模块化神经网络在CSP连轧过程逆质量模型建立中的应用.pdfVIP

《冶金自动4匕))2006年增刊(s2) 模块化神经网络在CSP连轧过程逆质量 模型建立中的应用 孙雷1，王建国2，王明辉2 (日照职业技术学院机电系，山东日照276826；内蒙古科技大学) [摘要]针对连轧系统的复杂性，提出了模块化神经网络的建模思想。运用数据预处理和K-means聚类的方法 提高了数据样本质量；运用变量聚类的方法使系统降维，优化了神经网络结构；运用模块化神经网络的理论进 行网络划分，取得了较高的建模精度，并通过网络校验验证了方法的有效性。 [关键词]csP；逆质量模型；模块化神经网络；聚类 O引言【1_2】 略大异常数据样本的方法进行处理。即是对于遗 从原理上讲，三层BP神经网络能逼近任意复 漏值和少量的噪音数据点进行依据相邻变量的特 杂的非线性函数。但在实际应用神经网络进行系 征确定最可能值进行插补；而对于连续几个变量 统建模的过程中，随着问题复杂程度的增加，训练 均异常的数据样本直接剔除掉。 一个复杂网络所需要的样本量和时间都急剧增 数据预处理过程中考虑到变量数降维的需 加，而且得到的复杂网络往往不能揭示问题的层 要，对每道轧机中的基本处于恒值和零值的变量 次和结构。一种有效的方法就是把复杂的问题分 进行手工剔除。从而将原来轧机的20个输入变 解为简单的子问题。模块化的神经网络是这种思 想的一种体现，即把一个复杂的问题划分为几个 =(5，14，14，9，15，15，13)。 简单的问题，再利用几个小的网络(即模块化子网 2数据样本K．Means聚类【4J 络)去解决。从结构上讲，它可以分为两大类：一 经过预处理后的数据变量共有2073组。由 类是级联型模块化网络；另一类是并联型模块化 于每个样本所含的变量较多，而且每个变量的 网络。 2073+数值的变化范围很大，对于神经网络逆模 型的收敛相当不利，因此有必要按照数据的特征 CSP(CompactStripProduction)连轧过程由六台 (F1一r6)四辊精轧机顺序完成。Fl入口接辊底式对数据样本进行分组，数据的聚类是解决此类问 加热炉出口，经过六道轧制工序后，F6出口接板材 题的有效方法，由于本例中无法人为地确定数据 层流冷却系统。各道次轧制工序之间即相对独 聚类的中心，所以采用了具有自动确定聚类中心 立，又有着密切的关系，因此可以按照级联型模块 的K．Means聚类方法对2073个样本按照个体之间 化神经网络的思想组建轧制系统的逆质量模型。 的相关性进行聚类分析。 建立连轧过程模块化神经网络逆质量模型可以分 表1为聚类后的结果，表2为聚类中心的相 为以下几步：数据预处理，数据聚类，变量聚类，网 关距离。依据表1，表2的聚类结果，第2类数据 络划分，网络训练和网络校验。 具有最多的数据样本，从聚类中心看近似于各样 1数据预处理【3J 本的中间值，因此选择第2类的993组数据作为建 采用的数据来源于包钢CSP生产线，数据量 模的数据样本。其中前500组做为网络训练样 相对比较粗糙，需要对数据进行预处理。本例中 本，中间400组做为网络测试样本，剩余的93组用· 对遗漏值和噪音数据同时采用同类均值插补和忽 于网络校验。 [收稿日期]2006-05．11“修改稿收到日期3a】06-05．26 [作者简介]孙雷(1975．)，男，山东潍坊人，硕士，研究方向为设备状态监测与故障诊断，过程质量诊