深度信念网络算法下的热连轧板凸度预测模型

摘要

针对规格切换和停轧换辊等非稳态轧制过程中板凸度预测的复杂问题,提出了一种深度学习的板凸度预测方法.设计了深度信念网络(DBN)算法下的预测模型方案和建模流程,并选择出适合的模型评价分析指标.通过对比实验寻找深度信念网络的最佳网络结构参数,确定了DBN模型结构的隐含层层数为5层、隐含层节点数为20个时预测性能达到最佳.与BP模型相比,DBN模型的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低0.18μm,0.5%和0.21μm,为2.29μm,4.98%和3.07μm,预测数据与实测值的绝对误差小于5μm的比例达到93.1%,预测性能更优.