基于SVM的臺車熱處理爐工件溫度模型

作者：魯艷偉

摘要：熱處理爐內工件溫度及其分布是衡量工件加熱質量以及實現爐子自動控制的重要依據之一,合理的控制工件溫度可以提高工件加熱質量,降低爐子燃料消耗.由于測試技術的限制,在實際生產過程中,工件溫度的檢測和跟蹤比較困難.如何精確及時測得工件溫度并且降低經濟損耗,是實現自動控制的前提,也是產品質量的保證.為了準確的獲得熱處理爐工件溫度,需要建立工件溫度的預測模型來實現對工件溫度的檢測和跟蹤.支持向量機是在統計學習理論的VC維理論和結構風險最小化原則的基礎上提出的一種新的機器學習方法,它追求的是在有限樣本情況下的最優解而不僅僅是樣本數趨于無窮大時的最優解,比以經驗風險最小化為基礎的神經網絡學習算法具有更強的理論依據和更好的泛化性能.最小二乘支持向量機(Least Squares Support Vector Machine,LSSVM)是普通支持向量機的改進算法,它通過將最小二乘線性系統引入支持向量機,代替傳統的支持向量機采用二次規劃方法解決函數估計問題的做法,簡化了模型參數,加快了運算速度.本文以臺車式熱處理爐為研究對象,利用從現場采集的爐內6個區溫度,爐頂溫度和工件的表面溫度來建立工件溫度模型.首先對LSSVM的核函數進行選擇,分別用三類常見的核函數進行回歸建模,通過仿真實驗發現,徑向基核函數比其他兩個核函數性能要好一些.然后將仿真結果與SVM的模型和BP的模型比較發現,LSSVM的效果最好.但是和標準支持向量機相比,它失去了"稀疏性".LSSVM的稀疏化方法解決了這一難題.最后用該方法對工件的上下表面溫度進行建模.通過仿真實驗發現,它可以在保證精度的前提下,減少訓練樣本,減少訓練時間,提高運算速度.

關鍵詞：熱處理爐 支持向量機 稀疏化 工件溫度模型 自動控制