轧机轧制力的改进训练策略深度神经网络预测

作者：于飞; 于博

来源：机械设计与制造, 2023, (01): 96-100.

DOI：10.19356/j.cnki.1001-3997.2023.01.021

• 深度神经网络
• 轧制力预测
• 自适应矩估计梯度优化
• 随机小批量梯度下降法

为了提高双机架炉卷轧机的轧制力预测精度，提出了具有快速而高效训练策略的深度神经网络预测方法。介绍了双机架炉卷轧机的工作原理，分析了轧制力影响参数。在深度神经网络基础上，使用随机小批量的样本选取法，提高深度神经网络训练速度；提出自适应矩估计梯度优化算法，用于解决传统训练方法陷入局部极值的问题，从而给出了改进训练策略的深度神经网络轧制力预测方法。经轧制实验验证，改进深度神经网络的训练时间为226.15s，而传统网络的训练时间为862.93s；改进网络的预测误差绝大部分控制在3%以内，而传统网络的预测误差绝大部分控制在5%以内。以上数据表明，改进深度神经网络的训练速度和预测精度均远优于传统深度神经网络。

• 单位
  长春工程学院; 辽源职业技术学院; 机电工程学院