CN112170502A - 一种轧制过程弯辊力的预测方法 - Google Patents

Abstract

本发明公开了一种轧制过程弯辊力的预测方法，属于轧制过程自动控制技术领域。本发明通过分层别采集轧制生产过程中包含影响弯辊力参数的带钢生产数据；对生产数据进行降噪处理；将降噪后的生产数据分为训练集和测试集；将降噪后的标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子进行优化选择；采用优化选择的光滑因子构造广义回归神经网络弯辊力预测模型；用训练集训练预测模型，用测试集测试预测模型的泛化性能。本发明的预测方法精度高。预测模型基于大量生产数据，而轧制现场生产数据的采集易于操作，模型具有很强的推广能力。

Description

一种轧制过程弯辊力的预测方法

技术领域

本发明属于轧制过程自动控制技术领域，具体涉及一种轧制过程弯辊力的预测方法。

背景技术

液压弯辊控制是冷热连轧过程中板形控制的主要方法之一。其控制原理是利用外加弯矩来改变工作辊与支承辊之间的接触应力分布，并通过安装在轧机轴承座之间的液压缸来控制工作辊的挠度，以改善工作辊之间辊缝形状来达到改变带钢凸度和平直度的目的。该控制技术的特点是可以快速调整轧辊辊缝凸度。液压弯辊控制与其它平直度控制方法相结合，可进一步提高带钢凸度和平直度的调节能力。在轧制过程中，弯辊力的设定精度直接影响带钢板形控制精度，尤其是带钢头部控制精度。较高的弯辊力预测精度有利于其闭环反馈控制。在实际生产过程中，弯辊力的设定计算与带钢温度、厚度、宽度、轧制力、轧制材料、轧辊热膨胀、轧辊磨损以及目标凸度和平直度都有直接关系，需要根据实际情况来进行综合计算。通常，弯辊力的初始值设定非常复杂，是一个多变量的优化问题，设定要兼顾板形的两个方面，不能一次性计算出合理的弯辊力值，弯辊力的调节要从带钢出口凸度计算公式中推导弯辊力的表达式，由板形判别式决定弯辊力的可调范围。由于与弯辊力设定模型有关的一些轧制参数之间具有非线性、强耦合、检测误差大等特点，所以传统理论建立的数学模型在生产实践中响应速度较慢，控制精度较低，较好的弯辊力设定值只有经过反复迭代，甚至是轧过好几块钢后才可以获取，这些问题都严重制约了热轧带钢板形控制精度的进一步提高。

发明内容

针对上述问题本发明提供了一种轧制过程中弯辊力预测方法。

为了达到上述目的，本发明采用了下列技术方案：

一种轧制过程弯辊力预测方法，包括以下步骤：

步骤1：分层别采集轧制生产过程中的m块带钢生产数据，每一块带钢包含有p个与弯辊力设定相关的轧制参数，将每一块带钢用一个p维向量进行表示；

步骤2：采用统计学3σ原则对各层别的生产数据进行降噪处理，处理后得到N块带钢样本数据；

步骤3：将降噪后的含有N块带钢生产数据的样本集在保持不同层别带钢数据分布均匀性的前提下，按个数比4:1划分为训练集和测试集两个集合；

步骤4：将降噪后训练集所包含的各层别的生产数据构成观测值矩阵，并对观测值矩阵进行标准化变换获得训练集样本数据的标准化矩阵；

步骤5：将标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子参数σ′进行优化；

步骤6：采用优化获得的最优光滑因子参数σ′构造基于广义回归神经网络的弯辊力数据驱动预测模型；

步骤7：用训练集样本数据训练广义回归神经网络弯辊力数据驱动预测模型，用测试集样本数据测试广义回归神经网络弯辊力数据驱动预测模型的泛化性能；

步骤8：评价基于广义回归神经网络弯辊力数据驱动预测模型的整体性能。

进一步，所述层别按照钢种、终轧带钢宽度和终轧带钢厚度进行划分。

进一步，所述步骤4将降噪后训练集所包含的各层别的生产数据构成观测值矩阵，并对观测值矩阵进行标准化变换获得训练集样本数据的标准化矩阵的具体方法是：把每一块带钢的生产数据看成一个p维向量，X＝(X₁,X₂,…,X_p)，X 为输入变量的观测值矩阵，p代表与弯辊力设定相关的轧制参数的个数，n代表训练集样本个数，观测值矩阵表示为：

输出变量的生产数据Y的观测值矩阵表示为：

经标准化变换后获得标准化矩阵表示为：

标准化的公式为：

其中，max(a_i)和min(a_i)分别代表各个参数的最大值和最小值；公式(5)代表区间[0,1]标准化，公式(6)代表区间[-1,1]标准化。

进一步，所述步骤5将标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子参数进行优化，还包括以下步骤：

步骤5.1：随机生成果蝇初始位置：

InitX′_axis

InitY′_axis

其中，X′_axis,Y′_axis分别代表坐标轴位置，InitX′_axis代表X′轴的初始位置；InitY′_axis代表Y′轴的初始位置；

步骤5.2：赋予果蝇个体利用嗅觉搜寻食物的随机方向与距离：

X_i′＝X′_axis+Random Value

Y_i′＝Y′_axis+Random Value

其中，X′,Y′分别代表坐标轴，Random Value代表生产的随机距离；

步骤5.3：由于无法得知食物位置，因此先估计与原点之距离Dist，再计算味道浓度判定值S，该值为距离的倒数：

步骤5.4：味道浓度判定值S代入味道浓度判定函数Function以求出该果蝇个体位置的味道浓度Smell_i；将RMSE作为味道浓度函数：

其中，n是样本个数；y_i,

分别是样本的期望输出和实际输出；

步骤5.5：找出此果蝇群体的中味道浓度最高的果蝇max(Smell)，记为[bestSmell bestIndex]：

[bestSmell bestIndex]＝max(Smell)

步骤5.6：保留最佳味道浓度值与X′、Y′坐标，此时果蝇群体利用视觉往该位置飞去：

Smellbest＝bestSmell

X′_axis＝X(bestIndex)

Y′_axis＝Y(bestIndex)

步骤5.7：进入迭代寻优，重复执行步骤5.2到步骤5.5，并判断味道浓度是否优于前一迭代味道浓度，若是则执行步骤5.6。

进一步，所述步骤6采用优化获得的最优光滑因子构造基于广义回归神经网络的弯辊力数据驱动预测模型，还包括以下步骤：

步骤6.1：输出变量Y相对于输入变量x的回归分析是计算具有最大概率值的y，使得y尽可能的接近Y；设输入变量x和输出变量的联合概率密度函数为 f(x,y)，已知x的观测样本值为X，则y相对于X的回归，即在输入变量为X的条件下，Y的预测输出

记为E(y/X)：

应用Parzen非参数估计，可由样本数据集

估算密度函数

式中，X_i,Y_i为输入变量x和输出变量y的样本观测值；n为样本容量；p为输入变量x的维数；σ′为高斯函数的宽度系数，又叫做光滑因子；

步骤6.2：用

代替f(X,y)代入式

并交换积分与求和顺序得：

当z为积分变量时，由于

因此，对两个积分进行计算后可得网络的输出

为：

估计值

为所有样本观测值Y_i的加权平均，每个观测值Y_i的权重因子为相应的样本X_i与X之间的欧式距离平方的指数；当X为影响弯辊力的输入变量的样本观测值矩阵，Y为弯辊力的样本观测值矩阵时，求得的

即为弯辊力的预测值矩阵。

进一步，所述步骤8，评价基于广义回归神经网络弯辊力数据驱动预测模型的整体性能的具体方法是：采用决定系数R²，平均绝对误差MAE，平均绝对百分误差MAPE，均方根误差RMSE评价基于广义回归神经网络弯辊力数据驱动预测模型的整体性能。

与现有技术相比本发明具有以下优点：

本发明建立基于广义回归神经网络的轧制过程弯辊力预测模型。模型是基于大量生产数据，且轧制生产线具有完备的生产数据采集和存储系统，便于操作，所以模型的推广能力较强。此外，模型建立过程中摆脱了传统弯辊力设定过程中的反复迭代和复杂的数学物理关系，很好的解决了各个弯辊力影响变量之间强耦合，非线性等问题。通过合理的样本数据筛选和预处理后利用本发明方法可以有效进行轧制过程弯辊力预测，为弯辊力的精准设定奠定了基础。

附图说明

图1是基于果蝇优化算法优化广义回归神经网络的轧制过程弯辊力预测方法的流程图；

图2是果蝇优化算法优化广义回归神经网络光滑因子时迭代过程中RMSE 误差曲线变化图；

图3是模型在训练集上弯辊力的预测效果图；

图4是模型在测试集上弯辊力的预测效果图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细的说明。

实施例1

以国内某1580mm不锈钢热连轧机组的末机架轧制数据用于进行弯辊力预测，末机架是四辊轧机，工作辊弯辊力的预测方法流程如图1所示。

步骤1：分层别采集轧制生产过程中的每一块带钢包含有p个与弯辊力设定相关的轧制参数的生产数据，将每一块带钢用一个p维向量进行表示；层别按照钢种、终轧带钢宽度以及终轧带钢厚度进行划分；

具体实施例的建模数据来源于国内某1580mm热轧不锈钢带钢生产线，生产线的核心设备是由八个机架组成的精轧机组，机架间间距为5.5m，全线配置工作辊窜辊和弯辊系统以控制平直度和板凸度。生产的产品规格主要包括厚度为1.8mm～6.0mm，宽度为800mm～1500mm的不锈钢产品。选择与弯辊力设定模型相关的带钢入口温度T(℃)、入口厚度H(mm)、出口厚度h(mm)、带钢宽度W(mm)、轧制力F_R(kN)、轧制速度v(m/s)、窜辊量S(mm)、目标凸度C(mm)和屈服强度Y(MPa)一共9个(在本实施例中p＝9)轧制参数作为模型输入变量，弯辊力F_W作为模型输出变量。采集到的部分生产数据如表 1所示。

表1采集到的部分生产数据

编号	T	H	h	W	F<sub>R</sub>	v	S	Y	C	F<sub>W</sub>
											1	1035.46	2.48	2.30	1251.76	859.79	8.70	0.94	455.21	0.06	802.87
2	1064.99	2.49	2.30	1251.14	854.12	8.70	0.95	453.74	0.06	795.77
											3	1043.25	2.49	2.31	1251.95	914.64	8.69	0.94	448.19	0.06	801.01
4	1043.02	2.40	2.28	1249.99	803.52	8.70	0.96	463.02	0.06	749.03
											5	1032.35	2.51	2.30	1258.34	991.88	8.72	1.00	454.55	0.07	848.97
6	1032.77	2.43	2.30	1250.73	844.34	8.69	0.96	460.39	0.07	750.61
											7	1004.66	2.48	2.28	1252.37	805.80	8.69	0.94	464.65	0.07	721.81
8	1011.93	2.47	2.31	1250.12	941.60	8.71	0.98	464.29	0.07	826.31
											9	1006.72	2.48	2.30	1251.65	843.02	8.70	0.96	451.32	0.07	755.75
10	1044.07	2.45	2.27	1251.42	874.46	8.70	0.95	456.02	0.06	784.20
											11	1026.11	2.49	2.28	1251.44	973.19	8.70	0.98	455.40	0.06	868.36
12	1021.76	2.41	2.29	1252.18	887.12	8.69	0.96	456.55	0.06	780.54
											13	1032.39	2.52	2.30	1250.20	783.67	8.69	0.94	444.81	0.07	706.27
14	1020.52	2.46	2.30	1251.23	872.16	8.70	0.95	455.51	0.06	797.48
											15	1046.65	2.45	2.30	1250.86	852.37	8.70	0.95	455.04	0.06	777.50
16	1013.05	2.47	2.28	1252.21	865.44	8.70	0.94	459.12	0.07	789.09
											17	1044.76	2.51	2.29	1250.95	879.27	8.70	0.95	466.04	0.06	785.06
18	1047.24	2.49	2.29	1251.98	853.74	8.69	0.94	457.09	0.06	788.37
											19	1029.69	2.50	2.28	1253.54	983.59	8.71	0.98	455.46	0.07	869.81
20	1038.07	2.52	2.29	1252.84	978.67	8.70	0.98	464.37	0.06	843.84
											…	…	…	…	…	…	…	…	…	…	…

步骤2：采用统计学3σ原则对各层别的生产数据进行降噪处理；

具体实施中，一共采集到1444块带钢的生产数据，在此，m＝1444。在正态分布中σ代表标准差，μ代表均值，x＝μ表示图像的对称轴。

3σ原则为：数值分布在(μ-σ,μ+σ)中的概率为0.6826；数值分布在 (μ-2σ,μ+2σ)中的概率为0.9544；数值分布在(μ-3σ,μ+3σ)中的概率为0.9974。可以认为，y的取值几乎全部集中在(μ-3σ,μ+3σ)区间内。将采集到的1444块带钢样本集求解均值和标准差如表2：

表2 F8机架数据输入变量的统计描述

将各个变量分布范围不在区间(μ-3σ,μ+3σ)内的样本进行剔除，达到样本数据的清洗和降噪。最后得到1255组有效建模样本数据，此时，N＝1255。

步骤3：将降噪后的生产数据按比例划分为训练集和测试集两个集合，集合划分要保持不同层别带钢数据分布均匀性；

具体实施时，选取带钢样本数据的80％(1255×0.8＝1004块)作为训练集，剩余的20％(251块)作为测试集。

步骤4：将降噪后的各层别的生产数据构成观测值矩阵，并对观测值矩阵进行标准化变换获得样本数据的标准化矩阵；

把每一块带钢的生产数据看成一个p维向量X＝(X₁,X₂,…,X_p)，p为生产参数的数量，本实施例中p＝9，经降噪后共获得1255块带钢的生产数据中包括1004 块训练集数据，在此，n＝1004，输入变量的生产数据X＝(X₁,X₂,…,X₉)的观测值矩阵表示为：

输出变量的生产数据Y的观测值矩阵表示为：

经标准化变换后获得标准化矩阵表示为：

标准化的公式为：

其中，max(a_i)和min(a_i)分别代表各个参数的最大值和最小值；n＝1004；公式(5)代表区间[0,1]标准化，公式(6)代表区间[-1,1]标准化。

步骤5：将标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子参数σ′进行优化；

具体实施时，将标准化后的生产数据作为广义回归神经网络模型的输入变量，采用果蝇优化算法对广义回归神经网络的模型参数进行优化选择，参数主要是指模型的光滑因子σ′。优化步骤包括如下步骤：

步骤5.1：随机生成果蝇初始位置：

InitX′_axis

InitY′_axis (7)

其中，X′_axis,Y′_axis分别代表坐标轴位置，InitX′_axis代表X′轴的初始位置；InitY′_axis代表Y′轴的初始位置；

步骤5.2：赋予果蝇个体利用嗅觉搜寻食物的随机方向与距离：

其中，X′_axis,Y′_axis分别代表坐标轴位置，Random Value代表生产的随机距离；

步骤5.3：由于无法得知食物位置，因此先估计与原点之距离(Dist)，再计算味道浓度判定值(S)，该值为距离的倒数：

步骤5.4：味道浓度判定值(S)代入味道浓度判定函数Function以求出该果蝇个体位置的味道浓度Smell_i。本文将RMSE作为味道浓度函数：

其中，n是样本个数；y_i,

分别是样本的期望输出和实际输出。

步骤5.5：找出此果蝇群体的中味道浓度最高的果蝇max(Smell)，记为[bestSmell bestIndex]：

[bestSmell bestIndex]＝max(Smell) (12)

步骤5.6：保留最佳味道浓度值与X′、Y′坐标，此时果蝇群体利用视觉往该位置飞去：

Smellbest＝bestSmell

X′_axis＝X(bestIndex)

Y′_axis＝Y(bestIndex) (13)

步骤5.7：进入迭代寻优，重复执行步骤5.2到步骤5.5，并判断味道浓度值是否优于前一迭代味道浓度值，若是则执行步骤5.6。

本实施例中果蝇优化算法参数设置如下，随机初始化果蝇群体位置区间为[0,1]，迭代的果蝇搜索食物的随机飞行方向和距离区间为[-10,10]，种群规模为 30，迭代次数为50。图2为果蝇优化算法优化广义回归神经网络光滑因子σ′过程中的误差曲线变化图。

步骤6：采用步骤5中寻找到的最佳参数σ′构造广义回归神经网络弯辊力预测模型，具体包括：

步骤6.1：输出变量Y相对于输入变量x的回归分析是计算具有最大概率值的y，使得y尽可能的接近Y。设输入变量x和输出变量的联合概率密度函数为 f(x,y)，已知x的观测样本值为X，则y相对于X的回归，即在输入变量为X的条件下，Y的预测输出

记为E(y/X)：

应用Parzen非参数估计，可由样本数据集

估算密度函数

式中，X_i,Y_i为输入变量x和输出变量y的样本观测值；n为样本容量；p为输入变量x的维数；σ′为光滑因子。

步骤6.2：用

代替f(X,y)代入式(14)，并交换积分与求和顺序得：

当z为积分变量时，由于

因此，由于

对两个积分进行计算后可得网络的输出

为：

估计值

为所有样本观测值Y_i的加权平均，每个观测值Y_i的权重因子为相应的样本X_i与X之间的欧式距离平方的指数。

当X为影响弯辊力的输入变量的样本观测值矩阵，Y为弯辊力的样本观测值矩阵时，求得的

即为弯辊力的预测值矩阵。

在本实施例中X^R为影响弯辊力的输入变量的样本观测值矩阵；Y^R为弯辊力的样本观测矩阵；样本容量为训练集的样本容量1004，即n＝1004；p＝9；实施例中，果蝇优化算法寻优过程中迭代到第30次时收敛，此时最佳RMSE误差值为15.5361，得到的对应最佳光滑因子σ′＝0.2267。代入上述公式(17)即可得出弯辊力的预测值。

步骤7：用训练集中的1004个样本数据训练步骤6中构造的广义回归神经网络弯辊力预测模型，用测试集上的251个样本数据测试广义回归神经网络弯辊力预测模型的泛化性能；

步骤8：采用决定系数R²，平均绝对误差MAE，平均绝对百分误差MAPE，均方根误差RMSE来评价广义回归神经网络弯辊力预测模型的整体性能。它们计算公式如下：

表3模型误差计算结果。

	训练集	测试集
			MAE	5.9153	11.7386
MAPE(％)	0.7438	1.4855
			RMSE	8.8148	14.3949

预报模型在训练集上预测效果如图3所示，在测试集上的预测效果如图4 所示。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种轧制过程弯辊力预测方法，其特征在于：包括以下步骤：

步骤1：分层别采集轧制生产过程中的m块带钢生产数据，每一块带钢包含有p个与弯辊力设定相关的轧制参数，将每一块带钢用一个p维向量进行表示；

步骤2：采用统计学3σ原则对各层别的生产数据进行降噪处理，处理后得到N块带钢样本数据；

步骤3：将降噪后的含有N块带钢生产数据的样本集在保持不同层别带钢数据分布均匀性的前提下，按个数比4:1划分为训练集和测试集两个集合；

步骤4：将降噪后训练集所包含的各层别的生产数据构成观测值矩阵，并对观测值矩阵进行标准化变换获得训练集样本数据的标准化矩阵；

步骤5：将标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子参数σ′进行优化；

步骤6：采用优化获得的最优光滑因子参数σ′构造基于广义回归神经网络的弯辊力数据驱动预测模型；

步骤7：用训练集样本数据训练广义回归神经网络弯辊力数据驱动预测模型，用测试集样本数据测试广义回归神经网络弯辊力数据驱动预测模型的泛化性能；

步骤8：评价基于广义回归神经网络弯辊力数据驱动预测模型的整体性能。

2.根据权利要求1所述的一种轧制过程弯辊力预测方法，其特征在于：所述层别按照钢种、终轧带钢宽度和终轧带钢厚度进行划分。

3.根据权利要求2所述的一种轧制过程弯辊力预测方法，其特征在于：所述步骤4将降噪后训练集所包含的各层别的生产数据构成观测值矩阵，并对观测值矩阵进行标准化变换获得训练集样本数据的标准化矩阵的具体方法是：把每一块带钢的生产数据看成一个p维向量，X＝(X₁,X₂,…,X_p)，X为输入变量的观测值矩阵，p代表与弯辊力设定相关的轧制参数的个数，n代表训练集样本个数，观测值矩阵表示为：

输出变量的生产数据Y的观测值矩阵表示为：

经标准化变换后获得标准化矩阵表示为：

标准化的公式为：

其中，max(a_i)和min(a_i)分别代表各个参数的最大值和最小值；公式(5)代表区间[0,1]标准化，公式(6)代表区间[-1,1]标准化。

4.根据权利要求3所述的一种轧制过程弯辊力预测方法，其特征在于：所述步骤5将标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子参数进行优化，还包括以下步骤：

步骤5.1：随机生成果蝇初始位置：

InitX′_axis

InitY′_axis

其中，X′_axis,Y′_axis分别代表坐标轴位置，InitX′_axis代表X′轴的初始位置；InitY′_axis代表Y′轴的初始位置；

步骤5.2：赋予果蝇个体利用嗅觉搜寻食物的随机方向与距离：

X′_i＝X′_axis+Random Value

Y_i′＝Y′_axis+Random Value

其中，X′_axis,Y′_axis分别代表坐标轴位置，Random Value代表生产的随机距离；

步骤5.3：由于无法得知食物位置，因此先估计与原点之距离Dist，再计算味道浓度判定值S，该值为距离的倒数：

步骤5.4：味道浓度判定值S代入味道浓度判定函数Function以求出该果蝇个体位置的味道浓度Smell_i；将RMSE作为味道浓度函数：

其中，n是样本个数；y_i,

分别是样本的期望输出和实际输出；

步骤5.5：找出此果蝇群体的中味道浓度最高的果蝇max(Smell)，记为[bestSmellbestIndex]：

[bestSmell bestIndex]＝max(Smell)

步骤5.6：保留最佳味道浓度值与X′、Y′坐标，此时果蝇群体利用视觉往该位置飞去：

Smellbest＝bestSmell

X′_axis＝X(bestIndex)

Y′_axis＝Y(bestIndex)

步骤5.7：进入迭代寻优，重复执行步骤5.2到步骤5.5，并判断味道浓度是否优于前一迭代味道浓度，若是则执行步骤5.6。

5.根据权利要求4所述的一种轧制过程弯辊力预测方法，其特征在于：所述步骤6采用优化获得的最优光滑因子构造基于广义回归神经网络的弯辊力数据驱动预测模型，还包括以下步骤：

步骤6.1：输出变量Y相对于输入变量x的回归分析是计算具有最大概率值的y，使得y尽可能的接近Y；设输入变量x和输出变量的联合概率密度函数为f(x,y)，已知x的观测样本值为X，则y相对于X的回归，即在输入变量为X的条件下，Y的预测输出

记为E(y/X)：

应用Parzen非参数估计，可由样本数据集

估算密度函数

式中，X_i,Y_i为输入变量x和输出变量y的样本观测值；n为样本容量；p为输入变量x的维数；σ′为高斯函数的宽度系数，又叫做光滑因子；

步骤6.2：用

代替f(X,y)代入式

并交换积分与求和顺序得：

当z为积分变量时，由于

因此，对两个积分进行计算后可得网络的输出

为：

估计值

为所有样本观测值Y_i的加权平均，每个观测值Y_i的权重因子为相应的样本X_i与X之间的欧式距离平方的指数；当X为影响弯辊力的输入变量的样本观测值矩阵，Y为弯辊力的样本观测值矩阵时，求得的

即为弯辊力的预测值矩阵。

6.根据权利要求5所述的一种轧制过程弯辊力预测方法，其特征在于：所述步骤8，评价基于广义回归神经网络弯辊力数据驱动预测模型的整体性能的具体方法是：采用决定系数R²，平均绝对误差MAE，平均绝对百分误差MAPE，均方根误差RMSE评价基于广义回归神经网络弯辊力数据驱动预测模型的整体性能。

Images