一種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法
【專利摘要】本發(fā)明涉及一種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法，基本步驟如下：1)利用數(shù)據(jù)處理軟件對帶鋼數(shù)據(jù)信號進行分析，選出對帶鋼出口厚度影響較大的4個參數(shù)，即軋制力，輥縫，軋制速度，電機電流，在帶鋼出口厚度的預(yù)測中作為輸入變量輸入到極限學習機中；2)用粒子群算法對極限學習機中的參數(shù)輸入權(quán)值和隱含層偏置值進行選擇優(yōu)化，運用廣義逆的方法分析決定輸出權(quán)值，得到極限學習機中具有最小范數(shù)值的輸出權(quán)值矩陣，以此得到最優(yōu)的極限學習機參數(shù)；3)對上述所得最優(yōu)的極限學習機進行模型構(gòu)造；4)將步驟1)中的4個參數(shù)輸入優(yōu)化的極限學習機中對帶鋼出口厚度進行預(yù)測。運用本方法能夠針對軋制生產(chǎn)過程進行分析，對軋件出口厚度進行預(yù)測，進而分析有關(guān)影響帶鋼質(zhì)量的工藝參數(shù)并對軋制生產(chǎn)流程做出及時調(diào)整控制。
【專利說明】—種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種用于預(yù)測帶鋼出口厚度的方法，尤其是一種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法。

【背景技術(shù)】
[0002]帶鋼厚度在軋制過程中占據(jù)著重要的地位，出口厚度的精度已經(jīng)成為衡量帶鋼成品質(zhì)量的重要指標，并且受到了國內(nèi)外冶金工業(yè)的廣泛關(guān)注。但是在實際的軋制過程中，帶鋼出口厚度有眾多的影響因素，并且每個因素根據(jù)張力控制方法對帶鋼厚度產(chǎn)生不同的影響。目前，對帶鋼厚度控制預(yù)測普遍采用自動厚度控制(AGC)方法，但是這種方法的控制精度完全取決于控制模型的精度，所以使得厚度的精度預(yù)測受到了限制。近年來，神經(jīng)網(wǎng)絡(luò)被普遍應(yīng)用于軋鋼的預(yù)測中，但是由于其存在收斂速度慢，容易陷入局部最優(yōu)和泛化性能低等缺點，使得神經(jīng)網(wǎng)絡(luò)在預(yù)測方面受到了限制。
[0003]為了避免上述問題，極限學習機作為一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，并以其快速的學習速度，較好的泛化性能和較少的調(diào)節(jié)參數(shù)得到了廣泛應(yīng)用。但是由于其輸入權(quán)值和隱含層偏置值是隨機選取的，所以導致極限學習機比傳統(tǒng)的基于梯度的學習算法需要更多的隱含層節(jié)點，并且也容易導致系統(tǒng)的病態(tài)，為了解決這種問題許多國內(nèi)外的學者對極限學習機進行了進一步的研究。


【發(fā)明內(nèi)容】

[0004]針對極限學習機的輸入權(quán)值和隱含層偏置值的隨機選取會對輸出權(quán)值的計算產(chǎn)生影響，并且使極限學習機比傳統(tǒng)的基于參數(shù)調(diào)整的學習算法需要更多的隱含層節(jié)點，引起系統(tǒng)的病態(tài)導致泛化性能降低，本發(fā)明采用粒子群優(yōu)化極限學習機，并應(yīng)用于帶鋼出口厚度的預(yù)測中，提出了一種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法(PS0-ELMPA)，以此來降低預(yù)測誤差，提高預(yù)測精度和魯棒性。
[0005]本發(fā)明是通過下述技術(shù)方案實現(xiàn)的:
[0006]一種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法，其特征在于，步驟如下:
[0007]I)分析采集的帶鋼數(shù)據(jù)信號:采集對帶鋼出口厚度有影響的軋制力，軋制速度，電機電流，入口和出口溫度，輥縫，前饋調(diào)節(jié)量，壓力調(diào)節(jié)量各參數(shù)信號，運用數(shù)據(jù)處理軟件對上述各參數(shù)信號進行分析，并將分析后的數(shù)據(jù)導入到excel表中，等待篩選；將帶鋼的出口厚度和與上述各參數(shù)的走勢用圖形表示，分析各參數(shù)與帶鋼出口厚度的正負相關(guān)性，與帶鋼出口厚度具有較大負相關(guān)的軋制力，軋制速度，電機電流，以及具有較大正相關(guān)的輥縫這4個參數(shù)被選中，在帶鋼出口厚度的預(yù)測中作為輸入變量輸入到極限學習機中；
[0008]2)采用粒子群算法對極限學習機中的參數(shù)輸入權(quán)值和隱含層偏置值進行優(yōu)化，運用廣義逆的方法分析決定輸出權(quán)值，得到極限學習機中具有最小范數(shù)值的輸出權(quán)值矩陣，得到最優(yōu)的極限學習機參數(shù)；
[0009]3)根據(jù)步驟2)中優(yōu)化得到的極限學習機建立模型:首先建立三層的改進極限學習機的網(wǎng)絡(luò)模型，其輸入層有4個節(jié)點表示輸入?yún)?shù)，輸出層有一個節(jié)點表示對帶鋼出口厚度的預(yù)測結(jié)果，隱含層節(jié)點數(shù)是20個，向極限學習機輸入經(jīng)由步驟2)計算得到的其各層節(jié)點之間的最優(yōu)權(quán)值；
[0010]4)將步驟I)選定的4個參數(shù)輸入改進的極限學習機中，完成對帶鋼的出口厚度的預(yù)測。
[0011]所述的步驟2)采用粒子群算法對極限學習機中的參數(shù)進行優(yōu)化的過程如下:
[0012](I)初始化粒子群算法:設(shè)定種群大小為50,最大迭代次數(shù)Maxiter為300,最大慣性權(quán)值ω_和最小慣性權(quán)值Comin分別設(shè)定為1.2和0.4，兩個學習因子C1和C2設(shè)定為2，限定粒子的最大速度Vmin和最小速度Vmax分別設(shè)定為-1和1，最大位置Xmax和最小位置Xmax分別設(shè)置為-1和I;
[0013](2)隨機初始化粒子群:采用粒子群算法對極限學習機中的參數(shù)進行優(yōu)化，所以粒子群中的每個粒子Pi都由一系列極限學習機的輸入權(quán)值和偏置值h構(gòu)成，粒子可表不為 Pi — [ ω 11，ω 12)...) ω 1Η) ω 21，ω 22，...，ω 2Η，...，ω dl> ω d2，...，ω dH> b2,...bH]，并且粒子中所有元素用處于[-1，I]范圍內(nèi)的數(shù)值隨機初始化；其中COj= (COjl,...，COjd) T是連接輸入層和第j個隱含層的輸入權(quán)值向量，bj是第j個隱含層神經(jīng)元的偏置值；
[0014](3)對適應(yīng)值函數(shù)進行選擇:一般情況下普遍運用均方根誤差(RMSE)作為適應(yīng)值函數(shù)，在迭代過程中使得均方根誤差盡可能最小化，其計算公式如公式(I)所示:

【權(quán)利要求】
1.一種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法，其特征在于，步驟如下: 1)分析采集的帶鋼數(shù)據(jù)信號:采集對帶鋼出口厚度有影響的軋制力，軋制速度，電機電流，入口和出口溫度，輥縫，前饋調(diào)節(jié)量，壓力調(diào)節(jié)量各參數(shù)信號，運用數(shù)據(jù)處理軟件對上述各參數(shù)信號進行分析，并將分析后的數(shù)據(jù)導入到excel表中，等待篩選；將帶鋼的出口厚度和與上述各參數(shù)的走勢用圖形表示，分析各參數(shù)與帶鋼出口厚度的正負相關(guān)性，與帶鋼出口厚度具有較大負相關(guān)的軋制力，軋制速度，電機電流，以及具有較大正相關(guān)的輥縫這4個參數(shù)被選中，在帶鋼出口厚度的預(yù)測中作為輸入變量輸入到極限學習機中； 2)采用粒子群算法對極限學習機中的參數(shù)輸入權(quán)值和隱含層偏置值進行優(yōu)化，運用廣義逆的方法分析決定輸出權(quán)值，得到極限學習機中具有最小范數(shù)值的輸出權(quán)值矩陣，得到最優(yōu)的極限學習機參數(shù)； 3)根據(jù)步驟2)中優(yōu)化得到的極限學習機建立模型:首先建立三層的改進極限學習機的網(wǎng)絡(luò)模型，其輸入層有4個節(jié)點表示輸入?yún)?shù)，輸出層有一個節(jié)點表示對帶鋼出口厚度的預(yù)測結(jié)果，隱含層節(jié)點數(shù)是20個，向極限學習機輸入經(jīng)由步驟2)計算得到的其各層節(jié)點之間的最優(yōu)權(quán)值； 4)將步驟I)選定的4個參數(shù)輸入改進的極限學習機中，完成對帶鋼的出口厚度的預(yù)測。
2.根據(jù)權(quán)利要求1所述的一種基于粒子群優(yōu)化極限學習機的帶鋼出口厚度預(yù)測方法，其特征在于，所述的步驟2)采用粒子群算法對極限學習機中的參數(shù)進行優(yōu)化的過程如下: (1)初始化粒子群算法:設(shè)定種群大小為50，最大迭代次數(shù)Maxiter為300，最大慣性權(quán)值ω_和最小慣性權(quán)值Comin分別設(shè)定為1.2和0.4，兩個學習因子C1和C2設(shè)定為2，限定粒子的最大速度Vmin和最小速度Vmax分別設(shè)定為-1和I，最大位置Xmax和最小位置Xmax分別設(shè)置為-1和I ; (2)隨機初始化粒子群:采用粒子群算法對極限學習機中的參數(shù)進行優(yōu)化，所以粒子群中的每個粒子Pi都由一系列極限學習機的輸入權(quán)值和偏置值h構(gòu)成，粒子可表示為Pi — [ w η, w 12，...，ω 1H) w 21，ω 22，...，ω 2Η，...，w dl，ω d2，...，w 冊，b” b2,...bH]，并且半兄子中所有元素用處于[_1，1]范圍內(nèi)的數(shù)值隨機初始化；其中(Qjl,..., G^d)T是連接輸入層和第j個隱含層的輸入權(quán)值向量，bj是第j個隱含層神經(jīng)元的偏置值； (3)對適應(yīng)值函數(shù)進行選擇:一般情況下普遍運用均方根誤差(RMSE)作為適應(yīng)值函數(shù)，在迭代過程中使得均方根誤差盡可能最小化，其計算公式如公式(I)所示:
其中~是校驗樣本數(shù)，Ig(COi^fbi)為隱含層計算公式，h為每個樣本期望輸出值。 在極限學習機中，隱含層輸出矩陣H的2范式條件數(shù)計算如公式(2)所示:
其中_(ΗτΗ)和Xmin(HtH)分別是矩陣HtH的最大和最小特征值；所述的2范式條件數(shù)K 2(H)越接近1，就越容易得到全局最小值； 選取均方根誤差(RMSE)和隱含層輸出矩陣H的2范式條件數(shù)(COND)作為粒子群算法的適應(yīng)值函數(shù)；其中隱含層輸出矩陣H的條件數(shù)由訓練樣本得出，均方根誤差在校驗樣本集上得到；適應(yīng)值函數(shù)計算如公式(2)所示:
(4)初始化迭代次數(shù)t= I ; (5)計算所有粒子的個體極值Pib和群體極值Pg;每個粒子根據(jù)預(yù)設(shè)的適應(yīng)值函數(shù)計算各自的適應(yīng)值，并和當前的個體極值和群體極值進行比較，在Pib和Pg的選擇中，具有較小均方根誤差和2范式條件數(shù)的粒子被選中，其計算公式為(4)和(5)；
其中RMSEl%t別是第i個粒子的均方根誤差，第i個粒子最優(yōu)的均方根誤差，所有粒子中最優(yōu)的均方根誤差。COM^aMDy別是第i個粒子的隱含層輸出矩陣H的2范式條件數(shù)，第i個粒子最優(yōu)的隱含層輸出矩陣H的2范式條件數(shù)，所有粒子中最優(yōu)的隱含層輸出矩陣H的2范式條件數(shù)；(6)根據(jù)如下速度和位置更新公式對每個粒子的速度和位置向量進行更新當位置向量進行更新時，組成粒子的所有元素都要限制在區(qū)間[_1，1]內(nèi)。其更新公式為公式(6)和(7)；
Vi (t+Ι) = ω Vi (t) +C^1 [Pib-Xi (t) ] +C2T2 [Pg-Xi (t) ] (6) Xi (t+1) = XiU^Vi (t)(7) 其中t為當前迭代次數(shù)，ω是慣性權(quán)值，C1和C2是兩個非負的學習因子，分別代表了粒子的自身學習能力和社會學習能力，ι和1*2是0到I區(qū)間的隨機數(shù)，速度被限制在由最大速度和最小速度所組成的區(qū)間[VnltoVnlax]內(nèi)； (7)更新粒子群的慣性權(quán)值ω:利用一種自適應(yīng)慣性權(quán)值，參數(shù)ω根據(jù)以下公式隨著迭代次數(shù)的增加線性減小，其公式為(8)；
其中ω_是最大慣性權(quán)值，是最小慣性權(quán)值，T和t分別是迭代的總次數(shù)和當前的迭代次數(shù)； (8)迭代次數(shù)t+Ι，直到達到最大迭代次數(shù)Maxiter;最終得到最優(yōu)的極限學習機輸入權(quán)值和隱含層偏置值存在于群體極值Pg中，并通過廣義逆計算得到輸出權(quán)值，得到最優(yōu)的極限學習機，其計算公式為(9):β = --?⑶其中，β =βΗ)τ為極限學習機連接隱含層與輸出層的輸出權(quán)值，T =(t1;tN)T為極限學習機的輸出值，//+為隱含層輸出矩陣的廣義逆計算。
【文檔編號】G06Q10/04GK104200268SQ201410447364
【公開日】2014年12月10日 申請日期:2014年9月3日 優(yōu)先權(quán)日:2014年9月3日
【發(fā)明者】張利, 劉萌萌, 夏天, 孫麗杰, 趙中洲 申請人:遼寧大學