加热炉钢坯出炉温度PCA-BP的预测模型研究

加热炉钢坯出炉温度PCA-BP的预测模型研究_杨铮

摘要
针对影响钢坯出炉温度因素之间存在高度非线性、数据冗余等特征。传统单一BP算法无法消除数据之间冗余和捕捉非线性规律，从而导致预测精度低的问题，鉴此，提出了一种基于主成分的BP神经网络（PCA-BPNN）预测模型。采用加热炉现场生产数据作为分析样本，首先对影响钢坯出炉温度的各因素进行主成分分析，消除各因素之间的冗余性，降低BP神经网络的输入维数，加快BP神经网络训练速度并提高预测精度，然后利用BP神经网络对保留成分进行建模预测，利用PCA-BPNN模型对样本进行了验证性测试和分析，Matlab仿真结果证明基于PCA-BP算法的预测精度最高，其次是BP算法。
引言
钢坯出炉温度直接影响钢坯的组织性能和力学性能。若要得到准确的钢坯出炉温度，一般可对其进行预测控制。而钢坯出炉温度预测模型是预测控制的重要基础。目前，对于钢温预测模型的研究主要分为两类：一类是以工艺理论为基础的多元回归模型，另一类是以工艺理论与现代控制理论相结合的智能学习模型。多元回归模型由于忽略了交互效应和非线性因果关系，准确性差，易受外界干扰。而智能学习模型一般采用模糊和神经网络来构建。但在模型建立时，神经网络的类型对钢温预测模型的预测精度有什么影响，目前尚少有比较研究。因此，本文以 1700 加热炉为研究背景，利用实际生产中采集的数据，对其进行了钢温预测神经网络模型的研究。即采用 BP 神经网络、RBF 神经网络、RBF-BP 组合神经网络这三种智能学习方法建立了不同的钢温预测模型，并从预测精度、学习速度和泛化能力等方面进行了比较研究，找出了较好的预测模型，从而找出更适合1700 加热炉实际情况的建模方法。
为了提高预测钢坯出炉温度精度与效率，本文基于PCA结合BP算法进行优化，可以