各种约束较多，适合个别生产机组，模型通用性较差。于辉等学者利用有限元软件模拟了无缝钢管减径生产过程，对减径后钢管的尺寸、壁厚等关键指标进行了预测，用于指导减径生产工艺参数的设定，取得了一定的实际效果。但由于有限元软件的限制，其预测精度并不高，更适合于新规格产品的开发，而不是钢管质量的在线实时控制。 
发明内容
本发明的目的，是提供一种减径管质量预报方法，能快速准确减径管质量，从而降低废品率，提高生产效益，该方法模型维护费用低，实时性好，精度高。 
针对管坯穿孔过程的复杂性，可将其分为咬钢、稳定轧制和抛钢三个子时段。本发明人提出了基于集成梯度数据ELM-PLS方法来建立减径管质量预报模型。在每个子时段选取相关过程变量的平均值作为输入变量。该方法避免了传统MPLS方法模型结构复杂、冗余数据多、计算负荷大的缺点，易于实现减径管质量的在线建模与预报。实验表明，基于集成梯度数据ELM-PLS方法模型比传统的MPLS模型具有更高的回归和预报精度，为减径管质量的提高提供了测量依据。 
在建模前，先对生产时段进行划分 
钢管减径过程，实质上是空心体无芯棒连续轧制过程。如图1所示，从钢管头部进入第一架到尾部离开最后一架可分为三个阶段。
(1) 咬钢阶段：从管头进入第1机架到管头进最后1机架为咬钢阶段。如图1所示是从钢管头部进入1号轧机开始，到钢管头部遇到12号轧机为止。钢管头部由 
Figure 871884DEST_PATH_IMAGE001
点运动到点，钢管尾部由点运动到
Figure 631078DEST_PATH_IMAGE003
点。此时管头逐渐通过各机架，其速度随延伸系数的增加而加大。在此阶段，依据钢管的前进步进增加各轧机的影响变量。 
(2) 稳定轧制阶段：从管子头部进入最后1机架到管尾还未离开第1机架，此时整个机组都在轧制一支钢管，轧制负荷及速度都是稳定的，叫稳定阶段。如图1所示是从钢管头部遇到12号轧机开始，到钢管尾部遇到1号轧机为止。钢管头部由
Figure 26287DEST_PATH_IMAGE004
点运动到
Figure 653709DEST_PATH_IMAGE005
点，钢管尾部由
Figure 476171DEST_PATH_IMAGE003
点运动到
Figure 805522DEST_PATH_IMAGE006
点。在稳定轧制阶段，各轧机变量对钢管都有影响。 
(3) 抛钢阶段：从管尾离开第1机架到离开最后1机架。如图1所示是从钢管尾部遇到1号轧机开始，到钢管尾部遇到12号轧机为止。钢管头部由
Figure 4422DEST_PATH_IMAGE005
点运动到
Figure 987815DEST_PATH_IMAGE007
点，钢管尾部由点运动到
Figure 797825DEST_PATH_IMAGE008
点。此阶段同时参与轧制这支钢管的机架数逐渐减少，一直到最后1架进行单机轧制，整支钢管被轧制完毕，然后钢管被抛出机架。在抛钢阶段，依据钢管的前进步进减少各轧机的影响变量。 
然后对影响毛管质量的因素分析 
（1）荒管加热温度的影响
荒管的加热温度的高低会带来金属变形抗力的变化，进而造成轧制力和平均张力系数的变化。荒管的加热温度越高，则金属的变形抗力越低，轧制力越小，钢管的外径波动也就越小。另外，荒管的加热温度是钢管直径的函数，并且二者存在着明显的正相关关系。荒管的加热温度越高，金属受热膨胀后，钢管的热外径越大。
（2）轧制速度的影响 
对于轧制速度对荒管减径时金属横向不均匀变形的影响，学者普遍认为是通过摩擦因素来起作用的。当轧制速度越低，摩擦力也越大，因此对减小钢管的壁厚不均也就越有利。
（3）荒管质量的影响 
荒管在减径时，由于其内表面没有芯棒支撑，荒管壁厚的控制比较困难，荒管的管壁会随着轧制工艺条件的变化而处于“自由”变化状态。并且，荒管的壁厚不均会“遗传”到减径后的成品钢管上。所以，提高荒管的壁厚均匀性是确保成品钢管壁厚精度的重要条件。
（4）张力的影响 
采用张力减径机实施荒管减径时，由于张力的存在，荒管在发生直径减小的同时壁厚减薄，在稳定的张力条件下，金属的横向变形较小，有利于钢管壁厚精度的提高。但因荒管的头部在依次进入各个减径辊机架和荒管的尾端依次离开各个减径辊机架之时，机架之间不能建立起张力，或张力发生波动，因而势必会产生钢管的纵向壁厚不均。
质量预报模型输出为减径管质量，衡量减径管质量的量化指标为横纵向壁厚不均。钢管横向壁厚不均是最大壁厚偏差与名义壁厚之比，其计算公式如下式所示。 
                           (1) 
    式中：
Figure 871271DEST_PATH_IMAGE010
 ——相对横向壁厚不均；
          
Figure 301115DEST_PATH_IMAGE011
  ——钢管的最大壁厚；
            ——钢管的最小壁厚；
           ——钢管的名义壁厚。
钢管纵向壁厚不均的大小由毛管前端壁厚的平均值与后端壁厚的平均值之差来确定，其计算公式如下式所示。 
                         (2) 
式中：
Figure 170403DEST_PATH_IMAGE015
和
Figure 899325DEST_PATH_IMAGE016
分别是在钢管前端和后端测得的壁厚之和；
Figure 40456DEST_PATH_IMAGE017
是每端上测量的点数。
基于对影响减径管质量因素的上述分析，为实现减径生产的无缝钢管质量的预报，采用下述技术方案： 
生产数据的梯形预处理
本发明在对减径过程各时段分析的基础上，确定了建模所需的各时段过程变量，依据变量采集建模数据后，需要对建模数据进行预处理。对建模数据做批次处理、时段划分、均值处理以及二维展开。在获得的三维数据的基础上，将过程数据按生产操作时段的不同，将其分段处理。本发明先将减径管的生产过程划分为咬钢子时段、稳定轧制子时段和抛钢子时段。然后依据轧辊加入的顺序细划咬钢和抛钢阶段，将咬钢阶段细划成11个子时段，同理将抛钢阶段也细划成11个子时段，确定建模所需的各时段过程变量后，对每个过程变量在该时段取其平均值，实际数据处理如图2所示。
加入荒管加热温度
Figure 538433DEST_PATH_IMAGE018
、质量精度变量和
Figure 73768DEST_PATH_IMAGE020
，得到最终的输入矩阵 
Figure 956274DEST_PATH_IMAGE021
   (3)
将前述获得三段数据均值从左向右排列既可得到一个具有147个变量均值所构成的一个输入数据矩阵
Figure 371074DEST_PATH_IMAGE022
。
预报模型建立 
    在进行建模的生产数据进行梯度处理后，将PLS、ELM建模方法结合，并采用集成技术进行多模型集成，最后得到集成梯度数据ELM-PLS模型。
（1） 非线性PLS方法 
给定两个经标准化的输入输出数据阵
Figure 313623DEST_PATH_IMAGE023
和
Figure 66071DEST_PATH_IMAGE024
，非线性PLS的回归模型可以表示为如下形式：
（a）外部关系模型：
 
Figure 486688DEST_PATH_IMAGE025
                            (4)
其中，
Figure 21575DEST_PATH_IMAGE026
是保留的特征向量的个数，
Figure 135024DEST_PATH_IMAGE027
和
Figure 873304DEST_PATH_IMAGE028
分别为
Figure 97612DEST_PATH_IMAGE029
和V的得分向量，
Figure 221426DEST_PATH_IMAGE030
和
Figure 505777DEST_PATH_IMAGE031
分别为
Figure 918304DEST_PATH_IMAGE029
和的负载向量，
Figure 439470DEST_PATH_IMAGE033
和
Figure 691460DEST_PATH_IMAGE034
分别为
Figure 591282DEST_PATH_IMAGE029
和
Figure 970442DEST_PATH_IMAGE032
的得分矩阵，
Figure 272111DEST_PATH_IMAGE035
和
Figure 695002DEST_PATH_IMAGE036
分别为
Figure 82121DEST_PATH_IMAGE029
和
Figure 766436DEST_PATH_IMAGE032
的负载矩阵，
Figure 657032DEST_PATH_IMAGE037
和
Figure 516404DEST_PATH_IMAGE038
分别为
Figure 125239DEST_PATH_IMAGE029
和
Figure 111781DEST_PATH_IMAGE032
的拟合残差矩阵.
（b）内部关系模型：
Figure 122462DEST_PATH_IMAGE039
                  (5)
其中，
Figure 152735DEST_PATH_IMAGE040
为非线性函数，
Figure 248867DEST_PATH_IMAGE041
为参差. 
（2）ELM算法
传统的前馈神经网络(如BP网络)在训练中采用梯度学习算法，网络中的参数需要迭代更新，不仅训练时间长，而且容易导致局部极小和过度训练等问题，另外其多隐层的结构也导致了样本训练速度慢，训练误差大.针对上述问题，HUANG等人提出了一种单隐层前馈神经网络的新算法---ELM.
任意选取
Figure 960471DEST_PATH_IMAGE042
个样本
Figure 137244DEST_PATH_IMAGE043
,这里
为输入，
Figure 921846DEST_PATH_IMAGE045
为目标输出。如果一个有
Figure 171562DEST_PATH_IMAGE046
个隐含层节点的SLFN能以零误差来逼近这
Figure 969885DEST_PATH_IMAGE047
个样本，则存在，有
Figure 350367DEST_PATH_IMAGE049
       (6)
式中，
Figure 466091DEST_PATH_IMAGE050
是输入层到第
Figure 305871DEST_PATH_IMAGE051
个隐含层节点的连接权值向量；
Figure 89326DEST_PATH_IMAGE052
是第
Figure 381767DEST_PATH_IMAGE051
个隐含层节点的阈值；表示向量和
Figure 647030DEST_PATH_IMAGE055
的内积. 表示第
Figure 900604DEST_PATH_IMAGE051
个隐含层节点与输入
Figure 449398DEST_PATH_IMAGE055
的关系，激活函数
Figure 599756DEST_PATH_IMAGE057
(例如S型函数)。式(6)可以简化成：
Figure 866789DEST_PATH_IMAGE058
                    (7)
这里，
Figure 377274DEST_PATH_IMAGE059
  
Figure 780574DEST_PATH_IMAGE060
          (8)
Figure 101833DEST_PATH_IMAGE061
称为神经网络的隐含层输出矩阵，第
Figure 856163DEST_PATH_IMAGE051
列表示与输入
Figure 593175DEST_PATH_IMAGE062
相关的第
Figure 929609DEST_PATH_IMAGE051
个隐含层节点的输出向量，第
Figure 359454DEST_PATH_IMAGE063
行表示与输入
Figure 397817DEST_PATH_IMAGE064
相关的隐含层输出向量。通常情况下，隐含层节点数
Figure 938519DEST_PATH_IMAGE046
通常比训练样本数
Figure 581990DEST_PATH_IMAGE065
小的多，
Figure 231671DEST_PATH_IMAGE066
,这样隐含层输出矩阵
Figure 960593DEST_PATH_IMAGE067
并非方阵，从而不存在
Figure 101724DEST_PATH_IMAGE068
，使得.因此，需要找到
Figure 105769DEST_PATH_IMAGE069
使得
Figure 135036DEST_PATH_IMAGE070
      (9)
其等价于最小化代价函数：
Figure 17541DEST_PATH_IMAGE071
         (10)
E为最小化代价函数。研究表明，隐含层权值和阈值可以随机给出并且不需要调整，这样式(7)可视为一个线性系统，由式(9)可看出，训练一个SLFN等价于求线性系统
Figure 432342DEST_PATH_IMAGE058
的一个最小二乘解
Figure 374890DEST_PATH_IMAGE072
，使
Figure 124409DEST_PATH_IMAGE073
      (11)
由式(11)得输出权值为:     
Figure 545027DEST_PATH_IMAGE074
                     (12)
ELM算法可以归纳为下面三个步骤：
给出一个训练集
Figure 17596DEST_PATH_IMAGE075
，激活函数
Figure 927783DEST_PATH_IMAGE076
以及隐含层节点数
Figure 853014DEST_PATH_IMAGE046
,则
（a）随机产生隐含层节点参数；
（b）计算隐含层输出矩阵
Figure 217447DEST_PATH_IMAGE067
；
（c）计算输出权值
Figure 564115DEST_PATH_IMAGE078
，.
（3）基于集成梯度数据ELM-PLS的建模方法
集成梯度数据ELM-PLS建模方法与线性PLS方法不同之处在于建立多个有效模型以提高模型精度，同时采用ELM建立内部非线性模型. 集成梯度数据ELM-PLS方法保留了线性外部模型，如式(4)，通过PLS提取过程的特征信息，消除了数据的共线性，并降低了输入变量的维数，然后采用ELM建立输入得分向量矩阵和输出得分向量
Figure 235158DEST_PATH_IMAGE081
之间的非线性内部模型
Figure 690410DEST_PATH_IMAGE082
，提高内部模型的非线性处理能力。这样，集成梯度数据ELM-PLS同时具有集成模型、PLS模型和ELM模型的优点，即集成模型的泛化能力强，PLS模型的鲁棒性、特征提取等特性和ELM模型的快速非线性处理能力。
集成梯度数据ELM-PLS方法建模与测试步骤如下： 
（1）利用交叉检验法确定潜变量个数，采用线性PLS方法计算建模样本输入
Figure 652550DEST_PATH_IMAGE029
和输出
Figure 218661DEST_PATH_IMAGE032
的得分向量矩阵
Figure 254750DEST_PATH_IMAGE080
和
Figure 693953DEST_PATH_IMAGE083
，及负载向量矩阵
Figure 81072DEST_PATH_IMAGE084
和
Figure 247611DEST_PATH_IMAGE085
。
（2）设定ELM隐含层节点数和激活函数(如sigmoid函数)，采用ELM建立内部模型和
Figure 512425DEST_PATH_IMAGE081
之间的非线性模型，可求得，式中
Figure 357070DEST_PATH_IMAGE040
为ELM表示的非线性函数。 
（3）利用步骤（1）中确定的潜变量个数，对测试样本
Figure 367751DEST_PATH_IMAGE086
、进行线性PLS外部模型分解，得到得分向量矩阵
Figure 244889DEST_PATH_IMAGE088
、
Figure 753230DEST_PATH_IMAGE089
和负载向量矩阵
Figure 883997DEST_PATH_IMAGE090
、
Figure 337369DEST_PATH_IMAGE091
。 
（4）将
Figure 920797DEST_PATH_IMAGE088
带入步骤（2）建立的ELM模型中，求得
Figure 232830DEST_PATH_IMAGE092
              利用
Figure 218103DEST_PATH_IMAGE093
求得测试样本的预测值。 
（5）步骤（1）～（4）为其中一组模型的建模方法，集成梯度数据ELM-PLS建模方法需利用相同建模数据重复建立10组模型，各模型的区别在于使用不同的ELM输入层到隐层权值。重复步骤（1）～（4）求得每组模型隐含层至输出层间的权值，确定所有模型参数，最后使用10组数据的平均值作为最后输出质量。 
                      
减径管质量建模实验
取某钢厂无缝钢管减径机组2012年10月的70根减径管生产数据，荒管直径152.5mm，壁厚6mm，减径到直径73.03mm，壁厚5.51mm。共12个机架。将数据分成两组：前45根用来建立质量预报模型，后25根用来测试模型，检验其对减径管质量的预估精度。将45根减径管的生产数据展开，得到二维数据阵X(45,30062)。其中，数据采集周期为20ms，咬钢阶段采集时间为2.5s，稳定轧制阶段采集时间为13s，抛钢阶段采集时间为1.2s。针对上述数据作图2所示的处理得到数据阵X(45,147)，采用集成梯度数据ELM-PLS方法建立质量预报模型,建模流程如图3所示。利用同样方法采集25根减径管生产数据Xnew(25,147)，进行质量预报检验。为了与传统间歇过程质量预报模型相比校，对先前建模的45根减径管生产数据，选取影响减径管质量1至12号减径机电机转速、电流和力矩，荒管加热温度和荒管质量精度误差共39个变量作为输入变量。数据采集周期为20ms，采集时间16.7s。在实验建模中对数据阵X(45,30062)用传统MPLS方法建立质量预报模型。同样方法整理25根减径管生产数据形成检验数据阵Xn(25, 30062)进行质量预报检验。图4和图5为两种预报模型的检验数据预报结果。
由图4和图5可见，在各段的横向和纵向壁厚误差预测结果中，基于集成梯度数据ELM-PLS方法模型的横向和纵向壁厚误差预报精度为97.4%和95.2%，传统MPLS方法模型预测精度为90.8%和90.3%。由此可见集成梯度数据ELM-PLS方法模型较传统MPLS方法模型有更高的预报精度。 
本发明的优点在于： 
（1）该方法根据减径过程特性，将过程划分成具有不同变量影响的咬钢子时段、稳定轧制子时段和抛钢子时段三个子时段，并利用各子时段变量均值建立集成梯度数据ELM-PLS方法模型，使得模型精度提高了6.5%。
（2）该方法克服了了传统和改进间歇过程质量预报方法模型结构复杂、计算负荷大的缺点，解决了多时段间歇生产中模型对变量小幅波动不敏感问题，易于实现减径管质量的在线建模与预报。 
仿真和实验验证了基于集成梯度数据ELM-PLS建模方法在减径管质量预报中的可行性和有效性。 
附图说明
图1 是减径管时间与位移关系图. 
图2 是减径管时间与变量关系图.
图3是减径管质量预报模型框图.
图4是横向壁厚误差预报比较结果图. 
图5是纵向壁厚误差预报比较结果图。

Claims (2)

1.一种基于集成梯度数据ELM-PLS方法的减径管质量预报方法其特征是：本发明在对减径过程各时段分析的基础上，确定了建模所需的各时段过程变量，依据变量采集建模数据后，需要对建模数据进行预处理.对建模数据做批次处理、时段划分、均值处理以及二维展开，在获得的三维数据的基础上，将过程数据按生产操作时段的不同，将其分段处理.本发明先将减径管的生产过程划分为咬钢子时段、稳定轧制子时段和抛钢子时段，然后依据轧辊加入的顺序细划咬钢和抛钢阶段，将咬钢阶段细划成11个子时段，同理将抛钢阶段也细划成11个子时段，确定建模所需的各时段过程变量后，对每个过程变量在该时段取其平均值，对过程变量数据处理后，应用集成梯度数据ELM-PLS方法进行建模，本发明的集成梯度数据ELM-PLS建模方法与线性PLS方法不同之处在于采用ELM建立内部非线性模型，集成梯度数据ELM-PLS方法保留了线性外部模型，如式(4)，通过PLS提取过程的特征信息，消除了数据的共线性，并降低了输入变量的维数，然后采用ELM建立输入得分向量矩阵和输出得分向量                                                
Figure 201310259351X100001DEST_PATH_IMAGE001
之间的非线性内部模型
Figure 201310259351X100001DEST_PATH_IMAGE002
，提高内部模型的非线性处理能力，这样，集成梯度数据ELM-PLS同时具有集成模型、PLS模型和ELM模型的优点，即集成模型的泛化能力强，PLS模型的鲁棒性、特征提取等特性和ELM模型的快速非线性处理能力。
2.集成梯度数据ELM-PLS方法建模与测试步骤如下：
（1）利用交叉检验法确定潜变量个数，采用线性PLS方法计算建模样本输入
Figure 201310259351X100001DEST_PATH_IMAGE003
和输出
Figure 201310259351X100001DEST_PATH_IMAGE004
的得分向量矩阵
Figure 201310259351X100001DEST_PATH_IMAGE005
和
Figure 201310259351X100001DEST_PATH_IMAGE006
，及负载向量矩阵
Figure 201310259351X100001DEST_PATH_IMAGE007
和
Figure 201310259351X100001DEST_PATH_IMAGE008
；
（2）设定ELM隐含层节点数和激活函数(如sigmoid函数)，采用ELM建立内部模型和
Figure 942839DEST_PATH_IMAGE001
之间的非线性模型，可求得
Figure 996246DEST_PATH_IMAGE002
，式中为ELM表示的非线性函数；
（3）利用步骤（1）中确定的潜变量个数，对测试样本
Figure 201310259351X100001DEST_PATH_IMAGE010
、
Figure 201310259351X100001DEST_PATH_IMAGE011
进行线性PLS外部模型分解，得到得分向量矩阵
Figure 201310259351X100001DEST_PATH_IMAGE012
、
Figure 201310259351X100001DEST_PATH_IMAGE013
和负载向量矩阵
Figure 201310259351X100001DEST_PATH_IMAGE014
、
Figure 201310259351X100001DEST_PATH_IMAGE015
；
（4）将
Figure 272244DEST_PATH_IMAGE012
带入步骤（2）建立的ELM模型中，求得
Figure 201310259351X100001DEST_PATH_IMAGE016
 ，利用
Figure 201310259351X100001DEST_PATH_IMAGE017
求得测试样本的预测值；
（5）步骤（1）～（4）为其中一组模型的建模方法，集成梯度数据ELM-PLS建模方法需利用相同建模数据重复建立10组模型，各模型的区别在于使用不同的ELM输入层到隐层权值. 最后使用10组数据的平均值作为最后输出质量。
CN201310259351.XA 2013-06-26 2013-06-26 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 Expired - Fee Related CN103593493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310259351.XA CN103593493B (zh) 2013-06-26 2013-06-26 一种基于集成梯度数据elm-pls方法的减径管质量预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310259351.XA CN103593493B (zh) 2013-06-26 2013-06-26 一种基于集成梯度数据elm-pls方法的减径管质量预报方法

Publications (2)

Publication Number Publication Date
CN103593493A true CN103593493A (zh) 2014-02-19
CN103593493B CN103593493B (zh) 2017-02-08

Family

ID=50083634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310259351.XA Expired - Fee Related CN103593493B (zh) 2013-06-26 2013-06-26 一种基于集成梯度数据elm-pls方法的减径管质量预报方法

Country Status (1)

Country Link
CN (1) CN103593493B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886159A (zh) * 2014-04-03 2014-06-25 东北大学 无缝钢管斜轧穿孔过程的deform有限元建模
CN104050380A (zh) * 2014-06-26 2014-09-17 东北大学 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法
CN112732700A (zh) * 2021-01-25 2021-04-30 中冶赛迪重庆信息技术有限公司 一种轧钢生产数据切片方法、系统、介质及电子终端

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012117995A (ja) * 2010-12-03 2012-06-21 Jfe Steel Corp 冷間成形角形鋼管の変形状態評価方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012117995A (ja) * 2010-12-03 2012-06-21 Jfe Steel Corp 冷間成形角形鋼管の変形状態評価方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐奡: "基于OS-ELM-RPLS的间歇过程软测量建模与迭代控制", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
肖冬: "无缝钢管生产过程质量预报及关键参数优化控制", 《中国博士学位论文全文数据库 工程科技I辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886159A (zh) * 2014-04-03 2014-06-25 东北大学 无缝钢管斜轧穿孔过程的deform有限元建模
CN104050380A (zh) * 2014-06-26 2014-09-17 东北大学 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法
CN112732700A (zh) * 2021-01-25 2021-04-30 中冶赛迪重庆信息技术有限公司 一种轧钢生产数据切片方法、系统、介质及电子终端
CN112732700B (zh) * 2021-01-25 2023-03-14 中冶赛迪信息技术(重庆)有限公司 一种轧钢生产数据切片方法、系统、介质及电子终端

Also Published As

Publication number Publication date
CN103593493B (zh) 2017-02-08

Similar Documents

Publication Publication Date Title
CN111241657B (zh) 一种基于深度学习的冷轧带钢板形预测方法
WO2023130666A1 (zh) 一种基于数据驱动和机理模型融合的板带钢凸度预测方法
CN103722022B (zh) 一种轧制过程中摩擦系数模型优化系统及方法
CN103226741A (zh) 城市供水管网爆管预测方法
CN109558677A (zh) 一种基于数据驱动的热轧板凸度预测方法
CN104517162A (zh) 一种连续退火产品硬度在线集成学习预报方法
CN105929812A (zh) 带钢热连轧质量的故障诊断方法及装置
CN103593550A (zh) 一种基于集成均值子时段rpls-os-elm的荒管质量建模与预报方法
CN104451118B (zh) 一种适合于连续退火过程的带钢板形逐段演变预报方法
CN102426439A (zh) 一种基于数据驱动的荒管质量预报与控制方法
CN103593493A (zh) 一种基于集成梯度数据elm-pls方法的减径管质量预报方法
CN104632188A (zh) 一种单油井产量的预测方法及装置
CN103279596B (zh) 一种基于数值模拟的可变速度控制温挤压方法
CN114742209A (zh) 一种短时交通流预测方法及系统
Tian et al. An outliers detection method of time series data for soft sensor modeling
Yang et al. Transfer learning-based crashworthiness prediction for the composite structure of a subway vehicle
CN103886159A (zh) 无缝钢管斜轧穿孔过程的deform有限元建模
CN103353295A (zh) 一种精确预测大坝坝体垂直变形量的方法
CN106990768A (zh) 基于Limited‑DTW的MKPCA间歇过程故障监测方法
Cao et al. Variable speed rolling force prediction with theoretical and data-driven models
CN116822146B (zh) 一种基于多层感知机的柔性防护系统智能快速计算方法
CN102213961B (zh) 一种毛管质量预报与控制方法
CN107273703B (zh) 一种路面使用性能分布情况预测方法
CN102830430A (zh) 一种层位速度建模方法
Müller et al. Prediction of the load-displacement and local buckling behavior of hollow structural sections using Deep Neural Networks (DNN)

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170208