文献类型：期刊文章

作　　者：马湧[1] 王晓鹏[2] 马莎莎[3]

MA Yong;WANG Xiao-peng;MA Sha-sha(State Key Laboratory of Hybrid Process Industry Automation System and Equipment Technology,Automation Research and Design Institute of Metallurgical Industry,Beijing 100071,China;Institute of Engineering Technology,University of Science&Technology Beijing,Beijing 100083,China;Institute of Economy,Yunnan University of Finance and Economics,Kunming 650221,China)

机构地区：[1]冶金自动化研究设计院混合流程工业自动化系统及装备技术国家重点实验室,北京100071 [2]北京科技大学工程技术研究院,北京100083 [3]云南财经大学经济学院,云南昆明650221

出　　处：《冶金自动化》

基　　金：国家重点研发计划项目(2017YFB0304000)

年　　份：2019

卷　　号：43

期　　号：2

起止页码：6-10

语　　种：中文

收录情况：AJ、CSA、CSA-PROQEUST、IC、INSPEC、RCCSE、普通刊

摘　　要：研究了Keras深度学习框架下的BP神经网络在热轧带钢力学性能预测中的应用。首先采用主成分分析PCA对原始数据进行降维,再利用Keras深度学习框架下优化函数及参数对BP神经网络进行优化,最终建立原始化学成分和热轧生产工艺参数与带钢力学性能之间的关系。验证结果表明,模型取得了较高的预测精度,对于抗拉强度,预测值与实际值的相对误差绝对值在10%以内的样本占比93. 4%;对于屈服强度,预测值与实际值的相对误差绝对值在10%以内的样本占比92. 1%;对于伸长率,预测值与实际值的相对误差绝对值在10%以内的样本占比90. 5%。因此,通过验证,预测结果对热轧现场具有较好的指导意义。

关 键 词：热轧带钢 力学性能 主成分分析 Keras深度学习框架  BP神经网络

分 类 号：TG335] TG142.1[材料类]