.png){kind=icon}
返回
Dynamic ensemble optimization for aluminum extrusion parameter prediction: a DDPG-based adaptive stacking method
.png){kind=icon}
PRE
AI
DOI：10.1007/s10845-026-02977-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
铝合金挤压是制造高性能铝合金型材的关键塑性成形技术，其产品广泛应用于航空航天、交通运输和建筑等行业。在铝合金挤压过程中，工艺参数的精确设定对产品质量和生产效率具有决定性影响。然而，该过程具有高维性、非线性和时变性等特点，传统方法难以有效处理。为解决这一问题，本文提出了一种集成稳定性感知多视图特征选择方法（SAM-FS）和DDPG驱动的自适应堆叠模型（DA-Stacking）的预测框架。SAM-FS通过引入稳定性偏差项，基于熵权法（EWM）构建综合评价方法，并整合统计检验、信息理论和嵌入式建模的结果，有效筛选出兼具判别力和鲁棒性的关键特征。DA-Stacking借鉴专家混合架构，将多个异构基学习器作为专业专家进行集成，并利用结合注意力机制的深度确定性策略梯度（DDPG）智能体，根据实时运行条件实现异构基学习器的自适应融合权重分配。在中国某铝合金型材制造企业的实际生产数据集上进行评估，所提出的框架实现了增强的预测性能，相较于TabPFN和AutoGluon等基线方法，通过将MAE降低7.2%（对比AutoGluon）和RMSE降低5.6%（对比TabPFN），同时实现了更高的$$R^2$$值。
Keyword:
Aluminum extrusion
Process parameter prediction
Feature selection
Reinforcement learning
Stacking integration
期刊
IF:
7.4
论文数:
3.5K
被引数:
1.1W
机构
引用论文
Improving the prediction of mechanical properties of aluminium alloy using data-driven class-based regression使用数据驱动的基于类的回归改进铝合金力学性能的预测
PREAI
分享收藏
Pearson correlation-based clustering with collaborative task allocation in 5G Industrial Internet of Things divergent health networks基于皮尔逊相关系数的聚类与协同任务分配在5G工业物联网发散健康网络中的应用
PREAI
分享收藏Dynamic feature selection for silicon content prediction in blast furnace using BOSVRRFE利用BOSVRRFE进行高炉硅含量预测的动态特征选择
PREAI
分享收藏Molten Steel Temperature Prediction in Ladle Furnace Using a Dynamic Ensemble for Regression.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容