基于KPLS与SVM的热连轧板凸度预测

热连轧作为典型的流程工业过程,具有多变量、强耦合、过程非线性的特点,轧制机理非常复杂。针对传统方法难以获得准确的数学模型从而导致板形质量预测精度较低的问题,采用基于数据驱动的核偏最小二乘 (KPLS) 方法以有效处理工艺参数和质量指标之间的非线性关系,以此为基础,建立了基于KPLS结合支持向量机(SVM)的板凸度预测模型,并采用粒子群优化算法 (PSO) 优化支持向量机参数,进一步提高热连轧板凸度预测精度。预测结果表明,96.86%的板凸度预测值绝对误差小于5.5 μm,整体具有较高的预测精度,对实现板形质量精确控制、提高热轧产品质量具有重要意义。     

碱煮过程浸出率预测与优化研究

针对钨碱煮过程WO_3浸出率预测困难的问题,建立了动态机理模型与最小二乘支持向量机(LSSVM)相结合的并联混合模型,在该混合模型的基础上,构建了碱煮过程优化模型,将动态浸出问题转化为带约束的优化问题,并以粒子群优化(PSO)算法对优化模型进行求解。仿真结果表明,混合模型预测精度高,优化模型效果好,提高了WO_3浸出率,降低了浸出成本。     

基于改进SVM的淘洗机选矿质量在线预测研究

由于现场选矿过程环境复杂,传统选矿质量检测方法的滞后容易导致结果反馈不及时,使得淘洗机选矿品位不稳定.本文采用一种基于改进粒子群算法和SVM相结合(IPSO-SVM)的在线预测模型来预测并调控选矿质量.由于粒子群优化算法容易陷入局部最优解和出现过早收敛,通过多方面手段改进粒子群算法,利用基准函数对改进的粒子群算法进行验...     

基于DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。     

基于PSO优化LS-SVM的钨离子交换穿漏时间预测研究

针对钨离子交换穿漏时间频繁检测、检测滞后、相对误差大、工人劳动强度大的问题,基于神经网络学习预测的思想和结合钨冶炼厂实际生产情况,以交前液的pH值、波美度、电导率、流速为输入量,以穿漏时间为输出量,建立最小二乘法支持向量机(LS-SVM)穿漏时间预测模型,并用粒子群算法(PSO)选取核参数γ和误差惩罚参数c。仿真分析表明该模型能够很好地对离子交换穿漏时间进行预测,预测精度高,最大绝对误差为8 min,最大相对误差为1.538 5%,符合钨离子交换工艺要求,可取代人工检测,降低工人劳动强度,减少钨资源浪费,有利于实现整个离子交换过程的自动控制。     

基于组合算法的轧钢厂电耗预测

由于目前全国限电,钢铁厂耗电量高、电耗预测精度不高的问题亟待解决。将预处理后的热轧厂每天电耗作为预测模型的输入量,建立了最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型,并对LSSVM预测模型进行核函数选择仿真分析。采用一种智能寻优灰狼算法(grey wolf optimization, GWO)进行寻优仿真分析,以平均绝对误差为目标函数值,优化LSSVM惩罚参数和核函数参数,从而建立了GWO-LSSVM的电耗预测模型。以山钢日照热轧厂为例,采用所建立预测模型对日耗电量进行仿真分析,试验结果表明,GWO-LSSVM预测模型能达到较好的曲线拟合预测效果,预测精度较高,平均绝对误差(mean absolute error, MAE)为0.838。     

基于最小二乘支持向量机的混合煤气加压过程在线预测

针对混合煤气加压过程具有非线性、多变量耦合、大滞后及不确定参数众多等复杂特性,提出了一种基于最小二乘支持向量机(least squares support vector machine, LSSVM)模型的混合煤气加压过程在线预测方法。首先,基于某钢厂混合煤气加压工艺分析,选择以混合后煤气压力、风机出口总管压力以及工作机组电流为混合煤气加压过程的预测目标;然后,将局部多项式核函数与全局拉普拉斯核函数相结合,实现了一种兼顾学习能力和泛化能力的混合核函数,并将自适应时刻估计(adaptive moment estimation, Adam)算法用于基于LSSVM预测模型的参数在线优化;最后,基于现场实测数据对预测效果进行验证,结果表明,本文所设计方法可有效提高混合煤气加压过程预测模型的预测精度。     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法(KPCA)、改进粒子群算法(IPSO)与最小二乘支持向量机(LSSVM)相结合的充填管道磨损风险预测新方法.通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPS...     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

基于支持向量机的连铸板坯表面温度预测

提出了一种最小二乘支持向量机的连铸板坯表面温度预测新模型.以中间罐温度、拉速、二冷水量等主要工艺因素为输入,连铸坯表面温度为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以现场采集的连铸生产工艺数据为样本对模型进行学习训练,用训练好的模型预测在一定工艺条件下板坯的表面温度.实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

基于最小二乘支持向量机和人工鱼群算法的预应力锚杆布置间距优化

为了以有限的实验数据确定预应力锚杆布置的合理间距,结合山东省境内的104国道界河立交桥加筋土挡土墙的失稳加固工程实例,首先通过最小二乘支持向量机拟合优化对象与优化目标之间的复杂函数关系建立模型,然后采用现场实验数据样本进行模型训练,最后采用人工鱼群算法对模型进行优化,获得合理的布置间距,并通过加固效果监测验证了参数的合理性.结果表明,该法具有建模容易、收敛快和计算精度高等特点,说明该模型是合理可行的.     

基于LS-SVM的粘结NdFeB永磁体磁性能预测

基于粘结NdFeB永磁体制备工艺优化实验,建立了一个最小二乘支持向量机(LS- SVM)算法模型用于工艺参数的优化.以粘结剂含量、固化温度、固化时间以及单位压制力大小四个工艺参数为影响因数,以剩余磁感应强度Br、矫顽力Hcj;和最大磁能积(BH)m为影响对象,通过最小二乘支持向量机算法模型建立起影响因素与影响对象之间的复杂的非线形关系.针对多影响对象,提出了一种γ和σ选择算法;以均匀设计试验结果为样本进行训练,用训练好的模型进行预测.结果表明,LS - SVM模型的实验结果与预测结果吻合良好,二者相对误差很小,对比ANN模型预测结果,LS - SVM模型具有更高的精度和运算速度,具有很好的实用性.     

一种基于AFSA的SVM分类方法

应用一种全局搜索方法即人工鱼群算法(artificial fish swarm algorithm,AFSA)来优化支持向量基(support vector machines,SVM)的参数,并应用于图像分类.基于分类,初始化惩罚系数C和核函数参数δ2的范围;利用AFSA来优化SVM的参数,并得到合适的值;最后,把参数优化后的SVM应用于分类.实验结果表明,与C-SVC和交叉验证法相比,其分类结果优于其它两种方法,因此AFSA-SVM方法有更好的准确性和鲁棒性.     

Simulation and Prediction of Alkalinity in Sintering Process Based on Grey Least Squares Support Vector Machine

The prediction of the alkalinity is difficult during the sintering process. Whether or not the level of the alkalinity of sintering process is successful is directly related to the quality of sinter. There is no very good method for predicting the alkalinity by now owing to the high complexity, high nonlinearity, strong coupling, high time delay, and etc. Therefore, a new technique, the grey squares support machine, was introduced. The grey support vector machine model of the alkalinity enabled the development of new equation and algorithm to predict the alkalinity. During modelling, the fluctuation of data sequence was weakened by the grey theory and the support vector machine was capable of processing nonlinear adaptable information, and the grey support vector machine has a combination of those advantages. The results revealed that the alkalinity of sinter could be accurately predicted using this model by reference to small sample and information. The experimental results showed that the grey support vector machine model was effective and practical owing to the advantages of high precision, less samples required, and simple calculation.     

贝叶斯框架下的LS-SVM在热连轧机轧制力预报中的应用

利用贝叶斯置信框架推断最小二乘支持向量机模型参数并建立贝叶斯最小二乘支持向量机非线性预测模型.在推断第1层确定模型最优参数,第2层确定正则化参数,第3层确定核参数.将该模型用于某1800热连轧轧制力的预测,在预测精度和速度上都取得了较好的效果.