基于深度学习的轧钢性能预测研究

发布时间：2024-04-20 17:47

　　近年来,我国钢铁工业发展迅速,钢铁产量规模位居世界前列。因为钢铁被广泛应用于社会的各个领域,例如桥梁、高楼、船舶、机械、铁路以及航空等,因此,钢材的质量会直接影响到民生领域和社会公共安全。钢材的力学性能主要体现在钢材的抗拉强度上。近年来,深度学习发展迅速,凭借其强大的自动特征提取能力,可以对大量数据进行快速分析,具有强大的数据拟合能力,因此在数据特征提取及预测方面得到了广泛的应用,取得了良好的效果。为了提高钢材抗拉强度的预测精度,本文将深度卷积网络(CNN)与长短期记忆网络(LSTM)相结合,采用进化算法优化网络参数,将所建模型应用于热轧钢的性能预测。论文主要内容如下:(1)分析了关于轧钢性能预测的研究现状,介绍了轧钢工艺的流程和相关的成分元素。针对轧钢数据的波动性大、信噪比低、分布不均等特点,采用最小最大标准化和异常点检测等方法对样本数据进行预处理。(2)介绍了卷积神经网络的相关理论和基础知识,并将卷积神经网络应用于本文的热轧钢数据的特征提取。该模型凭借其局部感受野机制,通过组合低层特征,形成更加抽象的高层表示,发现数据的分布式特征表示,不仅可以减少从轧钢数据中提取特征的难度,而且可...

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

图2.1轧钢工艺流程图

轧钢工艺流程图如图2.1:2.1.2力学性能影响因素分析

图3.1卷积神经网络结构图

卷积神经网络与一般的深度神经网络的结构不同,它的构成部分主要有卷积层和池化层。一个基本的卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成。在卷积网络中,卷积层后面一般会跟随一个池化层,交叠出现,最后再与全连接层相连。卷积网络卷积层的神经元只连接到部分神经元,而不是所有神....

图3.2卷积操作示意图

卷积层是卷积核对上一输入层通过滑动卷积窗口计算而得,卷积核中的参数相当于传统神经网络中的神经元连接权重,与对应的局部数据相连接,将卷积核的各个权值参数与对应的图像矩阵相乘再加上一个偏置,得到卷积层的特征选取结果。和传统神经网络层间全连接不同,卷积神经网络层与层部分连接,层中的每一....

图3.3亚采样操作示意图

在进行亚采样时,因为我们只取了最大值或平均值来代表窗口,即使窗口的少数值发生变化对网络的影响也是很小的,因此亚采样过程增强了模型的泛化能力。此外,亚采样层也起到了降维的作用,加速了网络的训练。3.1.3局部连接和权值共享

本文编号：3959757