基于BP神经网络的板形预测控制模型.pdfVIP

基于BP神经网络的板形预测控制模型 周晓敏”张清东’王长松‘ 陈守群何汝迎许健勇 (100083：!科大机械工程学院) (：01900宝钢拎轧都 摘要：论文将BP神经网络建模方法与预测控制思想相结台用于宽带钢板彤自动控 制，研究建立了基于昭神经网络的板形预测控制数学模型。模型经用宝钢1420冷轧实测 数据仿真验证表明具有很高的预测精度。 关键词：神经网络，板形，预测控制 1、前言 板形控制是现代板带轧制中的关键问题。板形研究的目的在于解决板形质量问题，而 解决板形问题的方向是实现完善的板形自动控制。轧制过程涉及大量非线性因素，而且轧 制过程中的某些条件还具有时变特性，板形受诸如弯辊力、CVC、轧制力、来料条件以 及轧辊的初始辊形、磨损辊形和热辊形等因素的复杂影响。因此，板形控制数学模型的建 立具有相当难度，也是板形控制研究中的难点。 将轧辊(工作辊或中间辊)磨成s形曲线，r辊和下辊的磨削形状相同，上下轧辊]工相错 位180。布置，形成一个对称的辊缝轮廓。CVC轧机的卜下轧辊nr沿轴向移动，其移动方 向相反，通过横移轧辊．使轧辊的f、度在最人和蛙小值之间连续(无绒)町调。CVC轧机 司以采用J=作辊弯辊、中间辊弯辊、r作辊拙辊、中间辊抽辊等多种板形控制F段，具有 极强的板形控制能力。但埘fcvc轧机．建立板形控制数学模型，Ⅳ}存在着很多问题，各 轧制鼠素较强的非线性、时变及相_I工祸合性特点，使得按传统理论建立起来的数学模型雉 以达到理想的控制效果，同时建立的数学模碰结构也极其复杂，无法满足现场实时控制的 要求。斟此本文针对cVc冷连轧机，建立了矩丁神经嘲络的板形预测控制模型。本文提出 的BP神经网络考虑了多种影响板形的因袭，如板宽、热凸度及磨损凸度等。同时，BP网 络可以离线进行训练，也可在线训练，将二哲结台起来，收敛速度会人大加快，完全可以 满足_T业现场的实时性要求。 2、BP网络简介 BP算法。标准的BP模型中有三个层次的神经元，即 PropagationAlgoritha)，Nj}|cY．gK 输入层、隐含层和输出层。相邻两层的神经元之间形成全互连接，每层内的神经元则没有 连接。 BPNNN学-．q算法是有导师的误差反向传播学习算法，B|)算法的学习过程由正向传 播和反向传播组成。在lE向传播过程中，输入信息由输入层经隐含层逐层传递，井传向输 料周晓敏女，24．北京科技_人学机械[榉学院96级硕士生 }为前者指导教师 出层。返目如果崧输出层的网络输出1j所期望的输出相差较大，则转入反向传播，根据误 差信号从输…层，F始，反向逐层逐个节点计算再连接权值的修IE量，以修改各层神经元的 权值，使误差信号最小。 3、ljP网络原理板形预测模型的建立 本文所采用的BP网络为三层网络。输入层单元数由输入的板形影响因素个数确定， 本文确定输入层节点数为18个，将影响的板形的各调控手段及热磨损凸度都考虑进去。 肿 r J T OUT2 r OUT4 小哪。行¨一¨一吖¨一聊 一 oUT6 2 4 ㈣唧岍嘲慨㈠一，一¨：哪二麓冀：罴蒜邕～6 图lBP网络板形预测模哩拓扑结构图 网络的输出为板形的二次、四次和六次项，所以输出的节点数为3。隐含层取18个节点。 18 综合上述分析，本文确定BP网络结构为183。如图1所示。