冷連軋軋制力深度神經網絡模型泛化能力并行優化

吳 爽，閆 奕，李 爽，李 峰

（1.南陽職業學院計算機與信息工程學院，河南南陽 474550；2.南陽職業學院，機械與汽車工程學院，河南南陽 474550；3.河南理工大學機械與動力工程學院，河南焦作 450000）

1 引言

冷連軋處理時構建的軋制力模型是冷連軋系統實現軋制控制功能的基礎，對于保證軋制控制精度以及減少生產成本存在積極作用，并對軋制狀態具有顯著影響［1?3］。目前，針對冷連軋生產過程構建的軋制力模型主要包括Siemens、Stone 與Hill 等類型，以上模型通常都是根據冷軋帶鋼塑性變形機制進行解析的結果［4?6］。進行建模與求解的時候需要設置多種假設條件，實際得到的模型結構也較簡單，并且隨著連續軋制時間的增加，各項工藝參數也會逐漸改變，受以上不確定因素的影響會引起傳統軋制力模型精度發生下降的現象，從而引起誤差的增加，在實際生產階段造成波動變化的板形厚度，并且需要經過更長時間完成自適應過程，不能同時適應高效率、多品種與高精度的軋制要求［7?10］。

相關方面的研究吸引了很多研究學者。文獻［11］在半監督深度網絡基礎上構建了軋制力預測模型，通過測試發現該模型可以獲得3%以內的預測精度，由此達到準確預測軋制力的功能。文獻［12］則利用極限學習機（ELM）方法建立了軋制力仿真模型，之后利用從現場采集獲得的數據完成上述網絡的訓練，可以達到不超過10%的軋制力預報誤差，并使鋼板頭部區域的厚度命中率增大了近2%。文獻［13］通過激活函數構建神經網絡模型并完成了平整機軋制力預測功能，采用上述模型可以使預測誤差達到10%以內，可以滿足各輸入參數下進行平整機軋制力預測的要求。……