Resumen

Con el continuo desarrollo de la industria manufacturera, la exigencia de calidad del fleje de acero es cada vez mayor en la fabricación de automóviles, el procesamiento mecánico y las industrias electrónica y eléctrica. El control preciso de la calidad del fleje depende en cierta medida de la predicción exacta de la calidad del fleje. Sin embargo, los datos recogidos por un gran número de sensores en la compleja línea de producción de flejes y generados por el sistema de control informático presentan las características de alta dimensionalidad, alto acoplamiento y no linealidad, lo que dificulta la predicción de la calidad del fleje. La producción continua de datos masivos en la línea de producción también obliga a las empresas siderúrgicas a buscar nuevos métodos de minería de datos, extrayendo la relación entre los datos de los sensores para predecir y controlar la calidad de la banda. Para resolver estos problemas, este artículo propone un modelo GBDBN-ELM, más eficiente y preciso que otros algoritmos. En este modelo, el RBM en DBN se sustituye por GBRBM, de modo que el RBM ya no depende de la distribución binaria, puede manejar valores de continuidad y retener más características de los datos. Para resolver el problema del tiempo de entrenamiento demasiado largo de la DBN, este artículo sustituye la red BP de la DBN por un modelo de regresión ELM. El modelo ELM predice la calidad de la tira basándose en las características abstractas de los datos extraídos, mejorando así la precisión de predicción del modelo y acortando el tiempo de entrenamiento. En este trabajo se compara el modelo GBDBN-ELM con la red neuronal BP, ELM y DBN, y se seleccionan el error cuadrático medio, el coeficiente de determinación R cuadrado y el tiempo de entrenamiento como índices de evaluación de los modelos. Los resultados experimentales muestran que el modelo GBDBN-ELM mejorado no sólo puede mejorar la precisión de la predicción de la calidad del acero en banda, sino también acortar el tiempo de entrenamiento del modelo. El modelo propuesto en este artículo ha obtenido buenos resultados en cuanto a precisión y rendimiento de la predicción.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:calidad de la banda, modelo elm, dbn, gbdbn, modelo, papel, precisión de la predicción, tiempo de entrenamiento, línea de producción de banda compleja, largo tiempo de entrenamiento de dbn
• Keywords:strip quality, elm model, dbn, gbdbn, model, paper, prediction accuracy, training time, complex strip production line, long dbn training time