基于小波分析的多RBF神经网络轧制力设定模型.pdfVIP

华南理工大学学报(自然科学版) JournalofSouthChina of V01．38No．2 第38卷第2期 UniversityTechnology Science 2010 2010年2月 (Natural Edition) February 基于小波分析的多RBF神经网络轧制力设定模型’。‘ 陈治明1 罗飞1 曹建忠2 (1．华南理工大学自动化科学与工程学院，广东广州510640；2．惠州学院电子科学系，广东惠州516007) 摘要：带钢热连轧生产过程中，轧制力预设定时的轧制力信号影响因素多、关联复杂， 难以建立精确的机理模型．为此，文中应用小波多分辨分析方法，将轧制力分解重构为对 应于不同影响因素的子信号，并建立了一个多RBF神经网络模型．模型中每个子网络分 别对一个子信号进行建模，最后将各子网络输出综合为轧制力设定信号．各个子信号的影 响因素不同，每个子模型输入参数和输出参数亦不同，从而能真实地反映轧制力变化的内 在机理，具有明确的物理意义．仿真实验表明，这种建模方法降低了系统维数，能有效提高 网络学习能力，轧制力预设定误差率从BP神经网络的lO％降低到了5％． 关键词：热连轧；轧制力；小波分析；多RBF神经网络 中图分类号：TPl81；TG335 带钢热连轧生产过程体系庞大，机理复杂，系统 是，有研究者研究利用多神经网络来进行模型的建 参数众多，并且各个参数之间具有强耦合性，建立起 立，并应用于冷轧或者热轧中№‘7J，取得了较好的效 一个精确的系统数学模型十分困难．因此轧制过程 果．但在他们的模型中，神经网络都使用同样的输 控制设定中采用的多为简化的数学模型，并在长期 入、输出参数和数据进行训练，子网络的物理意义不 生产中利用生产数据进行模型修正．这种方法在生 明确，本质上还是将网络学习机械地分散后再集成。 产中是有效的，但显然各个工艺控制参数并非最优， 针对这些问题，考虑到小波分析方法出色的时 因而影响了过程控制精度的进一步提高． 域和频域分析性能旧1和多神经网络的强化学习性 随着智能控制技术的发展，人们开始在轧制设 能一J，基于多神经网络应用于带钢热连轧的研究还 定模型研究中引入人工智能方法¨引．文献[1．4]中 比较缺乏，文中提出了一种结合小波多分辨分析和 均是将BP人工神经网络应用于轧制模型的设计 多RBF神经网络的轧制力设定建模方法．通过小波 中，其中一些方法中同时引入了其它智能算法(如 多分辨分析将轧制力分为不同子成分，然后建立对 遗传算法怛j、粒子群优化(PSO)算法)对网络进行 应的RBF神经网络子模型来进行学习建模． 优化，或者将神经网络和模糊控制相结合¨1，或者 将智能模型和传统机理模型相结合HJ，或者采用径 1 小波多分辨分析 向基函数(RBF)神经网络j、小脑模糊神经网络、 1．1 小波变换及其时一频特性 小波神经网络等较新型的神经网络进行建模．以上 小波变换理论是在傅里叶变换的基础上进一步 算法都取得了较好的效果，但是它们都只是采用了 发展起来的．对于函数砂(t)∈厶2(R)，如果 单个神经网络进行建模．而连轧系统非常复杂，采用 -∞ I砂(t)dt=0， 单个