人工神经网络在轧钢中应用.docVIP

人工神经网络在轧钢中的应用 赵启林　吕　程　王国栋 摘　要　以典型事例为据,介绍了人工神经网络在轧钢中的研究进展及应用,国内外实际应用表明:人工神经网络在轧钢生产中的自动控制模型辨识与优化等方面优于传统方法。关键词　人工智能　神经网络　轧制 APPLICATION OF ARTIFICIAL NERVE NETWORK IN STEEL ROLLING Zhao Qilin　LuCheng　Wang Guodong(Northeast University) Synopsis　The progress and application of research on the artificial nerve network in the steel rolling are described with a few typical examples.Actual applications at home and abroad show that the artificial nerve network is superior over the conventional methods in automation control,model identification and optimization in the steel rolling.Keywords　artificial nerve　network　rolling 1　前　言　　人工神经网络具有处理信息速度快、计算能力强、高度容错、强鲁棒性等特点和自适应、自学习、归纳等智能性功能,使其可被用于非线性、强干扰、时滞不定、难于建模、快速多变的复杂系统的控制,因此,人工神经网络在许多信息处理领域(如模式识别、自动控制、信号处理、辅助决策等)得到广泛应用。　　目前,欧、美、日本等对神经网络在轧钢生产中的应用开展了广泛的研究,并且在实际应用中取得了突出的成就;国内在这方面也进行了大量的研究工作,但成功地应用于实际的事例还比较少。就目前的研究来看,人工神经网络在轧钢生产中可用于模型的建立与优化、过程辨识、过程控制及自适应调整、自学习优化控制、传感器监测、在线监测与产品质量预测、参数预测等方面,主要应用在自动化控制系统的过程控制级中。应用的方法是把神经网络与传统相结合,共同实际某些功能。应用的方式有参数网络(见图1)、修正网络(见图2)、综合网络(见图3)和建立神经网络模型等几种。下面将介绍人工神经网络在轧钢中的具体应用实例。 图1　参数网络 图2　附加修正网络 图3　综合网络 2　神经网络在轧钢中应用实例2.1　预测热轧带钢的轧制力［2］　　把神经网络作为数学模型的修正,组成综合神经网络模型,用来完成热轧带钢轧制力的预测。图4所示为一个机架的综合神经网络模型,整个机组有七个这样的模型。 图4　计算轧制力的神经网络 　　其中,MMFi是计算轧制力的数学模型,它对各个机架都是相同的,只是输入参数稍有区别。数学模型的输入参数包括:工作辊直径、前后张力、轧件温度、带钢宽度、厚度和压下量等,模型计算输出各机架的轧制力Fi。NNFi和NNαn为神经网络,它们对模型计算值进行修正。NNαn是考虑轧件特性的修正网络,它对各个机架都是相同的,其输入参数包括钢的成分(如C、Si、Mn、B等合金元素的含量)和一些其它的物理参数,输出为修正因子αi。NNFi是考虑机架特性的修正网络，对各个机架是不同的，其输入除包括与MMFi相同的参数外还有前述修正因子αi,NNFi与Fi相乘后得到各机架的预测轧制力FWi。　　在MMFi和NNFi的输入参数中包括轧件温度Ti,它也是通过计算得到的。因此,进一步采用了神经网络与数学模型结合的温度网络模型(图4虚线所示)。该温度网络只有两个,分别在第二机架后(ΔT1)和最末机架后(ΔT2)。把修正后的温度输入上述数学模型和神经网络中,可以进一步提高预测的精度。　　此网络在德国Westfalen厂投入使用。测试结果显示,采用神经网络模型后,全部钢卷的偏差减小约12%。使用温度网络后,钢卷的平均绝对误差和标准偏差进一步降低,对于ΔT1网络降低达到20%,对于ΔT2网络降低达到40%。神经网络明显优于传统方法。2.2　预测冷轧变形抗力和摩擦系数［3］　　材料的变形抗力是计算轧制力时必须准确知道的参数,但合金元素或生产过程参数的微小改变都能影响材料的变形抗力。虽然可通过拉伸试验确定材料的变形抗力,但对每个钢种都做试验在很多情况下是不现实的。另一种方法是利用从轧制过程中测得的数据,通过数学模型(如BFE冷轧轧制力计算模型)反算得到材料的变形抗力。具体方法是:将测得的轧制力、前后张力、轧制速度、轧件尺寸、压下量及摩擦等参数设为定值,迭代变形抗力使其符合数学模型,就可以