基于數(shù)據(jù)驅(qū)動的軋機振動預(yù)測研究.pdf

1、隨著現(xiàn)代工業(yè)的發(fā)展，各行業(yè)對板帶材的需求量不斷增加，同時也對板帶質(zhì)量提出了更高的要求，軋機振動不僅造成板帶厚度波動、軋輥和軋件表面振痕，而且限制了軋制速度，大大降低生產(chǎn)效率，振動劇烈時還容易造成堆鋼斷帶等運行事故，嚴(yán)重威脅軋機設(shè)備安全，已經(jīng)成為一個急需解決的鋼鐵行業(yè)難題。
　　以往對軋機振動的研究主要集中在機理分析、控制預(yù)防和振動信號處理等方面，而對包含大量設(shè)備運行狀態(tài)信息的過程監(jiān)測數(shù)據(jù)（PDA數(shù)據(jù)）關(guān)注較少。工業(yè)4.0時代，通過

2、對工業(yè)數(shù)據(jù)的分析和挖掘，實現(xiàn)生產(chǎn)過程的智能化，是未來生產(chǎn)制造的發(fā)展方向。本文將數(shù)據(jù)挖掘技術(shù)應(yīng)用于軋機振動的研究中，通過對軋機運行過程監(jiān)測數(shù)據(jù)（PDA數(shù)據(jù)）進(jìn)行分析和挖掘，實現(xiàn)基于數(shù)據(jù)驅(qū)動的軋機振動預(yù)測。
　　首先根據(jù)軋機PDA數(shù)據(jù)非線性、強耦合的特點，對兩種應(yīng)用較廣泛的數(shù)據(jù)挖掘算法：BP神經(jīng)網(wǎng)絡(luò)和支持向量機（SVM）進(jìn)行深入的分析研究，針對BP神經(jīng)網(wǎng)絡(luò)泛化能力弱的缺點，引入AdaBoost算法，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行集成，提高BP神經(jīng)

3、網(wǎng)絡(luò)算法的預(yù)測精度，建立基于BP-AdaBoost強預(yù)測器軋機振動預(yù)測模型，針對支持向量機（SVM）算法中松弛系數(shù)和懲罰因子兩個關(guān)鍵參數(shù)選擇困難的特點，引入粒子群算法（PSO）對兩個參數(shù)進(jìn)行優(yōu)化選擇，建立基于PSO-SVM算法的軋機振動預(yù)測模型。
　　其次利用現(xiàn)場測試數(shù)據(jù)對兩種軋機振動預(yù)測模型進(jìn)行驗證。結(jié)果表明：兩種算法都能夠?qū)崿F(xiàn)軋機振動預(yù)測，PSO-SVM算法預(yù)測精度明顯優(yōu)于BP-AdaBoost算法；同時利用PSO-SVM軋機