基于卷积神经网络的热轧薄板力学性能建模

摘要

目的为了提高热轧薄板力学性能的预测精度,采用大数据与卷积神经网络相结合的方式建立高精度的预测模型。方法建模前,对工业大数据进行预处理,包括去除异常值、聚类、均衡数据以及归一化,以得到高质量的数据集。同时,采用贡献权重法对输入参数进行筛选,去除弱相关的变量以降低模型的复杂程度。在此基础上,采用LeNet-5结构建立卷积神经网络并优化模型的超参数。结果最终建立了热轧薄板力学性能预测模型,该模型对屈服强度的预测误差基本保持在−7%~8.5%,对抗拉强度的预测误差基本保持在−5%~6%,表现出较高的预测精度。结论将卷积神经网络模型与传统的BP神经网络模型进行了预测对比,发现卷积神经网络能够利用其局部连接的优势给出更高的预测精度。