Нейросетевое моделирование процесса охлаждения полосы на стане горячей прокатки

  • Ирина Александровна Седых Липецкий государственный технический университет
  • Владимир Александрович Истомин Липецкий государственный технический университет
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.

Биографии авторов

Ирина Александровна Седых, Липецкий государственный технический университет

канд. физ.-мат. наук, доцент, доцент кафедры высшей математики ФГБОУ ВО «Липецкий государственный технический университет», Россия, Липецк

Владимир Александрович Истомин, Липецкий государственный технический университет

магистрант ФГБОУ ВО «Липецкий государственный технический университет», Россия, Липецк

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.
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
Раздел
Интеллектуальные информационные системы