基于人工神经网络的钢管壁厚预测研究.pdfVIP

第35卷第 l期 包 钢 科 技 Vo1．35．№ ．1 2009年 2月 Science hnnlogyofBaol0usteel(Group)C0rI)0rdtion Febmary，2009 基于人工神经网络的钢管壁厚预测研究 王洪敏，高 占革，姜海鹰 (内蒙古包钢钢联股份有限公司无缝钢管厂，内蒙古 包头0l4ol0) 摘 要：文章采用人工神经网络对包钢无缝钢管厂西180机组张力减径过程管材的厚度、外径进行分析，建立多层 神经网络模型对张减机出口壁厚进行预测，以适应生产过程的要求。 关键词：人工神经网络；壁厚；预测 中图分类号：哪 89．1 文献标识码：B 文章编号：1009—5438(2009)ol一0o35—04 StudyonthePredicti0nofTubeWaUTtlicln‘essBaSedonNeuralNetwork ANGHorLg—l列n，GAoz}n—ge，JlANGH氆 一 g ( mQ厂 f ncD． ．Q厂 u f( )c0 ．， “0l40l0，Ⅳe nggUf，c^ ) AbS Ict：11hepaperanalyzesthewallthicknessand0uter出alneter0ftu1)ed ngthestretch一 educingp0cess0f西l80unit intheSea essTIl Pa【nt0fBa0louStee】I donneumInetw】【rk．1]hemuIti—Id．verneLlmInelw0rI(m)【delcanbeuseI【t0pre王‘ict t}le0uterwalltl1ickness)【ftu1)eattIleexit0fn1illaIldTneetthepr0ductionrequiren1ents． Keywords：ne雌 llnetw0rk；waUtckness；pre(1ict 金属轧制过程是一个非线性、快速、多变量且 BP算法是由2部分组成：信息的正向传递与误 具有耦合的复杂系统。常规的壁厚计算公式已经不 差的反向传播。在正向传播过程中，输入信息从输 能提供足够精确的近似值。即使采用 自适应技术， 入经隐含层逐层计算传向输出层，每一层神经元的 利用实测数据重新计算模型参数来改进控制效果 ， 输出作用于下一层神经元的输入。如果在输出层没 但由于模型本身结构的限制，难于适应生产过程的 有得到期望的输出，则计算输出层的误差变化值，然 要求。而采用神经网络建立模型可弥补这一本质上 后转向反向传播，通过网络将误差信号沿原来的连 的缺陷，取得 比较满意的效果。人工神经网络可从 接通路反传回来，修改各层神经元的权值，直至达到 大量的输入数据和所涉及 的关系中进行 “学习”，并 期望 目标llJ。 从系统观察重复发生的事件 中获得经验，特别适合 BP算法是利用误差函数的梯度信息确定下一 于同时考虑许多因素和条件、不精确和模糊的信息 步训练方向，当接近极小值点时，收敛速度很慢 。 处理问题。所 以本文 以包钢无缝钢管厂 l80n仰 1．2 改进 BP算法学习神经网络 机组张力减径机组为研究对象，利用人工神经网络， BP网络是一种以梯度为基础的误差下降算法， 建立张减机出口壁厚预测模型。 虽然最速下降法原理简单，实现方便，但收敛速度较 l BP算法 慢且算法容易陷入局部极小点。 1．1 BP网络学习算法 各参考文献中介绍的改进算法有很多种，本文