第11期 梁辉等：基于减法聚类的带钢厚度数据驱动建模 ·1345· 充分利用了生产过程中的大量历史数据，又可以根 neural network for prediction for rolling force in hot-rolling mill. 据工况变化在线调整模型的结构和参数. Mater Process Technol,2005,164/165:1612 (2)通过数字轧机仿真实验中几种模型的性能 [10]Jeong S Y,Lee M,Lee S Y,et al.Improving lookup table con- trol of a hot coil strip process with online retrainable RBF net- 对比可以看出，在线多支持向量机厚度模型比最优 work.IEEE Trans Ind Electron,2000,47(3):679 的偏最小二乘统计模型的RMSE提高45.3%， 01] Portmann N F,Lindhoff D.Sorgel G,et al.Application of neu- MAPE提高43.2%，TP提高1.3%.工业现场数据 ral networks in rolling mill automation.Iron Steel Eng,1995,72 仿真分析表明了本文算法具有较高的预测精度，能 (2):33 满足工业在线应用要求. [12]Ma J S,Theiler J,Perkins S.Accurate on-ine support vector re- gression.Neural Comput,2003,15(11)2683 (3)通过基于数据驱动的热轧带钢厚度预测模 13] Mukherjee S.Osuna E,Girosi F.Nonlinear prediction of chaotic 型探索性研究，在忽略精轧机组间的相互影响以及 time series using a support vector machine//Proceedings of1997 厚度与板形、宽带的耦合影响因素的前提下，建立了 IEEE Workshop.New York,1997:511 单机架厚度相关因素模型. ū4] Suykens J A K.Non-inear modelling and support vector ma- chines /Proceedings of IEEE Instrumentation and Measurement Technology Conference.Budapest,2001:287 参考文献 [15]Li W,Yang Y P,Wang N.Multi-model LSSVM regression mod- eling based on kernel fuzzy clustering.Control Decis,2008,23 [1]Hou Z S,Xu J X.On data-driven control theory:the state of the (5):560 art and perspective.Acta Autom Sin,2009,35(6):650 (李卫，杨煜普，王娜.基于核模糊聚类的多模型LSSVM回 (侯忠生，许建新.数据驱动控制理论及方法的回顾和展望 归建模.控制与决策，2008,23(5)：560) 自动化学报，2009,35(6)：650) [16]Yu Z H,Fu X,Li Y L.Online support vector regression for sys- Gui W H,Yang C H,Li Y G,et al.Data-driven operational-pat- tem identification.Lect Notes Comput Sci,2005,3611:627 tem optimization for copper flash smelting process.Acta Auom 17] Nemmour H,Chibani Y.Multiple support vector machines for Sin,2009,35(6):717 land cover change detection:an application for mapping urban (桂卫华，阳春华，李勇刚，等。基于数据驱动的铜闪速熔炼 extensions.ISPRS J Photogramm Remote Sens,2006,61(2): 过程操作模式优化及应用.自动化学报，2009,35(6)：717) 125 B]Gao C H,Jian L,Chen J M,et al.Data-driven modeling and pre- 08] Chiu S L.Fuzzy model identification based on cluster estimation dictive algorithm for complex blast fumace ironmaking process.Ac- J Intell Fuzzy Syst,1994,2(3):267 ta Autom Sin,2009,35(6):725 [19]Li X L,Su H Y,Chu J.Multiple models soft-ensing technique (郜传厚，渐令，陈积明，等.复杂高炉炼铁过程的数据驱动 based on online clustering arithmetic.J Chem Ind Eng China, 建模及预测算法.自动化学报，2009,35(6)：725) 2007,58(11):2834 4]Rhodes C,Morari M,Tsimring LS.Data-based control trajectory (李修亮，苏宏业，褚键.基于在线聚类的多模型软测量建 planning for nonlinear systems.Phys Rev E,1997,56(3):2398 模方法.化工学报，2007,58(11)：2834) 5]Arif M,Ishihara T.Inooka H.Incorporation of experience in iter- [20]Xiong S W.Niu XX,Liu H B.Support vector machines based ative learning controllers using locally weighted learning.Automat- on subtractive clustering /Proceeding of the Fourth International ica,2001,37(6):881 Conference on Machine Learning and Cybernetics.Guangzhou, [6]Luo Y J,Li Z F,Cao J M,et al.Application of GA to rolling 2005:4345 forces re-distribution in hot strip mills.J Uni Sci Technol Beijing, 1]Tang H S,Xue S T,Chen R,et al.Sequential LS-SVM for 2004,26(4):420 structural systems identification.J Vib Eng,2006,19(3):382 (罗永军，李忠富，曹军民，等。基于遗传算法的热连轧机负 (唐和生，薛松涛，陈镕，等。序贯最小二乘支持向量机的结 荷再分配.北京科技大学学报，2004,26(4)：420) 构系统识别.振动工程学报，2006,19(3)：382) Peng K X,Yu SZ.Prediction and control of strip thickness based 22]Li LJ,Su H Y,Chu J.Generalized predictive control with online on Bayesianneural networks.J Unir Sci Technol Beijing,2010,32 least squares support vector machines.Acta Autom Sin,2007,33 (2):256 (11):1182 (彭开香，余尚志.基于贝叶斯神经网络的带钢厚度预测与控 [23]Suykens J A K,Lukas L,Vandewalle J.Sparse approximation 制.北京科技大学学报，2010,32(2)：256) using least squares support vector machines//Proceeding of IEEE 8]Hong Y,Tang L X.Data-driven rolling force calculation for cold International Symposium on Circuits and Systems.Geneva,2000: rolling mill.Control Eng China,2009,16(Suppl 3):146 757 (洪悦，唐立新.基于数据驱动的冷连轧过程轧制力设定方 24]Cauwenberghs G,Poggio T.Incremental and decremental support 法.控制工程，2009,16（增刊3）：146) vector machine learning.Adr Neural Inf Process Syst,2001,13: [9]Son J S,Lee D M.Kilm I S,et al.A study on on-ine learning 409第 11 期 梁 辉等: 基于减法聚类的带钢厚度数据驱动建模 充分利用了生产过程中的大量历史数据，又可以根 据工况变化在线调整模型的结构和参数． ( 2) 通过数字轧机仿真实验中几种模型的性能 对比可以看出，在线多支持向量机厚度模型比最优 的偏 最 小 二 乘 统 计 模 型 的 RMSE 提 高 45. 3% ， MAPE 提高 43. 2% ，TP 提高 1. 3% ． 工业现场数据 仿真分析表明了本文算法具有较高的预测精度，能 满足工业在线应用要求． ( 3) 通过基于数据驱动的热轧带钢厚度预测模 型探索性研究，在忽略精轧机组间的相互影响以及 厚度与板形、宽带的耦合影响因素的前提下，建立了 单机架厚度相关因素模型． 参 考 文 献 ［1］ Hou Z S，Xu J X． On data-driven control theory: the state of the art and perspective． Acta Autom Sin，2009，35( 6) : 650 ( 侯忠生，许建新． 数据驱动控制理论及方法的回顾和展望． 自动化学报，2009，35( 6) : 650) ［2］ Gui W H，Yang C H，Li Y G，et al． Data-driven operational-pat￾tern optimization for copper flash smelting process． Acta Autom Sin，2009，35( 6) : 717 ( 桂卫华，阳春华，李勇刚，等． 基于数据驱动的铜闪速熔炼 过程操作模式优化及应用． 自动化学报，2009，35( 6) : 717) ［3］ Gao C H，Jian L，Chen J M，et al． Data-driven modeling and pre￾dictive algorithm for complex blast furnace ironmaking process． Ac￾ta Autom Sin，2009，35( 6) : 725 ( 郜传厚，渐令，陈积明，等． 复杂高炉炼铁过程的数据驱动 建模及预测算法． 自动化学报，2009，35( 6) : 725) ［4］ Rhodes C，Morari M，Tsimring L S． Data-based control trajectory planning for nonlinear systems． Phys Rev E，1997，56( 3) : 2398 ［5］ Arif M，Ishihara T，Inooka H． Incorporation of experience in iter￾ative learning controllers using locally weighted learning． Automat￾ica，2001，37( 6) : 881 ［6］ Luo Y J，Li Z F，Cao J M，et al． Application of GA to rolling forces re-distribution in hot strip mills． J Univ Sci Technol Beijing， 2004，26( 4) : 420 ( 罗永军，李忠富，曹军民，等． 基于遗传算法的热连轧机负 荷再分配． 北京科技大学学报，2004，26( 4) : 420) ［7］ Peng K X，Yu S Z． Prediction and control of strip thickness based on Bayesianneural networks． J Univ Sci Technol Beijing，2010，32 ( 2) : 256 ( 彭开香，余尚志． 基于贝叶斯神经网络的带钢厚度预测与控 制． 北京科技大学学报，2010，32( 2) : 256) ［8］ Hong Y，Tang L X． Data-driven rolling force calculation for cold rolling mill． Control Eng China，2009，16( Suppl 3) : 146 ( 洪悦，唐立新． 基于数据驱动的冷连轧过程轧制力设定方 法． 控制工程，2009，16( 增刊 3) : 146) ［9］ Son J S，Lee D M，Kilm I S，et al． A study on on-line learning neural network for prediction for rolling force in hot-rolling mill． J Mater Process Technol，2005，164 /165: 1612 ［10］ Jeong S Y，Lee M，Lee S Y，et al． Improving lookup table con￾trol of a hot coil strip process with online retrainable RBF net￾work． IEEE Trans Ind Electron，2000，47( 3) : 679 ［11］ Portmann N F，Lindhoff D，Sorgel G，et al． Application of neu￾ral networks in rolling mill automation． Iron Steel Eng，1995，72 ( 2) : 33 ［12］ Ma J S，Theiler J，Perkins S． Accurate on-line support vector re￾gression． Neural Comput，2003，15( 11) : 2683 ［13］ Mukherjee S，Osuna E，Girosi F． Nonlinear prediction of chaotic time series using a support vector machine / / Proceedings of 1997 IEEE Workshop． New York，1997: 511 ［14］ Suykens J A K． Non-linear modelling and support vector ma￾chines / / Proceedings of IEEE Instrumentation and Measurement Technology Conference． Budapest，2001: 287 ［15］ Li W，Yang Y P，Wang N． Multi-model LSSVM regression mod￾eling based on kernel fuzzy clustering． Control Decis，2008，23 ( 5) : 560 ( 李卫，杨煜普，王娜． 基于核模糊聚类的多模型 LSSVM 回 归建模． 控制与决策，2008，23( 5) : 560) ［16］ Yu Z H，Fu X，Li Y L． Online support vector regression for sys￾tem identification． Lect Notes Comput Sci，2005，3611: 627 ［17］ Nemmour H，Chibani Y． Multiple support vector machines for land cover change detection: an application for mapping urban extensions． ISPRS J Photogramm Remote Sens，2006，61 ( 2) : 125 ［18］ Chiu S L． Fuzzy model identification based on cluster estimation． J Intell Fuzzy Syst，1994，2( 3) : 267 ［19］ Li X L，Su H Y，Chu J． Multiple models soft-sensing technique based on online clustering arithmetic． J Chem Ind Eng China， 2007，58( 11) : 2834 ( 李修亮，苏宏业，褚键． 基于在线聚类的多模型软测量建 模方法． 化工学报，2007，58( 11) : 2834) ［20］ Xiong S W，Niu X X，Liu H B． Support vector machines based on subtractive clustering / / Proceeding of the Fourth International Conference on Machine Learning and Cybernetics． Guangzhou， 2005: 4345 ［21］ Tang H S，Xue S T，Chen R，et al． Sequential LS-SVM for structural systems identification． J Vib Eng，2006，19( 3) : 382 ( 唐和生，薛松涛，陈镕，等． 序贯最小二乘支持向量机的结 构系统识别． 振动工程学报，2006，19( 3) : 382) ［22］ Li L J，Su H Y，Chu J． Generalized predictive control with online least squares support vector machines． Acta Autom Sin，2007，33 ( 11) : 1182 ［23］ Suykens J A K，Lukas L，Vandewalle J． Sparse approximation using least squares support vector machines / /Proceeding of IEEE International Symposium on Circuits and Systems． Geneva，2000: 757 ［24］ Cauwenberghs G，Poggio T． Incremental and decremental support vector machine learning． Adv Neural Inf Process Syst，2001，13: 409 ·1345·