基于迁移学习和多方面特征提取的冷轧轧制力预测

作     者：张明 牛国伟 黄自豪 张雄飞 杨彦博 Zhang Ming;Niu Guowei;Huang Zihao;Zhang Xiongfei;Yang Yanbol

作者机构：河北工程大学机械与装备工程学院河北邯郸056038 河北省冀南新区现代装备制造协同创新中心河北邯郸056000 邯郸市永年区职业技术教育中心河北邯郸056000 

出 版 物：《锻压技术》 (Forging & Stamping Technology)

年 卷 期：2024年第49卷第6期

页      面：141-148页

学科分类：080602[工学-钢铁冶金] 08[工学] 0806[工学-冶金工程] 

基　　金：国家自然科学基金青年项目(52005148) 

主　　题：轧制力 冷轧 迁移学习 多方面特征提取 预测精度 

摘      要：针对冷轧机各机架轧制工况复杂,实际采集的工艺数据存在分布差异,导致小数量样本下轧制力预测模型对不同机架预测时出现精度降低的问题,提出一种基于迁移学习和多方面特征提取的轧制力预测模型。该方法通过迁移学习将建立的轧制力预测基准模型参数迁移至目标机架,从而实现小数量样本下不同机架的轧制力快速预测。预测时,利用源域数据建立了Inception-LSTM-Attention轧制力预测基准模型,基准模型结合了Inception网络模块的空间特征提取能力和LSTM的时序特征预测能力,同时引入注意力机制Attention调节神经网络学习到的信息向量权重,基准模型预测精度高达98.8%。然后将基准模型部分网络模块冻结迁移至目标域模型,并对模型参数进行微调,建立了最终的轧制力预测模型。实验结果表明,小数量样本下采用迁移学习方法建立的模型在预测精度方面高于传统神经网络预测模型。