轧制力预报人工神经网络设定模型的开发.docVIP

轧制力预报人工神经网络设定模型的开发 张志辉　王希哲　陈金英　王国栋　刘相华 　　摘要　研究了轧制力设定控制的人工智能实现方法。在建立训练及预测数据模式库的基础上开发了轧制力预报人工神经网络软件,同时对实际生产中的历史数据进行了模拟在线预报,达到了较高精度。另外,给出了一种利用人工神经网络进行模拟正交实验的新思路。　　关键词　人工神经网络,热轧机组,轧制力设定,模拟实验 The Model Development to Prediction Rolling Force by Using Artificial Neural Network Zhang Zhihui Wang Xizhe(Beijing General Research Institute for Nonferrous Metals,100088)Chen Jinying(Chinese Iron Steel Industry and Commerce Group Corp.,Beijing) 　　Abstract　 The artificial intelligence method to setup and control rolling force is researched.Based on the built train and prediction data bank,the artificial neural network software is developed to predictrolling force. The on-line prediction by practical data is carried out,and the predicted precision is high.Mean while,a new thought of simulation orthogonality experiment is put forward.　　Keywords　artificialneuralnetwork,hotrollingmill,rollingforcesetup,simulationexperiment 1　前言　　现代带材生产中,大多数热轧机组轧制力的设定计算借助于经验或统计和自适应在线模型来实现。精轧设定功能通过计算压下量,机架速度与机架间张力,可生产出所需头-尾精轧厚度,横断面形状和平直度的带钢。压下量（机架间厚度）计算是依据轧制力分布来确定。带钢头尾厚度也主要取决于精轧机组设定中轧制力预报的精确性。由此可见,轧制力的准确预测对获得所要求的末架出口厚度,特别是头尾厚度是必要的,由于轧制过程非常复杂,轧制条件和状态不断变化,传统的设定模型很难达到精度要求。因而,开发一个精确的在线轧制力预报模型,对准确预测各种工艺或各种金属材料条件下的轧制力具有重要的意义。　　人工神经网络（
ArtificialNeuralNetwork简称ANN）的研究为上述问题提供了良好的途径。它解决问题的方式不同于传统逻辑思维的“算法”,其“操作”具有形象思维的属性,特别适合于处理需同时考虑许多因素,条件,不精确和模糊信息的问题。本文将讨论用人工神经网络建立轧制力设定模型的全过程。 2　BP网络建模　　误差反向传播的BP模型是人工神经网络模型中使用最广泛的一类,是典型的多层网络,分为输入层,隐层和输出层,层与层之间采用全互连方式,同一层单元之间不存在相互连接,每一层连接权值可以通过学习来调节。基本输入单元（输入层单元除外）为非线性输入-输出关系,一般为Sigmoid型函数 　　BP网络实现了多层网络学习的设想。当给定网络一个输入模式时,它由输入层单元传到隐层单元,经隐单元逐层处理后再送到输出层单元,由输出层单元处理后产生一个输出模式,若输出响应与期望输出有误差,那么就转入误差后向传播,将误差值沿连接通路逐层传送并修正各层连接权值。对于给定的一组训练模式,不断地用一个个训练模式训练网络,重复前向传播和误差后向传播过程,当各个训练模式都满足要求时,BP网络训练结束。　　通过变步长方法,加动态量（即改进的Delta规则）,加入因子等方法可改善模型的收敛速度,克服局部极小问题。　　另外,BP网络虽能有效地进行参数预报,但局限于训练数据的范围内。实践证明,在训练数据范围之外进行参数预报,将使预报结果误差极大,甚至会产生难以想象的结果,这正是神经网络的“危险性”所在,因此,考虑用传统数学模型对网络结果进行限制,即让传统模型与BP网络模型并行计算,传统数学模型值作为网络预报值的约束条件,改进后的BP算法框图见图1。 1BP算法框图 3　轧制力影响因素的确ANN模拟研究3.1　实验目的与方法　　实验目的是利用人工神经网络方法寻求