·820· 工程科学学报，第40卷，第7期 此可知当隐含层神经元个数超过20时，模型的训练 3.5 开始出现过度拟合：从而可知本文建立的两个模型 -。预测值 女一实际值 的最佳隐含层神经元个数范围为(0,20]. 3.0 本文建立的模型以预测准确率和训练拟合度为 2.5 目标，通过选择不同的激活函数和隐含层神经元个 数，使模型的预测准确率和训练拟合达到最佳.因 20 ● 此，综合考虑分析本文最终确定连铸坯中心疏松预 1.5 测模型的激活函数为‘sigmoid'时，最佳隐含层神经 元个数为15；连铸坯中心偏析预测模型的激活函数 1.08 c000888385 为‘hardlim'时，最佳隐含层神经元个数为20，具体 10 20 30 40 参数如表4所示 样本 图9中心疏松的实际值和预测值的比较 表4极限学习机的基本参数 Fig.9 Comparison of the center porosity between the actual values Table 4 Fundamental parameters of the extreme leamning machine and the predicted values 缺陷类型 输入层节点 隐含层节点 激活函数 中心疏松 20 15 sigmoid 。预测值 4 一一实际值 中心偏析 20 20 hardlim 图9和图10分别为连铸坯中心疏松和中心偏 34 9 析缺陷实际值和预测值.本模型对连铸坯中心疏 松和中心偏析两种缺陷的预测命中率分别为85% 和82.5%.图中连铸坯缺陷等级‘1’表示连铸坯 ! 无缺陷，‘2'表示连铸坯缺陷等级为0.5，‘3’表示 连铸坯缺陷等级为1，‘4'表示连铸坯缺陷等级为 8883833 033838 1.5. 10 20 30 40 样本 3.3三个连铸坯质量预测模型的比较 图10中心偏析的实际值和预测值的比较 现对本文建立的基于BP、遗传算法(GA)优化 Fig.10 Comparison between the actual values and the predicted val- BP和极限学习机的三个连俦坯质量预测模型对连 ues of the central segregation 铸坯中心疏松和中心偏析的识别准确率、运算时间 等参数进行比较，结果如表5所示. 表5三种模型测试结果比较 Table 5 Comparison of the test results from the three models considered above 网络类型 训练样本 测试样本 中心疏松命中率/% 中心偏析命中率/% 运算时间/s BP 120 40 50 57.5 2 GA-BP 120 40 70 72.5 120 极限学习机 120 40 85 82.5 0.1 从表5中可以看出，BP神经网络模型预测准确 85%和82.5%，且该模型具有极快的运行速度，运 率较低，对连铸坯中心疏松和中心偏析缺陷的预测 算时间仅需0.1s. 准确率分别为50%和57.5%.经遗传算法优化后 基于BP和GA-BP神经网络的连铸坯质量预 的BP神经网络预测模型的预测结果有了进一步的 测模型是一种误差逆向传播训练的前馈神经网络， 改善，对连铸坯中心疏松和中心偏析缺陷的预测准 为提高模型预测精度，神经网络通过实际值与输出 确率分别为70%和72.5%，但该模型学习速度慢， 值的误差反馈来调整模型的连接权值.然而，上述 训练时间较长，运算时间为120s,不利于连铸坯质 两种模型在运行过程中存在一定的不足，即BP神 量预测模型的在线应用：而基于极限学习机的连铸 经网络预测模型随机产生的权值容易使网络陷入局 坯质量预测模型预测准确率较高，对连铸坯中心疏 部最优；GA-BP神经网络预测模型的训练速度慢， 松和中心偏析缺陷的预测准确率可分别提高至 且网络在寻优过程中易出现早熟收敛，运算结果非工程科学学报,第 40 卷,第 7 期 此可知当隐含层神经元个数超过 20 时,模型的训练 开始出现过度拟合;从而可知本文建立的两个模型 的最佳隐含层神经元个数范围为(0,20]. 本文建立的模型以预测准确率和训练拟合度为 目标,通过选择不同的激活函数和隐含层神经元个 数,使模型的预测准确率和训练拟合达到最佳. 因 此,综合考虑分析本文最终确定连铸坯中心疏松预 测模型的激活函数为‘ sigmoid爷时,最佳隐含层神经 元个数为 15;连铸坯中心偏析预测模型的激活函数 为‘hardlim爷时,最佳隐含层神经元个数为 20,具体 参数如表 4 所示. 表 4 极限学习机的基本参数 Table 4 Fundamental parameters of the extreme learning machine 缺陷类型 输入层节点 隐含层节点 激活函数 中心疏松 20 15 sigmoid 中心偏析 20 20 hardlim 图 9 和图 10 分别为连铸坯中心疏松和中心偏 析缺陷实际值和预测值. 本模型对连铸坯中心疏 松和中心偏析两种缺陷的预测命中率分别为 85% 和 82郾 5% . 图中连铸坯缺陷等级‘1爷 表示连铸坯 无缺陷,‘2爷表示连铸坯缺陷等级为 0郾 5,‘3爷表示 连铸坯缺陷等级为 1,‘4爷表示连铸坯缺陷等级为 1郾 5. 3郾 3 三个连铸坯质量预测模型的比较 现对本文建立的基于 BP、遗传算法(GA)优化 BP 和极限学习机的三个连铸坯质量预测模型对连 铸坯中心疏松和中心偏析的识别准确率、运算时间 图 9 中心疏松的实际值和预测值的比较 Fig. 9 Comparison of the center porosity between the actual values and the predicted values 图 10 中心偏析的实际值和预测值的比较 Fig. 10 Comparison between the actual values and the predicted val鄄 ues of the central segregation 等参数进行比较,结果如表 5 所示. 表 5 三种模型测试结果比较 Table 5 Comparison of the test results from the three models considered above 网络类型 训练样本 测试样本 中心疏松命中率/ % 中心偏析命中率/ % 运算时间/ s BP 120 40 50 57郾 5 2 GA鄄鄄BP 120 40 70 72郾 5 120 极限学习机 120 40 85 82郾 5 0郾 1 从表 5 中可以看出,BP 神经网络模型预测准确 率较低,对连铸坯中心疏松和中心偏析缺陷的预测 准确率分别为 50% 和 57郾 5% . 经遗传算法优化后 的 BP 神经网络预测模型的预测结果有了进一步的 改善,对连铸坯中心疏松和中心偏析缺陷的预测准 确率分别为 70% 和 72郾 5% ,但该模型学习速度慢, 训练时间较长,运算时间为 120 s,不利于连铸坯质 量预测模型的在线应用;而基于极限学习机的连铸 坯质量预测模型预测准确率较高,对连铸坯中心疏 松和中心偏析缺陷的预测准确率可分别提高至 85% 和 82郾 5% ,且该模型具有极快的运行速度,运 算时间仅需 0郾 1 s. 基于 BP 和 GA鄄鄄 BP 神经网络的连铸坯质量预 测模型是一种误差逆向传播训练的前馈神经网络, 为提高模型预测精度,神经网络通过实际值与输出 值的误差反馈来调整模型的连接权值. 然而,上述 两种模型在运行过程中存在一定的不足,即 BP 神 经网络预测模型随机产生的权值容易使网络陷入局 部最优;GA鄄鄄BP 神经网络预测模型的训练速度慢, 且网络在寻优过程中易出现早熟收敛,运算结果非 ·820·