利用深度学习对深冲钢机械性能的预测 |
| |
引用本文: | 徐钢,何金珊,吕志民,黎敏,徐金梧.利用深度学习对深冲钢机械性能的预测[J].矿物冶金与材料学报,2023,30(1):156-165. |
| |
作者姓名: | 徐钢 何金珊 吕志民 黎敏 徐金梧 |
| |
作者单位: | 1)北京科技大学钢铁共性技术协同创新中心,北京 100083,中国 |
| |
摘 要: | 当前钢铁企业主要采用“事后抽检”方式来控制最终的产品质量。但因无法基于传统方法对所有产品实现在线质量预测,常发生索赔和退货,这也是导致企业经济损失的一大因素。在生产过程中为实现对深冲钢在线质量预测,引入了基于深度学习的机械性能预测模型。首先利用LSTM(长短时记忆)、GRU(门控循环单元)网络和GPR(高斯过程回归)模型去预测深冲钢的机械性能,并讨论了三种模式的预测精度和学习效率,其次提出了在线迁移学习模型。从结果来看不仅预测精度得到改善,而且预测耗时缩短能更好满足在线实时预测的要求。
|
关 键 词: | 机器学习 RNN循环神经网络 迁移学习 在线预测 深冲钢 机械性能 |
|
| 点击此处可从《矿物冶金与材料学报》浏览原始摘要信息 |
| 点击此处可从《矿物冶金与材料学报》下载免费的PDF全文 |