特殊钢轧制过程力学性能预报论文.pdfVIP

特殊钢轧制过程力学性能预报 李泾1 孙洪刚1赵宪明2 (1-辽宁省经贸委辽宁沈阳 110004) (1．本钢集团特殊钢有限责任公司。辽宁本溪117001) (2．东北大学轧制技术及连轧自动化国家重点实验室，辽宁沈阳 110004) 摘要在长型材生产过程中．影响最终产品质量和力学性能的因素很多，采用计算机对特钢型材生产过程进行 模拟，可以分析现场出现的问题，制定出解决办法，这对优化钢材生产工艺有着重要意义。提出了利用初始化学成 分和生产工艺参数组成预测特钢型材产品力学性能的BP神经网络模型，通过生产过程中的实际数据的训练，实现 了对型材力学性能的离线预测，预测模型适应性好，预测精度高。 关键词特殊钢力学性能模型预测BP神经网络 1引言 特殊钢的生产是一个复杂的系统，尤其是在没有实现全程机电自动控制的情况下．生产过程不断受到各 种随机因素的干挠．很难用准确的数学公式表示出来。本章通过实际生产数据，利用神经网络实现钢种与力 学性能的映射。通过自学习确定不同力学性能与工艺参数及基本成份的关系，从而优化工艺制度。生产出优 质产品，缩短生产周期，增加经济效益。 2 BP神经网络 误差反向传播神经网络(Back—Propagation)简称BP网络【4J，是神经网络模型中使用最广泛的一种。从 结构上讲，BP神经网络与多层感知机类似，是典型的多层前向网络，分为输入层、中问层和输出层。层与层 之间多采用全互连方式，同一层单元之间不存在相互连接。一个三层BP网络结构如图1所示。但是，BP 神经网络在处理单元的传递函数和学习算法方面却与多层感知机有着显著的不同。多层感知机的处理单元 为线性输入／输出关系。单元状态为二进制的0，l(或一1，Jrl)，而BP神经网络的处理单元为非线性输入／输 出关系，一般采用s型传递函数。 处理单元的输入和输出值可连续变化。正是由于BP神经网络采用了这种连续变化的非线性输入／输 输出模式 y1 Y 2 y m 输出层 权可 权可 输入层 输入模式 图l三层BP神经网络结构 ——577—— 出关系，所以BP神经网络的每一层连接权值都可通过学习来凋节，实现了多层网络学习的设想。 当给定网络的一个输入模式时，它由输入层单元传到中问层单元，经中问层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，这是一个逐层状态更新过程，称为前向传播。如果输出模 式与期望输出模式有误差，不满足要求，那么就转入误差反向传播，将误差权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．不断用一个个训练模式训练网络，重复前向传播和误差反向传播 过程，直到各个训练模式都满足要求为止。 BP神经网络的数学模型： 输出函数：，(工)=百1(1+th号l (1) o、 o， 三 I*=∑m，p*一8日 (2) 式中 w“——单元j与前一层第i个单元的连接权值； ％——第j个神经元的阈值。 误差函数： B=告∑(如一％)2 (3) 式中0。——输出单元j对第P个输入模式的期望输出。 权值调整公式：u“(^+1)2蛳(女)+7’％‘o∥