摘要：軋制力預(yù)報一直是熱連軋過程控制模型的核心,淺層神經(jīng)網(wǎng)絡(luò)對復(fù)雜函數(shù)的表示能力有限,而深度學(xué)習(xí)模型通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu),實現(xiàn)復(fù)雜函數(shù)逼近。利用深度學(xué)習(xí)框架TensorFlow,構(gòu)建了一種深度前饋神經(jīng)網(wǎng)絡(luò)軋制力模型,采用BP算法計算網(wǎng)絡(luò)損失函數(shù)的梯度,運用融入Mini-batch策略的Adam優(yōu)化算法進行參數(shù)尋優(yōu),采用Early-stopping、參數(shù)懲罰和Dropout正則化策略提高模型的泛化能力。基于上述建模策略,針對寶鋼1880熱連軋精軋機組的大量軋制歷史數(shù)據(jù)進行了建模實驗,對比分析了4種不同結(jié)構(gòu)的前饋網(wǎng)絡(luò)預(yù)測精度。結(jié)果表明,相比于傳統(tǒng)SIMS軋制力模型,深度神經(jīng)網(wǎng)絡(luò)可實現(xiàn)軋制力的高精度預(yù)測,針對所有機架的預(yù)測精度平均提升21.11%。