本發(fā)明屬于回歸技術(shù)領(lǐng)域的質(zhì)量預(yù)報(bào)技術(shù)，具體涉及一種基于改進(jìn)elm算法的毛管質(zhì)量預(yù)報(bào)方法。

背景技術(shù)：

穿孔作為無(wú)縫鋼管生產(chǎn)的第一道工序，對(duì)鋼管的質(zhì)量有著十分重要的影響；穿孔過程產(chǎn)生的質(zhì)量問題在后續(xù)過程中不但得不到緩解，而且會(huì)使鋼管產(chǎn)生更嚴(yán)重的質(zhì)量問題；所以，建立利用采集的穿孔過程數(shù)據(jù)建立毛管質(zhì)量預(yù)報(bào)模型對(duì)軋鋼工藝有著很重要的指導(dǎo)意義；常見的預(yù)測(cè)方法主要是基于時(shí)間序列法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(svm)等；時(shí)間序列方法預(yù)報(bào)的結(jié)果不穩(wěn)定，其模型參數(shù)難以確定；神經(jīng)網(wǎng)絡(luò)收斂速度慢，已陷入局部最優(yōu)等缺陷；卡爾曼濾波法的狀態(tài)方程的建立需要對(duì)機(jī)理知識(shí)有一定的理解，對(duì)一般的建模者來(lái)說是一個(gè)挑戰(zhàn)；支持向量機(jī)的預(yù)報(bào)結(jié)果雖然精度能達(dá)到要求，但是耗時(shí)長(zhǎng)。

elm算法2006年由huangg.b.第一次提出，是在單隱含層神經(jīng)網(wǎng)絡(luò)(slfns)基礎(chǔ)上的延伸。與slfns不同的是，其隱含層節(jié)點(diǎn)數(shù)、隱含層參數(shù)與訓(xùn)練數(shù)據(jù)無(wú)關(guān)，大大加快了elm的訓(xùn)練速度，且泛化能力較優(yōu)良。elm算法隨機(jī)生成隱含層參數(shù)，避免了梯度下降法調(diào)整參數(shù)，大大加快了運(yùn)行速度；不會(huì)產(chǎn)生過擬合，避免陷入局部最優(yōu)；理論證明elm算法具有訓(xùn)練誤差越小，權(quán)重范數(shù)越小的性質(zhì)，根據(jù)巴特利特理論知極限學(xué)習(xí)算法具有很好的泛化能力。對(duì)elm算法的研究和應(yīng)用掀起了熱潮，增量式極限學(xué)習(xí)機(jī)、誤差最小極限學(xué)習(xí)機(jī)、l1/2正則化方法修剪極限學(xué)習(xí)機(jī)、op-elm等實(shí)現(xiàn)對(duì)elm算法的不斷改進(jìn)和發(fā)展，elm算法成功的應(yīng)用到分類、回歸、模式識(shí)別等領(lǐng)域；

通過查閱文獻(xiàn)對(duì)比知道，elm算法學(xué)習(xí)速度、泛化能力和可擴(kuò)展性方面均有優(yōu)勢(shì)；但是，當(dāng)樣本數(shù)據(jù)存在噪聲干擾時(shí)，elm模型的預(yù)報(bào)結(jié)果不穩(wěn)定。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中毛管質(zhì)量預(yù)報(bào)方法在樣本數(shù)據(jù)存在噪聲干擾elm模型的預(yù)報(bào)結(jié)果不穩(wěn)定等不足，本發(fā)明提出一種基于改進(jìn)elm算法的毛管質(zhì)量預(yù)報(bào)方法，以達(dá)到提高毛管預(yù)測(cè)準(zhǔn)確性的目的。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：

一種基于改進(jìn)elm算法的毛管質(zhì)量預(yù)報(bào)方法，包括以下步驟：

步驟1、采集毛管穿孔過程的多組歷史現(xiàn)場(chǎng)數(shù)據(jù)，構(gòu)建訓(xùn)練集；

步驟2、根據(jù)所采集的現(xiàn)場(chǎng)數(shù)據(jù)，確定集成elm網(wǎng)絡(luò)的輸入層、輸出層和隱含層；

步驟3、結(jié)合多個(gè)常用激勵(lì)函數(shù)，通過設(shè)置權(quán)重的方式，確定集成elm網(wǎng)絡(luò)的激勵(lì)函數(shù)；

步驟4、采用遺傳算法對(duì)集成elm網(wǎng)絡(luò)的激勵(lì)函數(shù)中每個(gè)權(quán)值進(jìn)行優(yōu)化，獲得最優(yōu)激勵(lì)函數(shù)；

步驟5、采用訓(xùn)練集對(duì)集成elm網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成集成elm網(wǎng)絡(luò)的構(gòu)建，具體如下：

步驟5-1、利用交叉檢驗(yàn)的方法確定集成elm網(wǎng)絡(luò)的子網(wǎng)絡(luò)個(gè)數(shù)；

步驟5-2、對(duì)訓(xùn)練集中所有組數(shù)據(jù)進(jìn)行訓(xùn)練，每組數(shù)據(jù)分別在每個(gè)子網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，完成集成elm網(wǎng)絡(luò)搭建；

步驟6、將實(shí)際生產(chǎn)中的數(shù)據(jù)輸入至集成elm網(wǎng)絡(luò)的每個(gè)子網(wǎng)絡(luò)中，獲得每個(gè)子網(wǎng)絡(luò)的輸出結(jié)果，進(jìn)而獲得集成elm網(wǎng)絡(luò)的輸出預(yù)報(bào)結(jié)果，即獲得毛管質(zhì)量的預(yù)報(bào)結(jié)果。

步驟1所述的現(xiàn)場(chǎng)數(shù)據(jù)，包括：上輥轉(zhuǎn)速實(shí)際值、下輥轉(zhuǎn)速實(shí)際值、上輥電流、下輥電流、上輥磁場(chǎng)、下輥磁場(chǎng)、上輥電機(jī)感應(yīng)電動(dòng)勢(shì)、下輥電機(jī)感應(yīng)電動(dòng)勢(shì)、止推小車的實(shí)際位置、上輥壓下實(shí)際值、下輥壓上實(shí)際值、上輥傾角實(shí)際值、下輥傾角實(shí)際值、右導(dǎo)盤位置實(shí)際值、左導(dǎo)盤位置實(shí)際值、推鋼機(jī)位置、上輥轉(zhuǎn)速實(shí)際值、下輥轉(zhuǎn)速實(shí)際值、上輥入口側(cè)溫度、上輥出口側(cè)溫度、下輥入口側(cè)溫度、下輥出口側(cè)溫度、右導(dǎo)盤電流和左導(dǎo)盤電流和縱向壁厚。

步驟2所述的根據(jù)所采集的現(xiàn)場(chǎng)數(shù)據(jù)，確定集成elm網(wǎng)絡(luò)的輸入層、輸出層和隱含層；具體為：將所采集的前24個(gè)數(shù)據(jù)作為集成elm網(wǎng)絡(luò)的輸入，將縱向壁厚作為集成elm網(wǎng)絡(luò)輸出，采用交叉檢驗(yàn)的方法確定隱含層的個(gè)數(shù)。

步驟3所述的結(jié)合多個(gè)常用激勵(lì)函數(shù)，通過設(shè)置權(quán)重的方式，確定集成elm網(wǎng)絡(luò)的激勵(lì)函數(shù)；具體公式如下：

激勵(lì)函數(shù)具體公式如下：

g(x)＝λ1·log(x)+λ2·hardlim(x)+λ3·satlin(x)(1)

其中，g(x)表示激勵(lì)函數(shù)，λ1表示log(x)函數(shù)的權(quán)值，λ2表示hardlim(x)函數(shù)的權(quán)值,λ3表示satlin(x)函數(shù)的權(quán)值，0≤λi≤1，i＝1,2,3。

步驟4所述的采用遺傳算法對(duì)集成elm網(wǎng)絡(luò)的激勵(lì)函數(shù)中每個(gè)權(quán)值進(jìn)行優(yōu)化，獲得最優(yōu)激勵(lì)函數(shù)；

步驟4-1、確定目標(biāo)函數(shù)；

目標(biāo)函數(shù)如下：

其中，f為目標(biāo)函數(shù)，yi為采集的質(zhì)量指標(biāo)，為預(yù)報(bào)的質(zhì)量指標(biāo)，m為訓(xùn)練集中數(shù)據(jù)的組數(shù)；

步驟4-2、確定待優(yōu)化參數(shù)為激勵(lì)函數(shù)中權(quán)重值；

步驟4-3、確定染色體的個(gè)數(shù)為變量個(gè)數(shù)；

步驟4-4、根據(jù)目標(biāo)函數(shù)確定適應(yīng)度函數(shù)；

步驟4-5、確定遺傳算法的參數(shù)，包括：種群大小，迭代次數(shù)，染色體個(gè)數(shù)；

步驟4-6、運(yùn)行遺傳算法，求取最優(yōu)權(quán)值。

本發(fā)明優(yōu)點(diǎn)：

本發(fā)明提出一種基于改進(jìn)elm算法的毛管質(zhì)量預(yù)報(bào)方法，主要以改進(jìn)elm算法為核心，建立毛管穿孔過程質(zhì)量預(yù)報(bào)模型，為提高elm預(yù)報(bào)模型的魯棒性及精度，進(jìn)一步利用集成學(xué)習(xí)的elm模型算法搭建預(yù)報(bào)模型；主要利用取平均值、隨機(jī)優(yōu)化取均值、ga優(yōu)化權(quán)值的方法建立集成的elm算法；通過比較發(fā)現(xiàn)，單個(gè)elm模型的預(yù)報(bào)效果遠(yuǎn)沒有集成網(wǎng)絡(luò)的效果準(zhǔn)確；即集成的elm預(yù)報(bào)模型繼承了elm模型的快速的性能和集成方法的魯棒性，使得預(yù)報(bào)更加可靠準(zhǔn)確；對(duì)于集成網(wǎng)絡(luò)，相對(duì)于均值集成，選擇后優(yōu)化的效果很好，優(yōu)化權(quán)值產(chǎn)生新的激勵(lì)函數(shù)的預(yù)報(bào)效果更佳，能更準(zhǔn)確的預(yù)報(bào)毛管的質(zhì)量。

附圖說明

圖1為本發(fā)明基于改進(jìn)elm算法的毛管質(zhì)量預(yù)報(bào)方法流程圖；

圖2為本發(fā)明中毛管質(zhì)量的集成elm預(yù)報(bào)模型示意圖；

圖3(a)為本發(fā)明中多個(gè)elm網(wǎng)絡(luò)集成測(cè)試結(jié)果示意圖；

圖3(b)為多個(gè)elm網(wǎng)絡(luò)集成測(cè)試誤差示意圖；

圖4(a)為本發(fā)明中選擇集成的elm網(wǎng)絡(luò)集成測(cè)試結(jié)果示意圖；

圖4(b)為選擇集成的elm網(wǎng)絡(luò)集成測(cè)試結(jié)果示意圖；

圖5(a)為本發(fā)明中基于優(yōu)化激活函數(shù)的穿孔過程集成elm網(wǎng)絡(luò)的預(yù)報(bào)結(jié)果示意圖

圖5(b)為集成的elm網(wǎng)絡(luò)預(yù)報(bào)誤差示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明一種實(shí)施例做進(jìn)一步說明。

本發(fā)明實(shí)施例中，基于改進(jìn)elm算法的毛管質(zhì)量預(yù)報(bào)方法，方法流程圖如圖1所示，包括以下步驟：

步驟1、采集毛管穿孔過程的40組歷史現(xiàn)場(chǎng)數(shù)據(jù)，構(gòu)建訓(xùn)練集；

本發(fā)明實(shí)施例中，采用寶鋼鋼管分公司sww斜軋穿孔機(jī)的實(shí)際測(cè)量歷史數(shù)據(jù)為樣本，共40組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，所述的現(xiàn)場(chǎng)數(shù)據(jù)，包括：上輥轉(zhuǎn)速實(shí)際值、下輥轉(zhuǎn)速實(shí)際值、上輥電流、下輥電流、上輥磁場(chǎng)、下輥磁場(chǎng)、上輥電機(jī)感應(yīng)電動(dòng)勢(shì)、下輥電機(jī)感應(yīng)電動(dòng)勢(shì)、止推小車的實(shí)際位置、上輥壓下實(shí)際值、下輥壓上實(shí)際值、上輥傾角實(shí)際值、下輥傾角實(shí)際值、右導(dǎo)盤位置實(shí)際值、左導(dǎo)盤位置實(shí)際值、推鋼機(jī)位置、上輥轉(zhuǎn)速實(shí)際值、下輥轉(zhuǎn)速實(shí)際值、上輥入口側(cè)溫度、上輥出口側(cè)溫度、下輥入口側(cè)溫度、下輥出口側(cè)溫度、右導(dǎo)盤電流和左導(dǎo)盤電流和縱向壁厚；

步驟2、根據(jù)所采集的現(xiàn)場(chǎng)數(shù)據(jù)，確定集成elm網(wǎng)絡(luò)的輸入層、輸出層和隱含層；

本發(fā)明實(shí)施例中，如圖2所示，將所采集的前24個(gè)數(shù)據(jù)作為集成elm網(wǎng)絡(luò)的輸入，將縱向壁厚作為集成elm網(wǎng)絡(luò)輸出，采用交叉檢驗(yàn)的方法確定隱含層的個(gè)數(shù)，具體如下：

步驟2-1、初始化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：輸入變量24，輸出變量為1，采用交叉檢驗(yàn)的方法確定隱含層為35個(gè)；確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為24-35-1的連接方式，即輸入層神經(jīng)元為24個(gè)，在網(wǎng)絡(luò)開始訓(xùn)練的時(shí)刻，隱含層的神經(jīng)元為35個(gè)，輸出層神經(jīng)元1個(gè)；

步驟2-2、對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值；

本發(fā)明實(shí)施例中，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值，其值為0到1的隨機(jī)數(shù)；

步驟3-3、定義誤差函數(shù)為：

其中，m為訓(xùn)練集中數(shù)據(jù)的組數(shù)，和yi分別表示i時(shí)刻神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和期望輸出；訓(xùn)練動(dòng)態(tài)前饋神經(jīng)網(wǎng)絡(luò)的目的就是使得式(3)定義的誤差函數(shù)達(dá)到期望值。

附圖2中，x為elm網(wǎng)絡(luò)的輸入、wi為集成的m個(gè)elm網(wǎng)絡(luò)每一個(gè)網(wǎng)絡(luò)所占有的權(quán)重。

步驟3、結(jié)合多個(gè)常用激勵(lì)函數(shù)，通過設(shè)置權(quán)重的方式，確定集成elm網(wǎng)絡(luò)的激勵(lì)函數(shù)；具體公式如下：

激勵(lì)函數(shù)具體公式如下：

g(x)＝λ1·log(x)+λ2·hardlim(x)+λ3·satlin(x)(1)

其中，g(x)表示激勵(lì)函數(shù)，λ1表示log(x)函數(shù)的權(quán)值，λ2表示hardlim(x)函數(shù)的權(quán)值,λ3表示satlin(x)函數(shù)的權(quán)值，0≤λi≤1，i＝1,2,3。

步驟4、采用遺傳算法對(duì)集成elm網(wǎng)絡(luò)的激勵(lì)函數(shù)中每個(gè)權(quán)值進(jìn)行優(yōu)化，獲得最優(yōu)激勵(lì)函數(shù)；

步驟4-1、確定目標(biāo)函數(shù)；

目標(biāo)函數(shù)如下：

其中，f為目標(biāo)函數(shù)，yi為采集的質(zhì)量指標(biāo)，為預(yù)報(bào)的質(zhì)量指標(biāo)，m為訓(xùn)練集中數(shù)據(jù)的組數(shù)；

步驟4-2、確定待優(yōu)化參數(shù)為激勵(lì)函數(shù)中權(quán)重值，選擇編碼類型為十進(jìn)制；

步驟4-3、確定染色體的個(gè)數(shù)為變量個(gè)數(shù)，本發(fā)明實(shí)施例中，取值為3；

步驟4-4、根據(jù)目標(biāo)函數(shù)確定適應(yīng)度函數(shù)，本發(fā)明實(shí)施例中，適應(yīng)度函數(shù)為fitness＝-f；

步驟4-5、確定遺傳算法的參數(shù)，包括：種群大小30，迭代100次，染色體為3；

步驟4-6、運(yùn)行遺傳算法，求取最優(yōu)權(quán)值；

步驟5、采用訓(xùn)練集對(duì)集成elm網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成集成elm網(wǎng)絡(luò)的構(gòu)建，具體如下：

步驟5-1、利用交叉檢驗(yàn)的方法確定集成elm網(wǎng)絡(luò)的子網(wǎng)絡(luò)個(gè)數(shù)，本發(fā)明實(shí)施例中，子網(wǎng)絡(luò)個(gè)數(shù)為11；

步驟5-2、對(duì)訓(xùn)練集中40組數(shù)據(jù)進(jìn)行訓(xùn)練，每組數(shù)據(jù)分別在每個(gè)子網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，完成集成elm網(wǎng)絡(luò)搭建；

步驟6、將實(shí)際生產(chǎn)中的數(shù)據(jù)輸入至集成elm網(wǎng)絡(luò)的每個(gè)子網(wǎng)絡(luò)中，獲得每個(gè)子網(wǎng)絡(luò)的輸出結(jié)果，進(jìn)而獲得集成elm網(wǎng)絡(luò)的輸出預(yù)報(bào)結(jié)果，即獲得毛管質(zhì)量的預(yù)報(bào)結(jié)果；

11個(gè)elm子網(wǎng)絡(luò)的輸出f1，f2，...f11,則集成的結(jié)果為：

最終，將作為這組數(shù)據(jù)最終的預(yù)報(bào)結(jié)果。

本發(fā)明實(shí)施例中，圖3(a)～3(b)、圖4(a)～4(b)、圖5(a)～5(b)所示，其測(cè)試誤差分別為0.0115，0.0078，0.0036，由數(shù)據(jù)分析知：對(duì)于集成網(wǎng)絡(luò)，相對(duì)于均值集成，選擇后優(yōu)化的效果很好，優(yōu)化權(quán)值產(chǎn)生新的激勵(lì)函數(shù)的預(yù)報(bào)效果更佳，能更準(zhǔn)確的預(yù)報(bào)毛管的質(zhì)量。