引用本文:肖冬,王继春,潘孝礼,毛志忠,常玉清.基于改进PCA–ELM方法的穿孔机导盘转速测量[J].控制理论与应用,2010,27(1):19~24.[点击复制]
XIAO Dong,WANG Ji-chun,PAN Xiao-li,MAO Zhi-zhong,CHANG Yu-qing.Modeling and control of guide-disk speed of rotary piercer[J].Control Theory and Technology,2010,27(1):19~24.[点击复制]
基于改进PCA–ELM方法的穿孔机导盘转速测量
Modeling and control of guide-disk speed of rotary piercer
摘要点击 2397  全文点击 1531  投稿时间：2008-06-24  修订日期：2009-02-07
查看全文  查看/发表评论  下载PDF阅读器
DOI编号  
  2010,27(1):19-24
中文关键词  穿孔机  导盘转速  主成分分析  极限学习机
英文关键词  piercer  guide-disc  principal component analysis  extreme learning machine
基金项目  国家自然科学基金资助项目(60674063); 辽宁省自然科学基金资助项目(20062024).
作者单位E-mail
肖冬* 东北大学 信息科学与工程学院 xiaodong@ise.neu.edu.cn 
王继春 东北大学 信息科学与工程学院  
潘孝礼 东北大学 信息科学与工程学院
上海宝钢股份有限公司 		 
毛志忠 东北大学 信息科学与工程学院  
常玉清 东北大学 信息科学与工程学院  
中文摘要
      目前, 国内许多钢铁生产企业为了提高无缝钢管的生产质量, 都采用了加装狄赛尔导盘的斜轧穿孔机进行管坯穿孔. 但是在斜轧穿孔过程中, 由于客观条件限制, 导盘转速无法通过直接测量的手段在线精确测得. 通过软测量实现穿孔机导盘转速的在线精确测量, 进而有效控制其转速, 提高无缝钢管生产机组的生产效率, 是解决问题的一个有效方法. 针对导盘转速软测量建模中存在的问题, 本文对极限学习机(ELM)方法提出了改进. 一方面将极限学习机方法同主成分分析(PCA)方法相结合, 通过对模型输入量进行主成分分析, 去除了各变量之间的线性相关,最终提高了极限学习机算法的泛化性能; 另一方面对极限学习机隐层节点进行分类, 通过分类减少了极限学习机方法的训练时间和预报时间. 最终得出了基于改进PCA–ELM方法的导盘转速软测量模型, 并通过仿真实验证了其准确性和可应用性.
英文摘要
      Recently, to improve the quality of seamless steel tubes, many domestic billet enterprises use skew rolling piercer with Diescher guide-disc to pierce steel billets. However, in skew rolling piercing, the guide-disc speed can’t be measured directly because of the limitations in practical conditions. Therefore, an online soft measurement of the guide-disc speed has to be developed for controlling the guide-disc speed to improve the productivity and quality of steel tubes. To cope with this problem, we propose a measurement model based on the extreme learning machine(ELM) method with improvements made by us in this paper. This improved ELM method is combined with the principal component analysis(PCA) to let the input values of ELM be analyzed by PCA for improving the generalization performance. On the other hand, the training and predicting time of ELM is reduced by classifying the hidden layer nodes. Thus, a model based on the improved PCA–ELM method is established. Simulation results verify that this model is effective and applicable.