《控制理论与基于svm进行轧制力预测的冷连轧机轧制规程优化》由会员分享，可在线阅读，更多相关《控制理论与基于svm进行轧制力预测的冷连轧机轧制规程优化（26页珍藏版）》请在金锄头文库上搜索。
1、控制理论与控制工程专业优秀论文控制理论与控制工程专业优秀论文 基于基于 SVMSVM 进行轧制力预测的冷进行轧制力预测的冷连轧机轧制规程优化连轧机轧制规程优化关键词：自动化系统关键词：自动化系统 轧制规程轧制规程 数学模型数学模型 冷连轧机冷连轧机摘要：轧制规程设定计算是冷连轧生产线过程自动化系统的首要任务，其设定 值对产品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模 型计算轧制力，采用查表方法设定压下规程，这在一定程度上可以达到生产目 标。但随着人们对冷轧带钢质量要求的日益提高，传统方法已经无法满足一些 轧制规格要求较精细的场合，于是人们开始寻求更为精确的途径来预测轧制力，
2、进而优化冷连轧机的轧制规程。 本文深入研究了基于支持向量机(Support Vector Machine，SVM)进行轧制力预测的冷连轧机轧制规程的优化问题，受到 软测量领域应用的新理论 SVM 的启发，鉴于神经网络方法在轧钢领域的应用， 提出了利用 SVM 模型预测方法对冷连轧过程中机架的轧制力进行预测。为了实 现在线预测，采用了序列输入方式的在线 SVM 回归算法(OnlineTraining of Support Vector Regression，OSVR)，并借鉴文献中利用相关性分析法确定冷 轧轧制力影响因素的研究成果，建立了五个输入、一个输出的 SVM 预测模型。 通过利用大量现场
3、数据的仿真与比较分析我们发现，基于 OSVR 算法建立的轧制 力预测模型对于冷连轧过程中机架的轧制力有较好的预测效果，是未来轧钢技 术应用领域中值得一试的轧制力在线预测方法。 根据实际需要提出了以轧制 能耗最小为目标函数，以轧制力、轧制速度和机架出口厚度限制为约束条件的 压下规程优化方法，并采用单目标不等式优化的内部惩罚函数法进行求解。 将基于 SVM 的轧制力预测模型与压下规程的优化相结合来设计轧制规程的整体 优化流程。仿真过程中应用了大量的现场数据，通过与原来轧制规程的比较分 析发现，优化后的轧制规程具有较好的轧制力预测效果，预测方差仅为原来的 7.5，同时，在节能方面的效果也十分明显，约
4、节省轧制能耗 12.5。正文内容正文内容轧制规程设定计算是冷连轧生产线过程自动化系统的首要任务，其设定值 对产品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模型 计算轧制力，采用查表方法设定压下规程，这在一定程度上可以达到生产目标。 但随着人们对冷轧带钢质量要求的日益提高，传统方法已经无法满足一些轧制 规格要求较精细的场合，于是人们开始寻求更为精确的途径来预测轧制力，进 而优化冷连轧机的轧制规程。 本文深入研究了基于支持向量机(Support Vector Machine，SVM)进行轧制力预测的冷连轧机轧制规程的优化问题，受到 软测量领域应用的新理论 SVM 的启发，鉴于神经网
5、络方法在轧钢领域的应用， 提出了利用 SVM 模型预测方法对冷连轧过程中机架的轧制力进行预测。为了实 现在线预测，采用了序列输入方式的在线 SVM 回归算法(OnlineTraining of Support Vector Regression，OSVR)，并借鉴文献中利用相关性分析法确定冷 轧轧制力影响因素的研究成果，建立了五个输入、一个输出的 SVM 预测模型。 通过利用大量现场数据的仿真与比较分析我们发现，基于 OSVR 算法建立的轧制 力预测模型对于冷连轧过程中机架的轧制力有较好的预测效果，是未来轧钢技 术应用领域中值得一试的轧制力在线预测方法。 根据实际需要提出了以轧制 能耗最小为目
6、标函数，以轧制力、轧制速度和机架出口厚度限制为约束条件的 压下规程优化方法，并采用单目标不等式优化的内部惩罚函数法进行求解。 将基于 SVM 的轧制力预测模型与压下规程的优化相结合来设计轧制规程的整体 优化流程。仿真过程中应用了大量的现场数据，通过与原来轧制规程的比较分 析发现，优化后的轧制规程具有较好的轧制力预测效果，预测方差仅为原来的 7.5，同时，在节能方面的效果也十分明显，约节省轧制能耗 12.5。 轧制规程设定计算是冷连轧生产线过程自动化系统的首要任务，其设定值对产 品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模型计算 轧制力，采用查表方法设定压下规程，这在一定程度上
7、可以达到生产目标。但 随着人们对冷轧带钢质量要求的日益提高，传统方法已经无法满足一些轧制规 格要求较精细的场合，于是人们开始寻求更为精确的途径来预测轧制力，进而 优化冷连轧机的轧制规程。 本文深入研究了基于支持向量机(Support Vector Machine，SVM)进行轧制力预测的冷连轧机轧制规程的优化问题，受到 软测量领域应用的新理论 SVM 的启发，鉴于神经网络方法在轧钢领域的应用， 提出了利用 SVM 模型预测方法对冷连轧过程中机架的轧制力进行预测。为了实 现在线预测，采用了序列输入方式的在线 SVM 回归算法(OnlineTraining of Support Vector Re
8、gression，OSVR)，并借鉴文献中利用相关性分析法确定冷 轧轧制力影响因素的研究成果，建立了五个输入、一个输出的 SVM 预测模型。 通过利用大量现场数据的仿真与比较分析我们发现，基于 OSVR 算法建立的轧制 力预测模型对于冷连轧过程中机架的轧制力有较好的预测效果，是未来轧钢技 术应用领域中值得一试的轧制力在线预测方法。 根据实际需要提出了以轧制 能耗最小为目标函数，以轧制力、轧制速度和机架出口厚度限制为约束条件的 压下规程优化方法，并采用单目标不等式优化的内部惩罚函数法进行求解。 将基于 SVM 的轧制力预测模型与压下规程的优化相结合来设计轧制规程的整体 优化流程。仿真过程中应用了
9、大量的现场数据，通过与原来轧制规程的比较分 析发现，优化后的轧制规程具有较好的轧制力预测效果，预测方差仅为原来的 7.5，同时，在节能方面的效果也十分明显，约节省轧制能耗 12.5。轧制规程设定计算是冷连轧生产线过程自动化系统的首要任务，其设定值对产 品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模型计算 轧制力，采用查表方法设定压下规程，这在一定程度上可以达到生产目标。但 随着人们对冷轧带钢质量要求的日益提高，传统方法已经无法满足一些轧制规 格要求较精细的场合，于是人们开始寻求更为精确的途径来预测轧制力，进而 优化冷连轧机的轧制规程。 本文深入研究了基于支持向量机(Suppor
10、t Vector Machine，SVM)进行轧制力预测的冷连轧机轧制规程的优化问题，受到 软测量领域应用的新理论 SVM 的启发，鉴于神经网络方法在轧钢领域的应用， 提出了利用 SVM 模型预测方法对冷连轧过程中机架的轧制力进行预测。为了实 现在线预测，采用了序列输入方式的在线 SVM 回归算法(OnlineTraining of Support Vector Regression，OSVR)，并借鉴文献中利用相关性分析法确定冷 轧轧制力影响因素的研究成果，建立了五个输入、一个输出的 SVM 预测模型。 通过利用大量现场数据的仿真与比较分析我们发现，基于 OSVR 算法建立的轧制 力预测模型
11、对于冷连轧过程中机架的轧制力有较好的预测效果，是未来轧钢技 术应用领域中值得一试的轧制力在线预测方法。 根据实际需要提出了以轧制 能耗最小为目标函数，以轧制力、轧制速度和机架出口厚度限制为约束条件的 压下规程优化方法，并采用单目标不等式优化的内部惩罚函数法进行求解。 将基于 SVM 的轧制力预测模型与压下规程的优化相结合来设计轧制规程的整体 优化流程。仿真过程中应用了大量的现场数据，通过与原来轧制规程的比较分 析发现，优化后的轧制规程具有较好的轧制力预测效果，预测方差仅为原来的 7.5，同时，在节能方面的效果也十分明显，约节省轧制能耗 12.5。 轧制规程设定计算是冷连轧生产线过程自动化系统的
12、首要任务，其设定值对产 品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模型计算 轧制力，采用查表方法设定压下规程，这在一定程度上可以达到生产目标。但 随着人们对冷轧带钢质量要求的日益提高，传统方法已经无法满足一些轧制规 格要求较精细的场合，于是人们开始寻求更为精确的途径来预测轧制力，进而 优化冷连轧机的轧制规程。 本文深入研究了基于支持向量机(Support Vector Machine，SVM)进行轧制力预测的冷连轧机轧制规程的优化问题，受到 软测量领域应用的新理论 SVM 的启发，鉴于神经网络方法在轧钢领域的应用， 提出了利用 SVM 模型预测方法对冷连轧过程中机架的轧制力进
13、行预测。为了实 现在线预测，采用了序列输入方式的在线 SVM 回归算法(OnlineTraining of Support Vector Regression，OSVR)，并借鉴文献中利用相关性分析法确定冷 轧轧制力影响因素的研究成果，建立了五个输入、一个输出的 SVM 预测模型。 通过利用大量现场数据的仿真与比较分析我们发现，基于 OSVR 算法建立的轧制 力预测模型对于冷连轧过程中机架的轧制力有较好的预测效果，是未来轧钢技 术应用领域中值得一试的轧制力在线预测方法。 根据实际需要提出了以轧制 能耗最小为目标函数，以轧制力、轧制速度和机架出口厚度限制为约束条件的 压下规程优化方法，并采用单目
14、标不等式优化的内部惩罚函数法进行求解。 将基于 SVM 的轧制力预测模型与压下规程的优化相结合来设计轧制规程的整体 优化流程。仿真过程中应用了大量的现场数据，通过与原来轧制规程的比较分 析发现，优化后的轧制规程具有较好的轧制力预测效果，预测方差仅为原来的 7.5，同时，在节能方面的效果也十分明显，约节省轧制能耗 12.5。 轧制规程设定计算是冷连轧生产线过程自动化系统的首要任务，其设定值对产 品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模型计算轧制力，采用查表方法设定压下规程，这在一定程度上可以达到生产目标。但 随着人们对冷轧带钢质量要求的日益提高，传统方法已经无法满足一些轧制
15、规 格要求较精细的场合，于是人们开始寻求更为精确的途径来预测轧制力，进而 优化冷连轧机的轧制规程。 本文深入研究了基于支持向量机(Support Vector Machine，SVM)进行轧制力预测的冷连轧机轧制规程的优化问题，受到 软测量领域应用的新理论 SVM 的启发，鉴于神经网络方法在轧钢领域的应用， 提出了利用 SVM 模型预测方法对冷连轧过程中机架的轧制力进行预测。为了实 现在线预测，采用了序列输入方式的在线 SVM 回归算法(OnlineTraining of Support Vector Regression，OSVR)，并借鉴文献中利用相关性分析法确定冷 轧轧制力影响因素的研究
16、成果，建立了五个输入、一个输出的 SVM 预测模型。 通过利用大量现场数据的仿真与比较分析我们发现，基于 OSVR 算法建立的轧制 力预测模型对于冷连轧过程中机架的轧制力有较好的预测效果，是未来轧钢技 术应用领域中值得一试的轧制力在线预测方法。 根据实际需要提出了以轧制 能耗最小为目标函数，以轧制力、轧制速度和机架出口厚度限制为约束条件的 压下规程优化方法，并采用单目标不等式优化的内部惩罚函数法进行求解。 将基于 SVM 的轧制力预测模型与压下规程的优化相结合来设计轧制规程的整体 优化流程。仿真过程中应用了大量的现场数据，通过与原来轧制规程的比较分 析发现，优化后的轧制规程具有较好的轧制力预测效果，预测方差仅为原来的 7.5，同时，在节能方面的效果也十分明显，约节省轧制能耗 12.5。 轧制规程设定计算是冷连轧生产线过程自动化系统的首要任务，其设定值对产 品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模型计算 轧制力，采用查表方法
