Resumen

En el proceso de laminación en caliente continuo, el principal factor que afecta el grosor real de la banda es la fuerza de laminación. La precisión del cálculo de la fuerza de laminación es clave para lograr un control en línea preciso. Sin embargo, debido a la complejidad y no linealidad del proceso de laminación, así como a muchos factores influyentes, el análisis teórico del modelo de predicción de fuerza de laminación tradicional a menudo necesita ser simplificado e hipotetizado. Esto lleva a la incompletitud del modelo matemático y a la desviación entre los resultados calculados y las condiciones de trabajo reales. En este artículo, se propone un método de predicción de fuerza de laminación basado en algoritmo genético (AG), algoritmo de optimización por enjambre de partículas (PSO) y máquina de aprendizaje extremo de múltiples capas ocultas (MELM), es decir, algoritmo PSO-GA-MELM, que toma a MELM como el modelo básico para la predicción de

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Fuerza de laminación; Modelo de predicción; Algoritmo genético; Algoritmo de optimización de enjambre de partículas; Máquina de aprendizaje extremo de múltiples capas ocultas; Proceso de laminación en caliente continuo
• Keywords:Rolling force; Prediction model; Genetic algorithm; Particle swarm optimization algorithm; Multiple hidden layer extreme learning machine; Hot continuous rolling process