陈恒志等：基于极限学习机(ELM)的连铸坯质量预测 ·821· 全局最优值：与此同时，上述两个模型的训练函数都 [3]Chang Y H,Zeng Z,Zhang J Q,et al.Online quality prediction 为梯度下降函数，在迭代过程中需要调整所有相关 system of bloom castings based on BP neural network.fron Steel, 2011,46(5):33 参数，增加模型的复杂度和运算时间.这里，需要特 (常运合，曾智，张家泉，等.基于BP神经网络的大方坯质量 别指出的是，本文建立的基于前馈神经网络极限学 在线预报模型.钢铁，2011,46(5)：33) 习机的连铸坯质量预测模型，可随机产生输入层和 [4]Zhang J.Research on Slab Defect Prediction and Parameter Optimi- 隐含层之间的连接权值及隐含层神经元的偏置.根 zation System based on Neural Neticork Dissertation ] 据输入向量和输出向量，求出隐含层和输出层之间 Chongqing:Chongqing University,2001 的连接权值B即可，基于极限学习机的连铸坯质量 (张静.基于神经网络的遗传算法的板坯缺陷预报和参数优 化系统研究[学位论文].重庆：重庆大学，2001) 预测模型不仅泛化能力强，学习效率高且运算速度 [5]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:a 快，预测精度高.因此，由上述分析可知，基于极限 new leaming scheme of feedforward neural networks//Proceedings 学习机的连俦坯质量预测模型可对连铸坯质量进行 IEEE International Joint Conference on Neural Networks.Buda- 迅速准确地分析，为连铸坯质量预测的在线应用提 pest,2004:985 供了一种新的方法. [6]Jing GL.Du WT,Guo YY.Studies on prediction of separation percent in electrodialysis process ria BP neural networks and im- 4结论 proved BP algorithms.Desalination,2012,291:78 [7]Wang Z,Chang J,Ju Q P,et al.Prediction model of end-point (1)基于BP神经网络的连铸坯质量预测模型 manganese content for BOF steelmaking process.IS/Int,2012, 对连铸坯中心疏松和中心偏析缺陷预测准确率可分 52(9):1585 别达到50%和57.5%. [8]Cai KK.Ouality Control of Continuous Casting Strand.2nd Ed Beijing:Metallurgical Industry Press,2010 (2)基于GA-BP神经网络的连铸坯质量预测 (蔡开科.连铸坯质量控制.2版.北京：治金工业出版社， 模型相对基于BP神经网络的连铸坯质量预测模 2010) 型，预测准确率有了很大提升，对连铸坯中心疏松和 [9]Dong S,Wang B,Wang Z,et al.Comparison of prediction models 中心偏析缺陷预测准确率可分别达到70%和 for power draw in grinding and flotation processes in a gold treat- 72.5%,但模型训练需要消耗较长的时间，不利于模 ment plant.J Chem Eng Jpn,2016,49(2):204 [10]Hu J,Zeng X J.An efficient activation function for BP neural 型的在线应用. network //International Workshop on Intelligent Systems and Ap- (3)基于极限学习机的连铸坯质量预测模型对 plications.Wuhan,2009:1 连铸坯缺陷的预测准确率明显优于BP和GA-BP [11]Liu Q,Wang B.Yuan W,et al.Prediction model of floatation 神经网络预测模型，对连铸坯中心疏松和中心偏析 recovery ratio for a gold mine.J Unir Sci Technol Beijing,2014, 36(11):1456 缺陷预测准确率可分别达到85%和82.5%，且模型 (刘青，王彬，袁玮，等.金矿浮选回收率预测模型.北京科 对样本进行训练所需时间仅0.1s,训练速度比BP 技大学学报，2014,36(11)：1456) 和GA-BP神经网络预测模型有了极大的提升. [12]Liu K,Guo W Y,Shen X L,et al.Research on the forecast (4)基于极限学习机的连铸坯质量预测模型可 model of electricity power industry loan based on GA-BP neural 对钢铁企业的海量生产数据进行快速分析，对连铸 network.Energy Procedia,2012,14:1918 坯质量预测的迅捷在线应用具有重要的推动作用， [13]Ji C,Cai ZZ,Tao N B,et al.Molten steel breakout prediction based on genetic algorithm and BP neural network in continuous 有望应用于冶金过程工艺或质量控制参数预测 casting process//2012 31st Chinese Control Conference.Hefei, 研究. 2012:3402 [14]Huang G B,Zhou H M,Ding X J,et al.Extreme learning ma- 参考文献 chine for regression and multiclass classification.IEEE Trans Syst [1]Zhang B L,Zhang X S,Cao C X.Neural network applied in diag- Man Cybern Part B Cybern,2012,42(2):513 nosis of steel slab production.Microcomput Appl,2001,17(1):34 [15]Yu Q,Miche Y.Severin E,et al.Bankruptcy prediction using (张邦礼，张雪松，曹长修.神经网络在钢铁板坯生产缺陷诊 extreme learning machine and financial expertise.Neurocomput- 断中的应用.微型电脑应用，2001,17(1)：34) ing,2014,128:296 [2]Bouhouche S.Contribution to Quality and Process Optimization in [16]Deo R C.Sahin M.Application of the extreme leamning machine Continuous Casting using Mathematical Modelling [Dissertation]. algorithm for the prediction of monthly effective drought index in Freiburg:Technische Universitat Bergakademie Freiberg,2002 eastern Australia.Atmos Res,2015,153:512陈恒志等: 基于极限学习机(ELM)的连铸坯质量预测 全局最优值;与此同时,上述两个模型的训练函数都 为梯度下降函数,在迭代过程中需要调整所有相关 参数,增加模型的复杂度和运算时间. 这里,需要特 别指出的是,本文建立的基于前馈神经网络极限学 习机的连铸坯质量预测模型,可随机产生输入层和 隐含层之间的连接权值及隐含层神经元的偏置. 根 据输入向量和输出向量,求出隐含层和输出层之间 的连接权值 茁 即可,基于极限学习机的连铸坯质量 预测模型不仅泛化能力强,学习效率高且运算速度 快,预测精度高. 因此,由上述分析可知,基于极限 学习机的连铸坯质量预测模型可对连铸坯质量进行 迅速准确地分析,为连铸坯质量预测的在线应用提 供了一种新的方法. 4 结论 (1)基于 BP 神经网络的连铸坯质量预测模型 对连铸坯中心疏松和中心偏析缺陷预测准确率可分 别达到 50% 和 57郾 5% . (2)基于 GA鄄鄄 BP 神经网络的连铸坯质量预测 模型相对基于 BP 神经网络的连铸坯质量预测模 型,预测准确率有了很大提升,对连铸坯中心疏松和 中心 偏 析 缺 陷 预 测 准 确 率 可 分 别 达 到 70% 和 72郾 5% ,但模型训练需要消耗较长的时间,不利于模 型的在线应用. (3)基于极限学习机的连铸坯质量预测模型对 连铸坯缺陷的预测准确率明显优于 BP 和 GA鄄鄄 BP 神经网络预测模型,对连铸坯中心疏松和中心偏析 缺陷预测准确率可分别达到 85% 和 82郾 5% ,且模型 对样本进行训练所需时间仅 0郾 1 s,训练速度比 BP 和 GA鄄鄄BP 神经网络预测模型有了极大的提升. (4)基于极限学习机的连铸坯质量预测模型可 对钢铁企业的海量生产数据进行快速分析,对连铸 坯质量预测的迅捷在线应用具有重要的推动作用, 有望应用于冶金过程工艺或质量控制参数预测 研究. 参 考 文 献 [1] Zhang B L, Zhang X S, Cao C X. Neural network applied in diag鄄 nosis of steel slab production. Microcomput Appl, 2001, 17(1): 34 (张邦礼, 张雪松, 曹长修. 神经网络在钢铁板坯生产缺陷诊 断中的应用. 微型电脑应用, 2001, 17(1): 34) [2] Bouhouche S. Contribution to Quality and Process Optimization in Continuous Casting using Mathematical Modelling [Dissertation]. Freiburg: Technische Universit覿t Bergakademie Freiberg, 2002 [3] Chang Y H, Zeng Z, Zhang J Q, et al. Online quality prediction system of bloom castings based on BP neural network. Iron Steel, 2011, 46(5): 33 (常运合, 曾智, 张家泉, 等. 基于 BP 神经网络的大方坯质量 在线预报模型. 钢铁, 2011, 46(5): 33) [4] Zhang J. Research on Slab Defect Prediction and Parameter Optimi鄄 zation System based on Neural Network [ Dissertation ]. Chongqing: Chongqing University, 2001 (张静. 基于神经网络的遗传算法的板坯缺陷预报和参数优 化系统研究[学位论文]. 重庆: 重庆大学, 2001) [5] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: a new learning scheme of feedforward neural networks / / Proceedings IEEE International Joint Conference on Neural Networks. Buda鄄 pest, 2004: 985 [6] Jing G L, Du W T, Guo Y Y. Studies on prediction of separation percent in electrodialysis process via BP neural networks and im鄄 proved BP algorithms. Desalination, 2012, 291: 78 [7] Wang Z, Chang J, Ju Q P, et al. Prediction model of end鄄point manganese content for BOF steelmaking process. ISIJ Int, 2012, 52(9): 1585 [8] Cai K K. Quality Control of Continuous Casting Strand. 2nd Ed. Beijing: Metallurgical Industry Press, 2010 (蔡开科. 连铸坯质量控制. 2 版. 北京: 冶金工业出版社, 2010) [9] Dong S, Wang B, Wang Z, et al. Comparison of prediction models for power draw in grinding and flotation processes in a gold treat鄄 ment plant. J Chem Eng Jpn, 2016, 49(2): 204 [10] Hu J, Zeng X J. An efficient activation function for BP neural network / / International Workshop on Intelligent Systems and Ap鄄 plications. Wuhan, 2009: 1 [11] Liu Q, Wang B, Yuan W, et al. Prediction model of floatation recovery ratio for a gold mine. J Univ Sci Technol Beijing, 2014, 36(11): 1456 (刘青, 王彬, 袁玮, 等. 金矿浮选回收率预测模型. 北京科 技大学学报, 2014, 36(11): 1456) [12] Liu K, Guo W Y, Shen X L, et al. Research on the forecast model of electricity power industry loan based on GA鄄鄄 BP neural network. Energy Procedia, 2012, 14: 1918 [13] Ji C, Cai Z Z, Tao N B, et al. Molten steel breakout prediction based on genetic algorithm and BP neural network in continuous casting process / / 2012 31st Chinese Control Conference. Hefei, 2012: 3402 [14] Huang G B, Zhou H M, Ding X J, et al. Extreme learning ma鄄 chine for regression and multiclass classification. IEEE Trans Syst Man Cybern Part B Cybern, 2012, 42(2): 513 [15] Yu Q, Miche Y, S佴verin E, et al. Bankruptcy prediction using extreme learning machine and financial expertise. Neurocomput鄄 ing, 2014, 128: 296 [16] Deo R C, 褗ahin M. Application of the extreme learning machine algorithm for the prediction of monthly effective drought index in eastern Australia. Atmos Res, 2015, 153: 512 ·821·