畢業(yè)論文-基于深度神經(jīng)網(wǎng)絡(luò)的熱軋合金鋼性能預(yù)報(bào)算法研究

1、 MACROBUTTON AcceptAllChangesInDoc 基于深度神經(jīng)網(wǎng)絡(luò)的熱軋合金鋼性能預(yù)報(bào)算法研究摘 要：近年來(lái)，熱軋產(chǎn)品在建筑、船舶、汽車、電子等工業(yè)領(lǐng)域得到廣泛應(yīng)用，這些關(guān)鍵領(lǐng)域都密切涉及到民生和公共安全，因此要求熱軋產(chǎn)品必須具有良好的產(chǎn)品質(zhì)量。用戶對(duì)鋼材品質(zhì)要求越來(lái)越嚴(yán)格，尤其是熱軋產(chǎn)品的力學(xué)性能，因此鋼材的力學(xué)性能預(yù)報(bào)具有重要的意義。傳統(tǒng)的產(chǎn)品性能檢測(cè)會(huì)抽取少量樣品來(lái)測(cè)量樣品鋼的力學(xué)性能，但這種方法需要花費(fèi)大量的時(shí)間和人力?，F(xiàn)有鋼鐵性能預(yù)測(cè)方法主要采用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，但是隨著鋼鐵熱軋數(shù)據(jù)的爆炸式增長(zhǎng)，這種模型已經(jīng)不能滿足用戶越來(lái)越高的精度預(yù)測(cè)需求。本文提出了一種新

2、的基于深度學(xué)習(xí)的鋼鐵性能預(yù)測(cè)方法，并利用Dropout和Batch Normalization等技術(shù)優(yōu)化模型，提高預(yù)測(cè)精度。我們采集了兩個(gè)熱軋廠5萬(wàn)多條真實(shí)生產(chǎn)數(shù)據(jù)，對(duì)網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練和測(cè)試，并和傳統(tǒng)的ANN模型和SVM模型進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，本文提出的深度神經(jīng)網(wǎng)絡(luò)方法精度更高，可以準(zhǔn)確預(yù)測(cè)熱軋產(chǎn)品的力學(xué)性能。關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò)；力學(xué)性能預(yù)測(cè)；支持向量機(jī)中圖分類號(hào)： MACROBUTTON AcceptAllChangesShown 單擊此處鍵入中圖分類號(hào) 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：DOI：10.11999/JEITResearch on Performance Prediction

3、of Hot Rolled Products Based on Deep LearningAbstract: In recent years, hot-rolled products have been widely used in the construction, shipbuilding, automotive, and electronics industries. These key areas are closely related to peoples livelihood and public safety. Therefore, hot-rolled products mus

4、t have good product quality. Users have increasingly stringent requirements on the quality of steel products, especially the mechanical properties. Therefore, the prediction of the mechanical properties of steel is of great significance. Traditional hot-rolled product quality inspection usually extr

5、acted a small sample to measure the mechanical properties of the sample steel, however, this method requires a great deal of time and manpower. Existing methods for prediction of steel properties mainly use artificial neural network prediction model. With the explosive growth of steel hot-rolled dat

6、a, this model can no longer satisfy users increasingly higher precision prediction needs. In this paper, a new method of predicting steel performance based on deep learning is proposed, and the prediction accuracy is improved by using Dropout and Batch Normalization techniques. We have collected mor

7、e than 50 thousand real production data from two hot rolling mills, trained and tested the network model, and compared them with the traditional ANN model and SVM model. The experimental results show that the deep neural network method proposed in this paper has higher precision and can accurately p

8、redict the mechanical properties of hot-rolled products. Key words: Deep neural network; Mechanical properties prediction; Support Vector Machines.收稿日期：-; 改回日期：-; 網(wǎng)絡(luò)出版：-通信作者：張凱 基金項(xiàng)目：國(guó)家自然科學(xué)基金 (61472293)，湖北省教育廳研究項(xiàng)目(2016238)Foundation Items: The National Natural Science Foundation of China (Grant No. 6

9、1472293), Research Project of Hubei Provincial Department of Education (Grant No. 2016238).1引言近年來(lái)，熱軋鋼材已廣泛應(yīng)用于建筑，橋梁，管道，汽車，船舶，鐵路，工程機(jī)械，壓力容器等許多行業(yè)和領(lǐng)域。這些關(guān)鍵領(lǐng)域都密切涉及到民生和公共安全，要求熱軋產(chǎn)品必須具有良好的產(chǎn)品質(zhì)量，特別是抗拉強(qiáng)度、屈服強(qiáng)度和延伸率等力學(xué)性能。傳統(tǒng)的熱軋產(chǎn)品質(zhì)量檢驗(yàn)會(huì)隨機(jī)抽取少量樣品，測(cè)量這些樣品鋼的力學(xué)性能，以估算產(chǎn)品的平均機(jī)械性能。然而，這種抽樣檢驗(yàn)的方式測(cè)量熱軋產(chǎn)品性能會(huì)花費(fèi)大量的時(shí)間和人力。實(shí)際上，鋼材的化學(xué)成分和熱軋工藝參

10、數(shù)是影響熱熱軋產(chǎn)品質(zhì)量的最直接因素。鋼材在冶煉和熱軋過(guò)程中，鋼鐵的內(nèi)部會(huì)發(fā)生一系列的物理冶金學(xué)過(guò)程，軋件的微觀組織會(huì)發(fā)生一系列復(fù)雜的變化，直接決定了鋼鐵本身的力學(xué)性能。因此，用化學(xué)成分和熱軋工藝參數(shù)預(yù)測(cè)其力學(xué)性能具有重要的理論意義和應(yīng)用價(jià)值。由于熱軋生產(chǎn)是一個(gè)高實(shí)時(shí)性的動(dòng)態(tài)工藝過(guò)程，受到各種隨機(jī)因素的干擾，同時(shí)也包含了海量的工藝參數(shù)。因此，Irvine提出的理論數(shù)學(xué)模型預(yù)測(cè)方法基于很多近似的假設(shè)，僅適用于理想環(huán)境和理論分析。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)的提出和發(fā)展，給熱軋產(chǎn)品性能預(yù)報(bào)提供了有效的技術(shù)工具，預(yù)測(cè)精度得到了極大的提高。然而，由于人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法的限制，對(duì)當(dāng)前海量的實(shí)時(shí)工業(yè)生產(chǎn)數(shù)據(jù)

11、，已經(jīng)無(wú)法有效的訓(xùn)練和學(xué)習(xí)，不能滿足用戶日益提高的精度預(yù)測(cè)需求。本文提出基于深度神經(jīng)網(wǎng)絡(luò)的熱軋產(chǎn)品性能預(yù)報(bào)模型，利用多層感知機(jī)實(shí)現(xiàn)了從鋼鐵成分和熱軋工藝到力學(xué)性能的預(yù)報(bào)模型。充分利用工業(yè)大數(shù)據(jù)，實(shí)現(xiàn)對(duì)深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和性能預(yù)報(bào)精度的提升。利用兩個(gè)熱軋廠的50000多條熱軋數(shù)據(jù)，以及Google的Tensorflow平臺(tái)實(shí)現(xiàn)了提出的算法和模型。本文首先通過(guò)對(duì)比實(shí)驗(yàn)，證明了深度前饋神經(jīng)網(wǎng)絡(luò)對(duì)比與淺層神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在鋼鐵性能預(yù)測(cè)上的可行性和優(yōu)越性，并獲得了較好的精度提升。本文在分析了模型的基礎(chǔ)上，結(jié)合實(shí)驗(yàn)中出現(xiàn)的過(guò)擬合等問(wèn)題，使用Dropout，Batch Normalization等各種技

12、術(shù)對(duì)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法的有效性和可靠性，可有效提高熱軋產(chǎn)品性能預(yù)測(cè)的精度。2熱軋工藝及性能預(yù)報(bào)鋼鐵的化學(xué)成分和熱處理工藝決定了熱軋產(chǎn)品的力學(xué)性能，為了滿足用戶對(duì)鋼的力學(xué)性能的需求，鋼鐵企業(yè)通過(guò)調(diào)整化學(xué)成分或改變熱處理工藝來(lái)達(dá)到用戶期望的力學(xué)性能。因此本文建立深度神經(jīng)網(wǎng)絡(luò)模型，通過(guò)大量的實(shí)測(cè)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)，實(shí)現(xiàn)鋼材的力學(xué)性能的準(zhǔn)確預(yù)測(cè)。2.1化學(xué)成分鋼鐵由鐵礦石經(jīng)過(guò)兩級(jí)氧化還原反應(yīng)精練而成，冶煉過(guò)程中需要添加碳、硅、錳、磷等化學(xué)元素來(lái)改善鋼的性能。我們?cè)趦蓚€(gè)不同的熱軋廠共收集5萬(wàn)多條數(shù)據(jù)，包含17種化學(xué)成分。產(chǎn)品種類和規(guī)格覆蓋Q235B、Q235C、Q235D、Q

13、345B、SPHC等數(shù)十項(xiàng)國(guó)家標(biāo)準(zhǔn)，其化學(xué)元素成分如表1所示。表1 熱軋合金鋼主要化學(xué)元素化學(xué)成分最大值(%)最小值(%)C (碳)0.00070.537Mn (錳)0.0881.953Si (硅)0.0010.459P (磷)0.0040.116S (硫)0.00050.025Nb (鈮)00.09Ti (鈦)0.00010.162Cr (鉻)0.0081.106Al (鋁)00.614Cu (銅)0.010.349Ni (鎳)0.0010.346Mo (鉬)00.344V (釩)0.0010.129N (氮)00.1905H (氫)00.0082B (硼)00.0031Als (酸溶鋁)0

14、0.6092.2熱軋生產(chǎn)工藝流程熱軋生產(chǎn)流程主要包括加熱、粗軋、精軋、層流冷卻和卷取等。在熱軋生產(chǎn)過(guò)程中，熱軋合金鋼的微觀結(jié)構(gòu)變化決定了鋼的力學(xué)性能。預(yù)熱過(guò)程中奧氏體晶粒的生長(zhǎng)是鋼鐵冶煉過(guò)程的第一步1。然后，鋼材經(jīng)過(guò)粗軋和精軋，通過(guò)動(dòng)態(tài)和靜態(tài)再結(jié)晶使奧氏體微細(xì)化2。最后，鋼板通過(guò)層流冷卻系統(tǒng)連續(xù)冷卻來(lái)精煉相變的鐵素體和珠光體晶粒，這些晶粒的大小和體積分?jǐn)?shù)決定了鋼的力學(xué)性能3。因此，加熱爐的溫度、粗軋、精軋和卷取溫度對(duì)鋼的力學(xué)性能有重要影響4。熱軋生產(chǎn)工藝過(guò)程如圖1所示。圖1 熱軋生產(chǎn)工藝流程2.3力學(xué)性能板帶力學(xué)性能是指在受力作用下顯示出彈性和非彈性相關(guān)的一系列的應(yīng)力應(yīng)變關(guān)系，其中重要的指標(biāo)主

15、要包括抗拉強(qiáng)度、屈服強(qiáng)度和延伸率等5。它們的大小表示鋼材對(duì)抗任意作用力的大小，是評(píng)定鋼材性能的重要依據(jù)。屈服點(diǎn)指材料開始塑性變形時(shí)的最大拉應(yīng)力點(diǎn)，一旦外力超過(guò)材料可以承受的屈服極限，材料將發(fā)生永久變形，并且是不可逆的6?？估瓘?qiáng)度指材料在斷裂和失效之前能承受的最大應(yīng)力，其值越大，代表鋼的性能越好7。伸長(zhǎng)率是指材料受外力作用斷裂時(shí)材料伸長(zhǎng)的長(zhǎng)度與原始尺寸的百分比，圖2顯示了三種力學(xué)性能之間的關(guān)系8。圖2 力學(xué)性能關(guān)系圖3基于深度神經(jīng)網(wǎng)絡(luò)的性能預(yù)報(bào)模型3.1深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型基于全連接的深度感知機(jī)時(shí)是深度神經(jīng)網(wǎng)絡(luò)的常用模型9，我們選取三種力學(xué)性能之一的抗拉強(qiáng)度作為研究對(duì)象。網(wǎng)絡(luò)輸入層有21個(gè)神經(jīng)元

16、，包括17個(gè)化學(xué)成分和4個(gè)熱處理參數(shù)，輸出層為抗拉強(qiáng)度，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。圖3 熱軋性能預(yù)報(bào)深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖網(wǎng)絡(luò)中每一層的神經(jīng)元由神經(jīng)網(wǎng)絡(luò)權(quán)值連接，數(shù)據(jù)通過(guò)隱層神經(jīng)元自底向上從輸入層傳到輸出層。隱層神經(jīng)元的激活函數(shù)選擇Relu函數(shù)10，與傳統(tǒng)的Sigmoid激活函數(shù)相比，Relu函數(shù)更簡(jiǎn)單，可以有效降低深度神經(jīng)網(wǎng)絡(luò)的梯度消失問(wèn)題，有效的提高模型精度并減少網(wǎng)絡(luò)的訓(xùn)練時(shí)間。其函數(shù)方程定義如下： (1)其中w是權(quán)重矩陣，x是輸入，b是偏置。3.2損失函數(shù)和網(wǎng)絡(luò)訓(xùn)練損失函數(shù)可以評(píng)價(jià)預(yù)測(cè)數(shù)據(jù)和真實(shí)數(shù)據(jù)之間的差異，本文采用均方差作為損失函數(shù)11。均方差越小，預(yù)測(cè)值就越接近真實(shí)值。均方差函數(shù)可以采用梯度

17、下降算法進(jìn)行網(wǎng)絡(luò)優(yōu)化，其計(jì)算公式如下： (2)其中是網(wǎng)絡(luò)計(jì)算的真實(shí)值，是原始數(shù)據(jù)的測(cè)量值。由于均方差函數(shù)具有非負(fù)和連續(xù)的特點(diǎn)，我們可以利用誤差反向傳播算法調(diào)整網(wǎng)絡(luò)權(quán)值，使得MSE最小化。為了加快損失函數(shù)的優(yōu)化，我們選擇了Adam(Adaptive moment estimation)算法代替?zhèn)鹘y(tǒng)的隨機(jī)梯度下降算法(SGD)，實(shí)現(xiàn)目標(biāo)函數(shù)的優(yōu)化和網(wǎng)絡(luò)權(quán)值的更新12。同時(shí)，為了保證算法的收斂，我們采用指數(shù)下降的方式調(diào)整學(xué)習(xí)率，其公式如下所示。 (3)其中，IniLR是初始的學(xué)習(xí)率，LR是每次迭代的實(shí)際學(xué)習(xí)率，DecayRate是學(xué)習(xí)率的下降率，GlobalStep用于衰減計(jì)算的全局步數(shù)，Decay

18、Step是衰減步數(shù)。3.3數(shù)據(jù)標(biāo)準(zhǔn)化處理數(shù)據(jù)標(biāo)準(zhǔn)化(歸一化)處理是深度學(xué)習(xí)模型訓(xùn)練之前必不可少的一項(xiàng)操作13，由于不同維度的數(shù)據(jù)單元不同，例如化學(xué)成分C取值0.0007，0.537，而加熱溫度1207，1310，如表2所示。為了有效減少網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的振蕩，我們對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理以提高預(yù)測(cè)的準(zhǔn)確性。樣本數(shù)據(jù)的化學(xué)成分、溫度和力學(xué)性能的數(shù)據(jù)范圍如表2所示。表2 樣本數(shù)據(jù)范圍類型相關(guān)項(xiàng)最小值最大值化學(xué)成分(%)C0.00070.537Mn0.0881.953Si0.0010.459P0.0040.105S0.00050.025Cu0.0130.349Al00.565Als00.565Ni0.0

19、010.346Cr0.0081.106Ti0.00010.162Mo00.344V0.0010.129Nb00.09N00.1824H00.0082B00.0031溫度()加熱溫度12071310粗軋溫度9901130精軋溫度778934卷取溫度301714力學(xué)性能(Mpa)抗拉強(qiáng)度111900本文中使用的標(biāo)準(zhǔn)化方法定義如下： (4)為序列樣本，為序列樣本最小值，為序列樣本最大值。是歸一化后的值，其范圍在0和1之間。3.4評(píng)價(jià)函數(shù)為了評(píng)估所提出的模型的有效性，我們使用均方誤差（MSE）和平均絕對(duì)誤差（MAE）14作為模型性能指標(biāo)，其定義如下： (5) (6)其中是網(wǎng)絡(luò)計(jì)算的真實(shí)值，是原始數(shù)據(jù)的

20、測(cè)量值。MSE對(duì)偏離較大的值給一個(gè)更大的懲罰值，可以評(píng)價(jià)數(shù)據(jù)的變化程度，MAE能更好地反映預(yù)測(cè)值誤差的實(shí)際情況。我們用兩個(gè)指標(biāo)對(duì)一個(gè)模型進(jìn)行綜合評(píng)價(jià)，當(dāng)MSE和MAE的值越小，說(shuō)明預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)具有更好的精度15。4仿真實(shí)驗(yàn)結(jié)果與分析4.1超參數(shù)選擇及調(diào)優(yōu)本文的算法模型基于Google的TensorFlow深度學(xué)習(xí)框架實(shí)現(xiàn)。為了確定網(wǎng)絡(luò)的最佳結(jié)構(gòu)，我們首先做了兩個(gè)實(shí)驗(yàn)。第一組實(shí)驗(yàn)確定了網(wǎng)絡(luò)的隱藏層層數(shù)，第二組實(shí)驗(yàn)確定了每層隱藏層的節(jié)點(diǎn)數(shù)。實(shí)驗(yàn)結(jié)果如表3所示： 表3 隱藏層層數(shù)選擇隱藏層層數(shù)MSEMAE20.08980.235430.08470.212540.08260.209450.07

21、420.190360.07880.198270.08100.201780.08630.2145我們首先將每層隱藏單元的數(shù)量設(shè)置為60，固定其他超參數(shù)，確定網(wǎng)絡(luò)的最優(yōu)層數(shù)。從表3可以看出，當(dāng)網(wǎng)絡(luò)隱層層數(shù)為5時(shí)，MSE和MAE最小。在第一組實(shí)驗(yàn)中，我們選擇了最佳隱藏層數(shù)。然后固定網(wǎng)絡(luò)層數(shù)，并從第一層開始依次調(diào)整網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)量。當(dāng)選擇第一個(gè)隱藏層中的節(jié)點(diǎn)數(shù)時(shí)，其它隱藏層中的節(jié)點(diǎn)數(shù)保持不變。然后我們以相同的方式依次選擇其他層中最佳的節(jié)點(diǎn)數(shù)。最終得到網(wǎng)絡(luò)的最佳結(jié)構(gòu)是50-50-50-30-20。4.2添加Batch Normalization 為了有效地減少梯度爆炸和梯度消失，我們?cè)诿總€(gè)隱藏層添加B

22、atch Normalization16，該算法能有效地提升網(wǎng)絡(luò)的收斂速度，實(shí)驗(yàn)結(jié)果如圖4所示。從圖中可以看出，添加BN后，網(wǎng)絡(luò)可以得到更優(yōu)的結(jié)果。未添加BN添加BN未添加BN添加BN圖4 添加BN和未添加BN對(duì)比實(shí)驗(yàn)4.3添加正則優(yōu)化為了提高測(cè)試數(shù)據(jù)的準(zhǔn)確性，我們使用Dropout17技術(shù)來(lái)防止網(wǎng)絡(luò)過(guò)度擬合。實(shí)驗(yàn)結(jié)果如表4所示，本文最后設(shè)置Dropout的值為0.9，此時(shí)的網(wǎng)絡(luò)相比之前未使用Dropout時(shí)精度有所提高。表4 隨機(jī)概率取值設(shè)置DropoutMSEMAE0.11.0930.88420.20.53640.61180.30.35510.48790.40.28900.42680.50

23、.16240.30990.60.12630.27490.70.10910.24060.80.08160.21050.90.07260.18234.4實(shí)驗(yàn)結(jié)果比對(duì)為了更好地顯示數(shù)據(jù)的擬合程度，我們對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行了可視化處理。實(shí)驗(yàn)結(jié)果如圖5所示。橫坐標(biāo)是真實(shí)測(cè)量值，縱坐標(biāo)是預(yù)測(cè)值，為了便于數(shù)據(jù)的觀察，坐標(biāo)軸單位為100Mpa。圖5 深度神經(jīng)網(wǎng)絡(luò)真實(shí)值與預(yù)測(cè)值效果展示圖為了客觀地比較BP神經(jīng)網(wǎng)絡(luò)和深度前饋神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果，我們從10,20,30,40,50,60,70中選擇BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)個(gè)數(shù)。隱藏層的節(jié)點(diǎn)數(shù)為60時(shí)，MSE和MAE最小，分別為0.0912和0.2257。圖6顯示了BP神經(jīng)

24、網(wǎng)絡(luò)抗拉強(qiáng)度的預(yù)測(cè)圖。圖6 BP神經(jīng)網(wǎng)絡(luò)真實(shí)值與預(yù)測(cè)值效果展示圖此外，我們還使用SVM算法18預(yù)測(cè)鋼材的抗拉強(qiáng)度，并將其與前兩組實(shí)驗(yàn)進(jìn)行比較。實(shí)驗(yàn)過(guò)程中使用RBF19核函數(shù)。為了獲得最好的預(yù)測(cè)結(jié)果，我們的實(shí)驗(yàn)調(diào)整了兩個(gè)常用參數(shù)：C和G。根據(jù)實(shí)際經(jīng)驗(yàn)，我們從0.1,1,10中選擇C，參數(shù)的默認(rèn)值G是1/k（K是特征維度），所以本文G的取值從0.05開始，逐漸增加G的值直到預(yù)測(cè)精度開始下降。當(dāng)C = 10和G = 1時(shí)，MSE和MAE最小。預(yù)測(cè)效果圖如圖7所示。圖7 SVM真實(shí)值與預(yù)測(cè)值效果展示圖我們比較了本文提出的模型、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）方法的預(yù)測(cè)精度，結(jié)果在表5中給出。 同時(shí)，

25、我們統(tǒng)計(jì)了三種模型的誤差分布，如圖8所示。由圖8可知，BP神經(jīng)網(wǎng)絡(luò)約68數(shù)據(jù)的抗拉強(qiáng)度相對(duì)誤差小于10，支持向量機(jī)(SVM)約71數(shù)據(jù)的抗拉強(qiáng)度相對(duì)誤差小于10%。而本文提出的方法抗拉強(qiáng)度相對(duì)誤差約74小于10。由實(shí)驗(yàn)結(jié)果可知，支持向量機(jī)的預(yù)測(cè)性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，而本文提出的方法優(yōu)于SVM，驗(yàn)證了深度學(xué)習(xí)方法在鋼鐵性能預(yù)測(cè)領(lǐng)域的有效性和優(yōu)越性。表5 三種模型最優(yōu)實(shí)驗(yàn)結(jié)果對(duì)比表模型類型MSEMAE相對(duì)平均誤差BP0.09120.22579.97%SVM0.08070.21468.43%DNN0.07260.18237.25%圖8 抗拉強(qiáng)度誤差分布對(duì)比圖5結(jié)論本文提出了一種基于深度前饋神經(jīng)網(wǎng)絡(luò)的

26、熱軋鋼材力學(xué)性能預(yù)測(cè)方法，我們使用ReLU激活函數(shù)代替?zhèn)鹘y(tǒng)的Sigmoid激活函數(shù)，能有效提高網(wǎng)絡(luò)的訓(xùn)練速度，消除梯度消失或梯度爆炸現(xiàn)象。同時(shí)，我們調(diào)整網(wǎng)絡(luò)的深度和寬度后，得到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。通過(guò)加入Batch Normalization方法來(lái)提高網(wǎng)絡(luò)的訓(xùn)練精度和收斂速度。通過(guò)Dropout技術(shù)，有效防止網(wǎng)絡(luò)過(guò)擬合問(wèn)題，提高測(cè)試數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率。最后，我們比較了深度前饋神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的實(shí)驗(yàn)結(jié)果。結(jié)果表明，本文提出的算法在鋼鐵力學(xué)性能預(yù)測(cè)領(lǐng)域效果更優(yōu)。參 考 文 獻(xiàn)1 秦建春, 張果, 王劍平,等. 帶鋼熱軋過(guò)程厚度分配的仿真分析J. 鋼鐵研究, 2016, 44(3):17

27、-20.2 劉貴立, 張國(guó)英, 曾梅光,等 用人工神經(jīng)網(wǎng)絡(luò)模型研究微量元素對(duì)鋼力學(xué)性能的影響J. 鋼鐵研究, 2000(1):48-50.3 譚文, 劉振宇, 吳迪,等. 熱軋中厚板沖擊功的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型J. 鋼鐵, 2007, 42(2):51-55.4 陳林根, 夏少軍, 謝志輝,等. 鋼鐵冶金過(guò)程動(dòng)態(tài)數(shù)學(xué)模型的研究進(jìn)展J. 熱科學(xué)與技術(shù), 2014(2):95-125.5 Ghaisari J, Jannesari H, Vatani M. Artificial neural network predictors for mechanical properties of cold ro

28、lling productsM. Elsevier Science Ltd. 2012.6 Chou T C, Nieh T G, Mcadams S D, et al. Mechanical properties and microstructures of metal/ceramic microlaminates: Part II. A Mo/Al2O3 systemJ. Journal of Materials Research, 1992, 7(10):2774-2784.7 左秀榮, 姜茂發(fā), 薛向欣,等. 人工神經(jīng)網(wǎng)絡(luò)在鋼鐵材料力學(xué)性能預(yù)測(cè)方面的應(yīng)用J. 特殊鋼, 2004, 25

29、(5):26-29.2017, 79:1-17.8 信自成, 李杰, 劉衛(wèi)星,等. 基于BP神經(jīng)網(wǎng)絡(luò)釩鈦燒結(jié)礦低溫還原粉化性能預(yù)測(cè)J. 鋼鐵釩鈦, 2017, 38(3):94-99.9 Polson N G, Sokolov V O. Deep learning for short-term traffic flow predictionJ. Transportation Research Part C Emerging Technologies,10 Huang C W, Chiang C T, Li Q. A study of deep learning networks on mobi

30、le traffic forecastingC/ IEEE, International Symposium on Personal, Indoor, and Mobile Radio Communications. IEEE, 2018:1-6.11 羅向龍, 焦琴琴, 牛力瑤,等. 基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)J. 計(jì)算機(jī)應(yīng)用研究, 2017, 34(1):91-93.12 Xu F, Lin Y, Huang J, et al. Big Data Driven Mobile Traffic Understanding and Forecasting: A Time Series ApproachJ. IEEE Transactions on Services Computing, 2016, 9(5):796-805.13 Weng Y, Zhao Y, Tang G, et al. Prediction of the mechanical properties of hot-rolled C-Mn steels by single index modelC/ International