CN103593550A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN103593550A
CN103593550A CN201310350427.XA CN201310350427A CN103593550A CN 103593550 A CN103593550 A CN 103593550A CN 201310350427 A CN201310350427 A CN 201310350427A CN 103593550 A CN103593550 A CN 103593550A
Authority
CN
China
Prior art keywords
model
elm
quality
modeling
period
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.)
Pending
Application number
CN201310350427.XA
Other languages
English (en)
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 CN201310350427.XA priority Critical patent/CN103593550A/zh
Publication of CN103593550A publication Critical patent/CN103593550A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Control Of Metal Rolling (AREA)

Abstract

针对连轧生产无缝钢管中，荒管质量检验的滞后和难以建立其机理模型的问题，发明中提出了一种基于集成均值子时段RPLS-OS-ELM荒管质量建模与预报方法。发明介绍了基于集成均值子时段RPLS-OS-ELM方法中过程数据时段确定、均值化简、预报模型建立、模型更新和模型在线预报等关键内容。并将建立的预报模型用于荒管质量的预报中，为连轧生产的无缝钢管质量提高打下良好基础，并且该发明实现性好、实现后维护费用低、实时更新性好、可靠性及精度高，可以用于荒管质量的在线建模和预报中。

Description

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
技术领域
本发明涉及一种热轧无缝钢管生产中荒管质量建模与预报方法，具体是涉及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。 
背景技术
热轧无缝钢管生产工序包括：穿孔、连轧和减径。穿孔工序得到的毛管在精度和表面质量上不能满足使用要求，需要进一步对其进行连轧加工。连轧加工的目的是减小截面,获得较大的轴向延伸，使毛管在表面质量和尺寸精度上获得提高。经过连轧的钢管称为荒管，质量可以达到成品管使用要求,如果尺寸上有进一步要求,需经过减径生产。在无缝钢管生产中，连轧机组是生产效率最高的。如果连轧生产中产生质量缺陷，那么在后续生产中很难弥补它，所以荒管质量的建模和预报具有重要的实际意义. 
连轧生产过程是典型的间歇生产过程，同时具有复杂非线性和多时段等生产特性，这使得其生产过程变量和荒管质量变量之间的关系比较复杂。目前大部分生产中荒管质量靠两种方法获得，一是通过工作人员定时抽样离线测量完成，二是利用γ射线测厚仪在线测量获得。其质量控制主要由技术人员依靠经验调节工艺参数来实现。定时抽样离线测量具有较大时间滞后,容易造成较大的生产浪费。在线测厚仪只能检测荒管的纵向壁厚和横向平均壁厚，对影响荒管质量较大的横向壁厚偏差则无法检测，且设备投资巨大和使用维护成本很高。部分学者利用有限元和数值分析等理论建立了连轧荒管的机理模型，但很难将其工艺参数与质量参数建立一一对应关系。部分学者采用基于数据的建模方法，利用神经网络建立了板材厚度的预报模型，取得了较好效果。但该方法只能实时预报单截面质量，而荒管质量需综合衡量一根管的整体偏差。
发明内容
本发明的目的，是提供一种基于集成均值子时段RPLS-OS-ELM的荒管质量预报与控制方法. 
针对连轧生产过程的复杂性，将其生产过程分为咬钢、稳定轧制和抛钢三个子时段。本发明提出了基于集成均值子时段RPLS-OS-ELM方法，利用其建立了荒管质量预报模型，并用于荒管质量预报。该方法依据连轧生产时段划分过程变量，并在每个子时段步进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，易于实现荒管质量的在线建模与预报。仿真表明，基于集成均值子时段RPLS-OS-ELM方法模型比传统的MPLS模型具有更高的回归和预报精度，为连轧荒管质量的提高提供了更有效的手段.
 基于集成均值子时段RPLS-OS-ELM荒管质量建模与预报方法，包括预报模型建立和模型在线预报方法。预报模型建立前首先要对建模方法和影响荒管质量因素进行分析。
（1）影响荒管质量的因素分析
为了能够准确建立荒管质量预报模型，首先需要对影响荒管质量的因素进行分析研究，以避免建模时所选变量存在信息不全和冗余，降低了模型的预报精度。通过对连轧生产工艺特性分析后可知，在不同生产时段中,各个自变量对荒管质量的影响并不相同。根据连轧生产工艺情况，可将连轧生产过程分成三个主要子时段：咬钢子时段、稳定轧制子时段和抛钢子时段。其中一部分变量只在某个时段存在,可以考虑作为荒管质量的影响因素，而另一部分变量则贯穿整个生产过程，对荒管质量有较大的影响.
影响荒管质量的输入变量有1至8号连轧机实际转速，1至8号连轧机实际电流和1至8号连轧机实际输出力矩共24个变量。除上述生产过程变量外，对荒管质量影响较大的还有上道工序的毛管质量精度，即毛管的横向壁厚不均和纵向壁厚不均。各输入变量的详细信息如表1所示.
表1 荒管质量建模变量表
序号 变量名 变量含义 序号 变量名 变量含义
1 x 1 1号连轧机实际转速 14 x 14 6号连轧机实际电流
2 x 2 2号连轧机实际转速 15 x 15 7号连轧机实际电流
3 x 3 3号连轧机实际转速 16 x 16 8号连轧机实际电流
4 x 4 4号连轧机实际转速 17 x 17 1号连轧机实际输出力矩
5 x 5 5号连轧机实际转速 18 x 18 2号连轧机实际输出力矩
6 x 6 6号连轧机实际转速 19 x 19 3号连轧机实际输出力矩
7 x 7 7号连轧机实际转速 20 x 20 4号连轧机实际输出力矩
8 x 8 8号连轧机实际转速 21 x 21 5号连轧机实际输出力矩
9 x 9 1号连轧机实际电流 22 x 22 6号连轧机实际输出力矩
10 x 10 2号连轧机实际电流 23 x 23 7号连轧机实际输出力矩
11 x 11 3号连轧机实际电流 24 x 24 8号连轧机实际输出力矩
12 x 12 4号连轧机实际电流 25 x 25 毛管横向壁厚精度
13 x 13 5号连轧机实际电流 26 x 26 毛管纵向壁厚精度
 如图1所示，咬钢阶段是从钢管头部进入1号轧机开始，到钢管头部遇到8号轧机为止。钢管头部由 
Figure 86615DEST_PATH_IMAGE001
点运动到
Figure 250880DEST_PATH_IMAGE002
点，钢管尾部由
Figure 679456DEST_PATH_IMAGE003
点运动到
Figure 220159DEST_PATH_IMAGE004
点。在咬钢阶段，依据钢管的前进步进增加各轧机的影响变量。稳定轧制阶段是从钢管头部遇到8号轧机开始，到钢管尾部遇到1号轧机为止。钢管头部由
Figure 535733DEST_PATH_IMAGE002
点运动到
Figure 136479DEST_PATH_IMAGE005
点，钢管尾部由
Figure 308745DEST_PATH_IMAGE004
点运动到
Figure 590822DEST_PATH_IMAGE006
点。在稳定轧制阶段，各轧机变量对钢管都有影响。抛钢阶段是从钢管尾部遇到1号轧机开始，到钢管尾部遇到8号轧机为止。钢管头部由
Figure 823220DEST_PATH_IMAGE005
点运动到
Figure 781817DEST_PATH_IMAGE007
点，钢管尾部由
Figure 732456DEST_PATH_IMAGE006
点运动到
Figure 552644DEST_PATH_IMAGE008
点。在抛钢阶段，依据钢管的前进步进减少各轧机的影响变量.
要对荒管质量进行评估，需要给出衡量荒管质量的量化指标。由于荒管质量集中反映在其管形与内部组织上，而内部组织只能通过对最终产品进行了轧卡、水压等测试实验测得，因此本文只选择管形进行质量分析。热轧无缝钢管的壁厚精度, 特别是横向壁厚不均是钢管的一个极为重要的质量指标。荒管横向壁厚不均是最大壁厚偏差与名义壁厚之比，其计算公式如式(1)所示.
   
Figure 905128DEST_PATH_IMAGE009
                    (1)
    式中：
Figure 536092DEST_PATH_IMAGE010
 ——相对横向壁厚不均；
Figure 974027DEST_PATH_IMAGE011
  ——钢管的最大壁厚；
Figure 597906DEST_PATH_IMAGE012
  ——钢管的最小壁厚；
 ——钢管的名义壁厚.
荒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，其计算公式如式(2)所示.
Figure 105296DEST_PATH_IMAGE014
                     (2)
    式中：和
Figure 192518DEST_PATH_IMAGE016
分别是在钢管前端和后端测得的壁厚之和；
Figure 205080DEST_PATH_IMAGE017
是每端上测量的点数。
（2）建模方法分析
通过上述分析可知，荒管质量受许多实时生产变量的影响，通过建立荒管质量与实时生产变量的数学模型，就可实现荒管质量的实时在线预报，并可在将来应用于荒管质量的实时控制。考虑到连轧生产现场丰富的生产过程数据和实时准确的变量检测手段，符合间歇生产过程的生产特性，故适合用数学统计方法建模.
Nomikos提出的多向偏最小二乘(Multiway PLS, MPLS) 模型是间歇过程统计分析、建模和质量预报的一个广为人知的有效工具。但是同基于MPCA模型的过程监测一样，基于MPLS模型的质量分析和在线预报方法并不适用于多工序或者多操作时段的间歇过程，因为其很难揭示间歇操作周期内的过程行为的变化。对于梯分布度数，传统MPLS方法需在将数据用0补齐后建模。这样的模型除了模型结构复杂、计算负荷大等缺点外，也不能保证达到最好的质量预报精度。现有的基于MPLS的质量分析和在线预报算法基本上都是基于线性的计算方法，对于连轧这样具有非线性特性的生产过程，其预报存在一定的误差。为了克服传统建模方法的缺点，本发明在对连轧生产过程各时段分析的基础上，提出了基于集成均值子时段RPLS-OS-ELM的建模方法建立荒管质量预报模型。
（3）预报模型建立
本发明在对连轧过程各时段分析的基础上，依据钢管接触轧机顺序细化各时段，将咬钢阶段细化成七个子时段，每个轧机对该时段的作用表示为一个数据块。同理将抛钢阶段也细化成七个子时段。确定建模所需的各时段过程变量，并对每个过程变量在该时段取其平均值，处理后输入变量阵如图2所示.
对过程变量数据平均化处理后，得到式(3)所示输入矩阵：
Figure 223852DEST_PATH_IMAGE018
           (3)
在数据均值化后，应用集成均值子时段RPLS-OS-ELM方法对其建立质量预报模型。首先进行PLS算法计算.
1） 基于PLS方法的数据分解
将式（3）得到的数据阵
Figure 636379DEST_PATH_IMAGE019
和对应的荒管质量数据阵
Figure 602061DEST_PATH_IMAGE020
进行标准化后，进行分解，分解得内部和外部关系模型如下形式：
（a）外部关系模型：
 
Figure 783643DEST_PATH_IMAGE021
                      (4)
其中，
Figure 425846DEST_PATH_IMAGE022
是保留的特征向量的个数，
Figure 60090DEST_PATH_IMAGE023
和
Figure 563883DEST_PATH_IMAGE024
分别为
Figure 865552DEST_PATH_IMAGE019
和V的得分向量，
Figure 491705DEST_PATH_IMAGE025
和
Figure 301660DEST_PATH_IMAGE026
分别为
Figure 671462DEST_PATH_IMAGE019
和
Figure 765320DEST_PATH_IMAGE020
的负载向量，
Figure 562374DEST_PATH_IMAGE027
和
Figure 171210DEST_PATH_IMAGE028
分别为
Figure 266074DEST_PATH_IMAGE019
和
Figure 276756DEST_PATH_IMAGE020
的得分矩阵，
Figure 182395DEST_PATH_IMAGE029
和
Figure 278527DEST_PATH_IMAGE030
分别为
Figure 990131DEST_PATH_IMAGE019
和
Figure 540804DEST_PATH_IMAGE020
的负载矩阵，
Figure 679662DEST_PATH_IMAGE031
和
Figure 200773DEST_PATH_IMAGE032
分别为
Figure 716068DEST_PATH_IMAGE019
和
Figure 435762DEST_PATH_IMAGE020
的拟合残差矩阵.
（b）内部关系模型：
Figure 932471DEST_PATH_IMAGE033
                  (5)
其中，
Figure 3196DEST_PATH_IMAGE034
为参差，
Figure 56602DEST_PATH_IMAGE035
为非线性模型，需采用ELM算法建立. 
2）ELM算法建立内部非线性模型
传统的前馈神经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 834065DEST_PATH_IMAGE036
个样本
Figure 314725DEST_PATH_IMAGE037
,这里
Figure 561161DEST_PATH_IMAGE038
为输入，
Figure 152679DEST_PATH_IMAGE039
为目标输出。如果一个有
Figure 846966DEST_PATH_IMAGE040
个隐含层节点的SLFN能以零误差来逼近这个样本，则存在
Figure 481527DEST_PATH_IMAGE041
，有
Figure 63687DEST_PATH_IMAGE042
                (6)
式中，是输入层到第
Figure 700521DEST_PATH_IMAGE044
个隐含层节点的连接权值向量；
Figure 905238DEST_PATH_IMAGE045
是第
Figure 104138DEST_PATH_IMAGE044
个隐含层节点的阈值；
Figure 458502DEST_PATH_IMAGE046
表示向量
Figure 451866DEST_PATH_IMAGE043
和
Figure 206196DEST_PATH_IMAGE047
的内积. 
Figure 880891DEST_PATH_IMAGE048
表示第
Figure 404276DEST_PATH_IMAGE044
个隐含层节点与输入的关系，激活函数选择S型函数。式(6)可以简化成：
Figure 262696DEST_PATH_IMAGE049
                        (7)
这里，
Figure 475503DEST_PATH_IMAGE050
       (8)
Figure 454140DEST_PATH_IMAGE052
称为神经网络的隐含层输出矩阵，第列表示与输入
Figure 950292DEST_PATH_IMAGE053
相关的第
Figure 385952DEST_PATH_IMAGE044
个隐含层节点的输出向量，第
Figure 157599DEST_PATH_IMAGE054
行表示与输入
Figure 108238DEST_PATH_IMAGE055
相关的隐含层输出向量。通常情况下，隐含层节点数通常比训练样本数
Figure 530178DEST_PATH_IMAGE036
小的多，
Figure 410409DEST_PATH_IMAGE056
,这样隐含层输出矩阵
Figure 848344DEST_PATH_IMAGE052
并非方阵，从而不存在
Figure 268961DEST_PATH_IMAGE057
，使得
Figure 427016DEST_PATH_IMAGE049
.因此，需要找到
Figure 540466DEST_PATH_IMAGE058
使得
Figure 403379DEST_PATH_IMAGE059
      (9)
其等价于最小化代价函数：
Figure 627687DEST_PATH_IMAGE060
                (10)
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 689184DEST_PATH_IMAGE049
的一个最小二乘解
Figure 160486DEST_PATH_IMAGE061
，使
Figure 573013DEST_PATH_IMAGE062
        (11)
由式(11)得输出权值为:     
Figure 538695DEST_PATH_IMAGE063
                          (12)
3）模型集成和更新
(a) 模型集成
Bagging集成算法的步骤如下：
第一步:确定数据集,数据集
Figure 720277DEST_PATH_IMAGE064
，总的子模型个数10.
   第二步：从初始的数据集中采用抽取的方式，采集n组数据组成子集,i=1,2,…10,n<m；
第三步：在
Figure 498189DEST_PATH_IMAGE065
上建立ELM-PLS模型，得到一个子模型
Figure 64299DEST_PATH_IMAGE066
，如果i不大于10,则回到步骤2;
第四步：将个子模型集合生产最终输出：
Figure 303651DEST_PATH_IMAGE067
.
模型集成方法，如图3所示.
(b) 模型更新
 在连轧生产进行较长时间后,生产设备和状况会发生一定较小的变化,原有预报模型会出现轻微偏差，模型更新可以较好的解决这个问题。当获得新一批次生产数据后,首先对其进行归一化处理，然后进行PLS分解，得到得分向量和负载向量
Figure 51344DEST_PATH_IMAGE069
, 
Figure 608096DEST_PATH_IMAGE070
                   (13)
根据公式(14)，采用OS-ELM算法对输出层权值进行更新，实现内部模型更新，
Figure 498691DEST_PATH_IMAGE071
             （14）
其中，，
Figure 842265DEST_PATH_IMAGE073
.
    同时对外部模型负载矩阵进行加权平均，实现外部RPLS更新，其中w为权值因子.
                 （15）
重复以上步骤针对每一个新批次进行模型更新.
集成均值子时段RPLS-OS-ELM建模方法通过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X和输出得分向量Y之间的非线性内部模型，提高内部模型的非线性处理能力。同时通过模型集成和更新,进一步提高了模型的预报精度和鲁棒性. 
集成均值子时段RPLS-OS-ELM方法建模与预报步骤如下：
（1）采集生产数据,对部分生产数据进行如式(3)所示的均值子时段处理,得到建模样本输入矩阵X;
（2）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X和质量输出Y的得分向量矩阵及负载向量矩阵；
（3）设定ELM隐含层节点数和激活函数，采用ELM建立内部模型之间的非线性模型；
（4）步骤（1）～（3）为其中一组模型的建模方法，集成均值子时段RPLS-OS-ELM建模方法需从同一数据集中有放回的抽取10组数据，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；
（5）在使用过程中，定期利用新的生产数据对模型进行更新。
（4）模型在线预报
与连续过程相比，集成均值子时段RPLS-OS-ELM模型实施在线预报时，必须解决过程变量未来观测值的补充问题。由于预报模型实质是一个以批次为观测次序，综合了整个批次中过程变量互相关系以及过程变量与质量变量的相关结构模型。因此当模型在线应用时，需补充当前时刻到该批次结束时刻的过程变量观测值。本发明基于历史时刻的测量变量，去估计未来时刻的过程变量。模型用于在线预报时，按图2生产时段划分为三个大时段15个小阶段。按生产进行的顺序，在第一生产时段均值
Figure 711925DEST_PATH_IMAGE075
，其余时段用历史均值
Figure 679881DEST_PATH_IMAGE076
来代替。当生产进行到第m时段时，用
Figure 713696DEST_PATH_IMAGE077
来表示到第m时段均值，前面时段用当前时段均值来代替，后面时段均值仍然用历史均值来代替。当进行到最后时段，即第N时段时用
Figure 425300DEST_PATH_IMAGE078
表示最后一时段均值，前面各时段均值用当前时段均值来代替,
Figure 290488DEST_PATH_IMAGE079
.
当生产进行在第m时段时，用
Figure 616296DEST_PATH_IMAGE077
作为该时段变量观测值。其中
Figure 199724DEST_PATH_IMAGE080
为第m时段生产完成百分比，为第m时段完成的各过程变量时段数据平均值，
Figure 372396DEST_PATH_IMAGE082
为第m时段未进行时段历史时刻各过程变量时段数据平均值。用其它时段数据平均值
Figure 682155DEST_PATH_IMAGE083
作为该过程其它时段变量观测值。各时段预报表示成图4。
（5）仿真验证
取某钢厂Φ140钢管连轧机组70根荒管生产数据，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，检验其对荒管质量的预估精度.
将45根荒管的生产数据展开，得到二维数据阵X(45,8880)。其中，数据采集周期为20ms，咬钢阶段采集时间为2s，稳定轧制阶段采集时间为3.4s，抛钢阶段采集时间为2s。针对上述数据作图2所示的处理得到数据阵X(45,192)，利用集成均值子时段RPLS-OS-ELM方法建立质量预报模型。利用同样方法采集25根荒管生产数据用于模型检验。将整理的检验数据阵Xnew(25,64)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根荒管生产数据，选取影响荒管质量1至8号连轧机实际转速，1至8号连轧机实际电流和1至8号连轧机实际输出力矩共24个变量作为输入变量。数据采集周期为20ms，采集时间7.4s。在仿真建模中对数据阵X(45,8880)用传统MPLS方法建立质量预报模型。同样方法整理25根荒管生产数据形成检验数据阵Xnew(25,8880)进行质量预报检验。在第4800点（4s）和7680（6.4s）点分别测量两个模型的质量预报精度。图5和图6为两种预报模型的检验数据预报结果.
由图5和图6可见，在各段的横向和纵向壁厚误差预报结果中，基于集成均值子时段RPLS-OS-ELM方法建立的质量预报模型误差明显小于传统MPLS方法模型。其中在稳定轧制阶段内（第4800采样点）的横向和纵向壁厚误差预报精度为89.5%和87.6%，而传统MPLS方法模型预报精度为81.2%和74.5%。在抛钢阶段内（第7680采样点）的横向和纵向壁厚误差预报精度为93.1%和94.9%，传统MPLS方法模型预报精度为86.3%和90.5%。由此可见集成均值子时段RPLS-OS-ELM方法模型较MPLS方法模型有更高的预报精度.
针对多时段的荒管连轧间歇生产过程，发明了一种基于数据驱动的集成均值子时段RPLS-OS-ELM建模和预报方法。该方法根据连轧生产过程特性，将过程划分成具有不同变量影响的咬钢、稳定轧制和抛钢三个大子时段，并根据轧辊触钢次序进一步将生产过程划分成15个小时段，利用各子时段变量均值建立模型。该方法克服了传统间歇过程质量预报方法模型结构复杂、计算负荷大的、无法处理非线性环节、模型无法更新的缺点，易于实现荒管质量的在线建模与预报。
附图说明
图1是连接轧管时间与位移关系图. 
图2是管坯穿孔程数据的展开示图.
图3是集成建模方法示意图.
图4是模型预报图.
图5是横向壁厚误差预报结果示图.
图6 是纵向壁厚误差预报结果示图。 

Claims (1)

1.集成均值子时段RPLS-OS-ELM荒管质量建模方法通过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X和输出得分向量Y之间的非线性内部模型，提高内部模型的非线性处理能力. 同时通过模型集成和更新,进一步提高了模型的预报精度和鲁棒性. 
集成均值子时段RPLS-OS-ELM方法建模与预报步骤如下：
（1）采集生产数据,对部分生产数据进行如式(3)所示的均值子时段处理,得到建模样本输入矩阵X;
（2）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X和质量输出Y的得分向量矩阵及负载向量矩阵；
（3）设定ELM隐含层节点数和激活函数，采用ELM建立内部模型之间的非线性模型；
（4）步骤（1）～（3）为其中一组模型的建模方法，集成均值子时段RPLS-OS-ELM建模方法需从同一数据集中有放回的抽取10组数据，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；
（5）在使用过程中，定期利用新的生产数据对模型进行更新。
CN201310350427.XA 2013-08-12 2013-08-12 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 Pending CN103593550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310350427.XA CN103593550A (zh) 2013-08-12 2013-08-12 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310350427.XA CN103593550A (zh) 2013-08-12 2013-08-12 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

Publications (1)

Publication Number Publication Date
CN103593550A true CN103593550A (zh) 2014-02-19

Family

ID=50083688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310350427.XA Pending CN103593550A (zh) 2013-08-12 2013-08-12 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

Country Status (1)

Country Link
CN (1) CN103593550A (zh)

Cited By (6)

* 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
CN105117525A (zh) * 2015-07-31 2015-12-02 天津工业大学 Bagging极限学习机集成建模方法
CN107330294A (zh) * 2017-07-15 2017-11-07 东北大学 带遗忘因子的在线时序多隐含层极限学习机的应用方法
CN107367936A (zh) * 2017-07-31 2017-11-21 广东工业大学 基于os‑elm的压电陶瓷驱动器建模、控制方法及系统
CN107390546A (zh) * 2017-07-31 2017-11-24 广东工业大学 基于eos‑elm的压电驱动定位平台建模方法、控制方法及系统
CN107505840A (zh) * 2017-07-31 2017-12-22 广东工业大学 基于FReOS‑ELM的压电驱动FTS建模方法、控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426439A (zh) * 2011-04-02 2012-04-25 东北大学 一种基于数据驱动的荒管质量预报与控制方法
CN103018181A (zh) * 2012-12-14 2013-04-03 江苏大学 基于相关性分析和elm神经网络的软测量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426439A (zh) * 2011-04-02 2012-04-25 东北大学 一种基于数据驱动的荒管质量预报与控制方法
CN103018181A (zh) * 2012-12-14 2013-04-03 江苏大学 基于相关性分析和elm神经网络的软测量方法

Non-Patent Citations (3)

* 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》, no. 03, 15 March 2012 (2012-03-15) *
肖冬: "基于步进均值子时段 MPLS的荒管质量预测模型研究", 《控制与决策》, vol. 23, no. 4, 15 April 2008 (2008-04-15) *
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》, no. 06, 15 June 2012 (2012-06-15) *

Cited By (7)

* 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
CN105117525A (zh) * 2015-07-31 2015-12-02 天津工业大学 Bagging极限学习机集成建模方法
CN105117525B (zh) * 2015-07-31 2018-05-15 天津工业大学 Bagging极限学习机集成建模方法
CN107330294A (zh) * 2017-07-15 2017-11-07 东北大学 带遗忘因子的在线时序多隐含层极限学习机的应用方法
CN107367936A (zh) * 2017-07-31 2017-11-21 广东工业大学 基于os‑elm的压电陶瓷驱动器建模、控制方法及系统
CN107390546A (zh) * 2017-07-31 2017-11-24 广东工业大学 基于eos‑elm的压电驱动定位平台建模方法、控制方法及系统
CN107505840A (zh) * 2017-07-31 2017-12-22 广东工业大学 基于FReOS‑ELM的压电驱动FTS建模方法、控制方法及系统

Similar Documents

Publication Publication Date Title
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
CN103226741B (zh) 城市供水管网爆管预测方法
CN109934337A (zh) 一种基于集成lstm的航天器遥测数据异常的检测方法
US20240184956A1 (en) Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion
CN102880905B (zh) 一种常顶油干点在线软测量方法
WO2022116571A1 (zh) 一种基于lstm的热轧弯辊力预测方法
CN102426439A (zh) 一种基于数据驱动的荒管质量预报与控制方法
CN110262450B (zh) 面向汽轮机的多种故障特性协同分析的故障预测方法
CN112948932A (zh) 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法
CN101814158A (zh) 基于人工神经网络的实验数据分析处理方法
CN103530818A (zh) 一种基于brb系统的供水管网建模方法
CN107704962A (zh) 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法
CN112541571A (zh) 基于双并联神经网络的机器学习的注采连通性确定方法
CN103344395B (zh) 一种桥梁加固目标承载力的确认方法及装置
CN112614021A (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
Ma et al. Bidirectional minimal gated unit-based nonlinear dynamic soft sensor modeling framework for quality prediction in process industries
CN103389360A (zh) 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法
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
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
CN102213961B (zh) 一种毛管质量预报与控制方法
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN114925569A (zh) 一种有限元与神经网络结合的钢板淬火温度预测方法
CN106709570A (zh) 一种基于时间维度拓展局部加权极限学习机的软测量建模方法
CN103236383B (zh) 等离子显示屏制造过程参数重要性的动态确定与优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20140219

RJ01 Rejection of invention patent application after publication