基于EEMD-LSTM的冷连轧机振动预测研究

摘要

针对冷连轧机振动具有非线性、非平稳,以及与当前和历史状态息息相关的特点,提出了基于集合经验模态分解(EEMD)-长短时记忆循环神经网络(LSTM)的轧机振动预测模型。采用EEMD方法将轧机振动加速度分解为若干个频率单一、相对平稳的IMF模态分量和残差分量,有效地降低了振动加速度信号的复杂性;采用具有记忆单元的LSTM网络建立轧机振动预测模型,并通过引入历史振动信息显著提高了轧机振动的预测精度。仿真结果表明,EEMD-LSTM模型较LSTM模型的预测精度提高了11%,对轧机振动有很好的预测效果,并分析了各工艺参数与轧机振动之间的定量关系,为快速抑制轧机振动、优化轧制规程提供了参考。