首页|冷连轧轧制力深度神经网络模型泛化能力并行优化

冷连轧轧制力深度神经网络模型泛化能力并行优化

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
为了更好调控冷连轧板厚参数,设计了一种冷连轧轧制力深度神经网络模型,增强了冷连轧模型的控制效果.选择2030冷连轧结构进行研究,对多输入多输出(MIMO)深度神经网络(DNN)进行预处理,针对多线程CPU与GPU实施了优化,对比了神经网络模型和冷连轧系统Siemens模型误差.研究结果表明:L-M算法表现出了更优的收敛稳定性、测试和验证性能、梯度下降趋势,并且收敛速度也更快.以随机方式选择200个数据并测定泛化性能测试得到,L-M算法获得了比SCG算法更大的相关系数.都是随着隐含层数的增加,获得了性能更优的神经网络模型,并且都会增加训练时间.从各项模型指标分析,L-M算法都比SCG算法的性能更优.构建神经网络轧制力模型总共包含二个隐含层、节点数介于17-30、通过L-M算法进行训练.采用神经网络轧制力模型得到的结果与实测值之间的误差比Siemens机理模型和测试值的误差更低.
Parallel Optimization of Generalization Capability of Rolling Force Deep Neural Network Model in Tandem Cold Rolling Mill

Deep Neural Network ModelAlgorithm of L-MSCG AlgorithmParallel OptimizationRolling Force Model

吴爽、闫奕、李爽、李峰

展开 >

南阳职业学院计算机与信息工程学院,河南南阳 474550

南阳职业学院,机械与汽车工程学院,河南南阳 474550

河南理工大学机械与动力工程学院,河南焦作 450000

深度神经网络模型 L-M算法 SCG算法 并行优化 轧制力模型

河南省社科联调研课题(2021)

SKL-2021-1513

2023

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2023.(8)
  • 14