极限学习机算法及其在热镀锌生产过程建模中的应用研究

摘要

随着信息技术的快速发展，智能建模方法在现代工业过程检测与系统控制中的重要性日益明显。作为解决难以通过硬件进行在线检测问题的有效手段，基于数据的建模方法已经成为目前过程控制领域的研究热点之一，受到了国内外学者和生产企业的广泛关注。本文对极限学习机的相关理论进行探讨，并以实际工业过程为背景，结合带钢连续热镀锌生产线工艺特性，对基于极限学习机的智能建模方法及其在实际工况下的应用进行了深入研究。本文主要研究成果如下: (1)提出基于混合混沌优化搜索的极限学习机算法。将基于列维飞行的粒子群算法的全局搜索能力与混沌优化算法局部搜索能力相融合，构建混合混沌优化搜索算法，并根据情感认知交互决策方法进行搜索模式切换。采用混合混沌优化搜索方法对增量型极限学习机进行参数辨识，搜索最优的隐含层节点参数，控制隐含层节点数量，有效地提高了增量型极限学习机的学习效率。 (2)提出基于多层学习克隆选择的增量型极限学习机算法。采用Baldwinian和Lamarckian Learning构建多层学习克隆选择策略，扩大克隆选择算法中抗体信息的搜索空间，加强高亲和度抗体种群的繁衍能力，为克隆选择提供最优适应度值的抗体参数。利用多层学习克隆选择算法对增量型极限学习机中的隐含层神经元参数进行最优选择，更新网络输出较小的神经元，降低了网络结构的复杂程度，使增量型极限学习机的训练速度能够接近固定型极限学习机，为提高工业过程建模方法的实时性提供一种新的手段。 (3)提出基于正交凸优化极限学习机算法。针对增量型极限学习机的输出权值可能不是Hβ=T最优解的问题，采用Gram-Schmidt正交化方法使增量型极限学习机能够与固定型极限学习机一样，通过计算获得广义线性系统的最小二乘解。基于上述结论建立正交凸优化极限学习机，并对算法的可靠性和收敛性进行了理论证明。实验对比结果表明，所提出算法具有较高的测试精度和较强的泛化能力，可以作为解决复杂工况下建模问题的一种有效方法。 (4)建立了基于深度极限学习机结构的热镀锌厚度预测模型。针对现有生产中的锌层测厚仪无法及时检测镀层厚度，导致连续热镀锌工艺环节存在滞后检测和滞后控制现象发生的问题，在分析影响镀层厚度因素和镀锌设备相关参数的基础上，将增量型极限学习自动编码器添加至于每个隐含层中，结合深度学习概念构成具有多层非线性映射的深层结构算法，提取影响镀层厚度变量的主要信息，有效地提高了模型对热镀锌镀层厚度的预测能力，并且采用分级式厚度预测方法，为气刀控制系统提供准确的镀层厚度预测值，保证了镀层厚度的准确性和调节过程的快速性。 (5)建立了基于深度极限学习机自动编码器的退火炉内带钢延伸量预测模型。针对工艺过程中存在的由于焊缝检测滞后所造成的镀锌板材消耗过度、气刀安全性无法保证等问题，结合镀锌过程带钢延伸量机理变化规律，构建基于深度自动编码器极限学习机的混合建模方法。采用深度结构的极限学习机算法，通过逐层训练机制获取输入数据中起主导地位的变量，克服了传统训练机制因残差过小而导致梯度扩散现象的问题，有效地提高了焊缝位置的预测能力。将带钢延伸量预测模型应用到带钢焊缝位置跟踪系统中，取得了较为理想的跟踪效果，保证了生产线关键设备的平稳运行。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2带钢连续热镀锌工艺过程概述

1．2．1带钢连续热镀锌工艺过程及设备

1．2．2带钢连续热镀锌镀层厚度测量装置

1．3研究现状和存在的问题

1．3．1连续热镀锌镀层厚度模型研究

1．3．2连续热镀锌焊缝位置检测方法

1．3．3基于数据驱动的混合建模方法

1．4论文的研究内容及结构

2．1引言

2．2极限学习机的理论基础

2．3极限学习机的基本类型

2．3．1固定型极限学习机

2．3．2在线型序贯极限学习机

2．3．3增量型极限学习机

2．4极限学习机的特点与研究现状

2．5本章小结

第3章基于混合混沌优化搜索的极限学习机算法

3．1引言

3．2混合混沌优化搜索算法

3．2．1混沌优化算法

3．2．2基于列维飞行的粒子群算法

3．2．3情感交互决策方法

3．2．4混合混沌优化搜索算法

3．3基于混合混沌优化搜索的极限学习机算法

3．3．1核增量极限学习机算法

3．3．2基于混合混沌优化搜索的极限学习机算法

3．4算法实验结果与分析

3．5本章小结

第4章基于多层学习克隆选择的极限学习机算法

4．1引言

4．2基于多层学习的克隆选择优化算法

4．2．1克隆选择原理和克隆选择算法

4．2．2鲍德温学习算法和拉克马学习算法

4．2．3多层学习克隆选择优化算法

4．2．4 MLCSA算法性能测试

4．3基于多层学习克隆选择的增量型极限学习机算法

4．3．1基于多层学习克隆选择的增量型极限学习机算法

4．3．2 MLCSI-ELMK算法收敛性证明

4．4算法性能测试与分析

4．5本章小结

第5章基于正交凸优化的极限学习机算法

5．1引言

5．2基于凸优化的增量型极限学习机

5．3基于Gram-Schmidt正交化过程的极限学习机算法

5．3．1正交凸优化增量型极限学习机算法

5．3．2 OCI-ELM算法的最优解证明

5．3．3 OCI-ELM算法的收敛性证明

5．4算法性能测试与分析

5．5本章小结

第6章基于深度结构极限学习机算法的热镀锌镀层厚度模型

6．1引言

6．2带钢连续热镀锌镀层厚度研究

6．2．1带钢连续热镀锌镀层厚度问题分析

6．2．2带钢连续热镀锌镀层厚度机理模型

6．3基于深层结构的极限学习机算法

6．3．1深度学习概念

6．3．2基于深层结构的多层学习克隆选择极限学习机算法

6．3．3算法性能测试与分析

6．4基于D-ELM-AEs/MLCSA的镀层厚度预测模型及应用

6．4．1实际生产数据的分析与处理

6．4．2基于D-ELM-AEs/MLCSA的镀层厚度预测结果与分析

6．4．3基于D-ELM-AEs/MLCSA的预测模型在镀层厚度控制中的应用

6．5本章小结

第7章基于极限学习机的带钢焊缝位置检测

7．1引言

7．2带钢连续热镀锌焊缝位置检测方法研究

7．2．1带钢连续退火炉内延伸量问题分析

7．2．2退火炉内带钢延伸量机理模型

7．3基于深度结构的正交凸优化极限学习机自动编码器

7．3．1基于深度结构的正交凸优化极限学习机自动编码器

7．3．2算法性能测试与分析

7．4基于DOC-IELM-AEs的退火炉内带钢延伸量预测模型

7．4．1实际生产数据的分析与处理

7．4．2基于DOC-IELM-AEs的带钢延伸量预测结果与分析

7．5退火炉内带钢焊缝跟踪系统的开发与应用

7．5．1总体方案

7．5．2系统建模设计

7．5．3退火炉内带钢焊缝跟踪系统的实现

7．6本章小结

第8章结论与展望

参考文献

致谢

攻读博士学位期间的研究成果

作者简介