基于神经网络的热连轧板形控制系统的辨识研究.pdfVIP

《冶金自动4E}2006年增刊(S2) 基于神经网络的热连轧板形控制系统的辨识 钟恬，何安瑞，杨荃。 (北京科技大学高效轧制国家工程研究中心，北京100083) [摘要]针对宽带钢热连轧轧制过程中影响板形质量的非线性因素众多，板形控制系统精确的数学模型难以 建立的特点，分别采用BP和RBF神经网络模型对板形控制系统进行建模，经Vc++6．0仿真实验，表明利用神 经网络可有效地辨识具有非线性、大滞后的复杂系统的数学模型。通过分析比较两种网络的建模方法，RBF网 络模型比BP网络模型更具优越性。RBF神经网络采用的神经元数量大大减少，在一定程度上克服了BP网络 训练时间长和局部极小的不足。 [关键词]热连轧；板形控制；神经网络；动态最近邻聚类；辨识 O前言 式中，g[·]未知，由神经网络进行辨识。网络的输 带钢热连轧过程涉及大量的非线性因素，而 入是被控对象的输入输出序列{“(k)，Y(k)}，采 且轧制过程中的某些条件还具有时变特性。板形 用三层BP神经网络实现。 质量受弯辊力、轧制力、来料条件以及轧辊的初始 BP网络的输入为： 辊形、磨损辊形和热辊形等因素的影响。因此，在 IN=[Y(k)，…，Y(k—rt+1)，u(k)，·1”， 这样一个复杂的工业控制系统中，建立精确的数 “(k—m+1)] (2) 学模型，成为板形控制中的一个难点Ⅲ1。 隐层第i节点的输出为： 控制系统的模拟和仿真是进行科学研究的重 of(k)=fE菇f(k)] (3) 要手段，建立控制系统的数学模型是进行控制系 统设计和计算机仿真的前提和基础。近年来，由 铲善加再(后)，歹=o，1，2…，Ⅳ (4) 于神经网络具备学习能力和非线性特性，在系统 式中，Io(k)=1，】fD为阈值。 令隐含层激活函数： 辨识中得到了广泛的应用。神经网络能够根据系 统的输入输出数据，利用非线性的映射方法，辨识 八小葛 (5) 系统的模型，并以网络权值的形式将系统的结构 网络的输出： 存储在网络模型中。在非线性动态系统的辨识 中，最常用的是多层前向BP神经网络和径向基函 多(．j}+1)=妻即f(¨ (6) 数RBF神经网络。本文利用这两种网络分别建立 设准则函数： 了热连轧的板形控制系统的数学模型，并且分析 比较了这两种网络在系统辨识中的不同。 (7) 1 BP神经网络 网络的权值调整算法采用具有阻尼项的BP 反向传播(BP，BackPropagation)网络是目前应 算法： 用最广泛的神经网络模型之一，是一种多层前馈 神经网络【2|。 Awf(k)=ar／el(k+1)Of(k)+ 设被控对象为 Y(k+1)=g[Y(后)，…，Y(k一／／,+1)， (9) u(k)，…，“(k一，n+1)](1) (1一口)p(埘F(k)一钾i(k一1)) [收稿日期]2006-03．28 [作者简介]钟恬(1981．)