Нейросетевое моделирование процесса охлаждения полосы на стане горячей прокатки
Ключевые слова:
моделирование, радиально-базисные нейронные сети, нейронные сети Такаги – Сугено – Канга, обучение нейронных сетей, процесс охлаждения полосы, архитектура нейронной сети
Аннотация
В работе рассмотрен и смоделирован на основе нейронных сетей процесс охлаждения полосы на стане горячей прокатки металлургического производства. Данный процесс схематично изображен на рисунке с выделением главных функциональных участков. Пояснены основные термины, относящиеся к приведенному процессу металлургического производства. Показаны структурные схемы радиально-базисной нейронной сети и нейронной сети Такаги – Сугено – Канга, описаны гибридные алгоритмы их обучения. В блоке программирования Mathcad разработаны программы, реализующие математические модели рассмотренных нейронных сетей. Входные и выходные данные для программ соответственно считываются и сохраняются в файлах MicrosoftExcel. Проведен отбор входных и выходных переменных моделируемого процесса, выполнена линейная нормализация исходных данных. Сформированы обучающая и проверочная выборки с помощью запросов в программе Microsoft Access. Для данных моделей выполнен ряд вычислительных экспериментов, в ходе которых были получены оптимальные структура и параметры радиально-базисной нейронной сети и нейронной сети Такаги – Сугено – Канга. Проведено сравнение обученных нейронных сетей, приведены графики отклонений обучающей и проверочной выборок, а также результаты их обучения. Найдены среднеквадратическая и относительная ошибки сетей по денормализованным выходным данным. На основании выполненного анализа выделены основные особенности и отличия вышеуказанных нейронных сетей. Сделаны выводы по проделанной работе.
Скачивания
Данные скачивания пока не доступны.
Литература
1. Линчевский, Б. В. Металлургия черных металлов / Б. В. Линчевский, А. Л. Соболевский, А. А. Кальменев. – Москва : Металлургия, 1986. – 360 c.
2. Цюрко, В. И. Адаптивный алгоритм управления установкой ускоренного охлаждения горячекатаной полосы / В. И. Цюрко, З. К. Кабаков // Производство проката. – 2011. – No10. – С. 42–45.
3. Гончаров, А. Л. «Основные этапы идентификации системы ускоренного охлаждения проката на основе нейросетевого подхода» / А. Л. Гончаров // Новые информационные технологии в автоматизированных системах. – Москва : Изд-во Миэм НИУ ВШЭ, 2006. – Т. 9. – С. 69–55.
4. Сараев, П. В. Перспективы интервального нейросетевого моделирования и прогнозирования / П. В. Сараев, Ю. Е. Полозова // Вестник Липецкого государственного технического университета. − 2016. – No1 (27). – С. 6–13.
5. Осовский, С. Нейронные сети для обработки информации / C. Осовский. – Москва : Финансы и статистика, 2002. – 344 c.
6. Погодаев, А. К. Идентификация нейро-нечётких моделей для данных больших объемов / А. К. Погодаев, П. В. Сараев // Вестник Воронежского государственного технического университета. – 2015 – Т. 11, No 4. – С. 8–11.
7. Domhan, T. Speeding up automatic hyperparameter optimization of deep neural networks by extrapolation of learning curves / T. Domhan, J. T. Springenberg, F. Hutter // Int. Joint Conf.Articial Intelligence, Buenos Aires, Argentina. – 2015. – P. 3460–3468.
8. Блюмин, С. Л. Идентификация параметров входных нечётких процессов разностных нейронечётких переключаемых моделей / С. Л. Блюмин, А. М. Шмырин, Н. Ю. Жбанова // Системы управления и информационные технологии. – 2014. – No 1(55). – С. 8–12.
9. Iofe, S. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shif / S. Iofe and C. Szegedy. // Int. Conf. Mach. Learn. Vol. 37. – 2015. – P. 448–456.
10. Истомин, В. А. Обучение нейронных сетей Такаги – Сугно – Канга в программе Mathcadна основе гибридного алгоритма / В. А. Истомин, И. А. Седых // Сборник научных статей IV научно-практической международной конференции (школы-семинара) молодых ученых (23–25 апреля 2018 г.). В двух частях. – Тольятти : Издатель Качалин Александр Васильевич, 2018. Ч. 2. – С. 407–411.
11. Кластеризация обучающих выборок большого объёма для обучения нейронных сетей на репрезентативных подвыборках / М. Г. Журавлева [и др.] // Вести высших учебных заведений Черноземья. – 2015. – No 1. – С. 54–61.
12. Sedykh, I. A. Neural Networks Neighborhood Models / I. A. Sedykh, A. M.Shmyrin // Global Journal of Pure and Applied Mathematics. ISSN 0973-1768 Volume 12, Number 6 (2016). – P. 5039–5046.
13. Krizhevsky, A. Imagenet classification with deep convolutional neural networks. In Advanc-es in neural information processing systems / A. Krizhevsky, I. Sutskever, G. E. Hinton. – 2012. – P. 1097–1105.
14. Барский, А. Б. Логические нейронные сети: учебное пособие / А. Б. Барский. – Москва : Бином, 2013. – 352 c.15. Яхъяева, Г. Э. Нечеткие множества и нейронные сети: учебное пособие / Г. Э. Яхъяева. – Москва : Национальный Открытый Университет «Интуит», 2016. – 187 с.
16. Седых, И. А. Гибкое управление светофорной системой перекрестка на основе нейронных сетей / И. А. Седых, Д. С. Демахин // Автоматизация процессов управления. – 2017. – No 1(47). – С. 94–100.
17. Седых, И. А. Исследование, анализ и обработка данных с помощью искусственных нейронных сетей в программе STATISTICA / И. А. Седых, В. А. Истомин // Вестник Липецкого государственного технического университета. − 2017. – No1 (31). – С. 33–37.
18. Jozefowicz, R. An Empirical Exploration of Recurrent Network Architectures / R. Jozefowicz, W. Zaremba, and I. Sutskever // Int. Conf. Mach. Learn. − 2015. – Vol. 37. PMLR. P. 2342−2350.
19. Ursino, M. Multisensory Bayesian infer-ence depends on synapse maturation during training: Theoretical analysis and neural modeling implementation / M. Ursino, C. Cuppini, and E. Magosso // Neural Computation. – 2017. vol. 29, no. 3, pp. 735–782.
20. Сараев, П. В. Применение результатов интервального нейросетевого прогнозирования для калибровки средств измерений в системах управления / П. В. Сараев, Ю. Е. Полозова, Ю. Л. Полозов // Проблемы управления. – 2017. – No 2. – С. 50–55.
21. Сараев, П.В. Ремоделирование и трансформация моделей в нейро-нечеткие / П. В. Сараев, А. В. Галкин // Наукоемкие технологии и инновации международная научно-практическая конференция (XХII научные чтения). – 2016. – С. 62–66.
22. Pogodaev, A. Neurostructural modelling and prediction of hot-rolled production defects by casting parameters / A. Pogodaev, P. Saraev // Journal of Chemical Technology and Metallurgy. – 2015. – T. 50, No 6. – P. 595–599.
2. Цюрко, В. И. Адаптивный алгоритм управления установкой ускоренного охлаждения горячекатаной полосы / В. И. Цюрко, З. К. Кабаков // Производство проката. – 2011. – No10. – С. 42–45.
3. Гончаров, А. Л. «Основные этапы идентификации системы ускоренного охлаждения проката на основе нейросетевого подхода» / А. Л. Гончаров // Новые информационные технологии в автоматизированных системах. – Москва : Изд-во Миэм НИУ ВШЭ, 2006. – Т. 9. – С. 69–55.
4. Сараев, П. В. Перспективы интервального нейросетевого моделирования и прогнозирования / П. В. Сараев, Ю. Е. Полозова // Вестник Липецкого государственного технического университета. − 2016. – No1 (27). – С. 6–13.
5. Осовский, С. Нейронные сети для обработки информации / C. Осовский. – Москва : Финансы и статистика, 2002. – 344 c.
6. Погодаев, А. К. Идентификация нейро-нечётких моделей для данных больших объемов / А. К. Погодаев, П. В. Сараев // Вестник Воронежского государственного технического университета. – 2015 – Т. 11, No 4. – С. 8–11.
7. Domhan, T. Speeding up automatic hyperparameter optimization of deep neural networks by extrapolation of learning curves / T. Domhan, J. T. Springenberg, F. Hutter // Int. Joint Conf.Articial Intelligence, Buenos Aires, Argentina. – 2015. – P. 3460–3468.
8. Блюмин, С. Л. Идентификация параметров входных нечётких процессов разностных нейронечётких переключаемых моделей / С. Л. Блюмин, А. М. Шмырин, Н. Ю. Жбанова // Системы управления и информационные технологии. – 2014. – No 1(55). – С. 8–12.
9. Iofe, S. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shif / S. Iofe and C. Szegedy. // Int. Conf. Mach. Learn. Vol. 37. – 2015. – P. 448–456.
10. Истомин, В. А. Обучение нейронных сетей Такаги – Сугно – Канга в программе Mathcadна основе гибридного алгоритма / В. А. Истомин, И. А. Седых // Сборник научных статей IV научно-практической международной конференции (школы-семинара) молодых ученых (23–25 апреля 2018 г.). В двух частях. – Тольятти : Издатель Качалин Александр Васильевич, 2018. Ч. 2. – С. 407–411.
11. Кластеризация обучающих выборок большого объёма для обучения нейронных сетей на репрезентативных подвыборках / М. Г. Журавлева [и др.] // Вести высших учебных заведений Черноземья. – 2015. – No 1. – С. 54–61.
12. Sedykh, I. A. Neural Networks Neighborhood Models / I. A. Sedykh, A. M.Shmyrin // Global Journal of Pure and Applied Mathematics. ISSN 0973-1768 Volume 12, Number 6 (2016). – P. 5039–5046.
13. Krizhevsky, A. Imagenet classification with deep convolutional neural networks. In Advanc-es in neural information processing systems / A. Krizhevsky, I. Sutskever, G. E. Hinton. – 2012. – P. 1097–1105.
14. Барский, А. Б. Логические нейронные сети: учебное пособие / А. Б. Барский. – Москва : Бином, 2013. – 352 c.15. Яхъяева, Г. Э. Нечеткие множества и нейронные сети: учебное пособие / Г. Э. Яхъяева. – Москва : Национальный Открытый Университет «Интуит», 2016. – 187 с.
16. Седых, И. А. Гибкое управление светофорной системой перекрестка на основе нейронных сетей / И. А. Седых, Д. С. Демахин // Автоматизация процессов управления. – 2017. – No 1(47). – С. 94–100.
17. Седых, И. А. Исследование, анализ и обработка данных с помощью искусственных нейронных сетей в программе STATISTICA / И. А. Седых, В. А. Истомин // Вестник Липецкого государственного технического университета. − 2017. – No1 (31). – С. 33–37.
18. Jozefowicz, R. An Empirical Exploration of Recurrent Network Architectures / R. Jozefowicz, W. Zaremba, and I. Sutskever // Int. Conf. Mach. Learn. − 2015. – Vol. 37. PMLR. P. 2342−2350.
19. Ursino, M. Multisensory Bayesian infer-ence depends on synapse maturation during training: Theoretical analysis and neural modeling implementation / M. Ursino, C. Cuppini, and E. Magosso // Neural Computation. – 2017. vol. 29, no. 3, pp. 735–782.
20. Сараев, П. В. Применение результатов интервального нейросетевого прогнозирования для калибровки средств измерений в системах управления / П. В. Сараев, Ю. Е. Полозова, Ю. Л. Полозов // Проблемы управления. – 2017. – No 2. – С. 50–55.
21. Сараев, П.В. Ремоделирование и трансформация моделей в нейро-нечеткие / П. В. Сараев, А. В. Галкин // Наукоемкие технологии и инновации международная научно-практическая конференция (XХII научные чтения). – 2016. – С. 62–66.
22. Pogodaev, A. Neurostructural modelling and prediction of hot-rolled production defects by casting parameters / A. Pogodaev, P. Saraev // Journal of Chemical Technology and Metallurgy. – 2015. – T. 50, No 6. – P. 595–599.
Опубликован
2018-12-10
Как цитировать
Седых, И. А., & Истомин, В. А. (2018). Нейросетевое моделирование процесса охлаждения полосы на стане горячей прокатки. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (2), 116-125. https://doi.org/10.17308/sait.2019.2/1296
Выпуск
Раздел
Интеллектуальные информационные системы
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
