基于BP神经网络钢材力学性能预测算法.docVIP

基于BP神经网络钢材力学性能预测算法 　　摘要：本文根据某钢铁公司Q235钢种的化学成分和轧制工艺同最终成品的力学性能之间的关系，基于BP神经网络模型，提出两种优化BP网络的方法：遗传优化算法和粒子群优化算法。并通过实验，与传统的单隐层BP算法相比，粒子群优化算法的BP网络在钢材力学性能预测方面效果更好。 　　关键词：BP神经网络 遗传算法 粒子群优化算法 　　中图分类号：TP311.52 文献标识码：A 文章编号：1007-9416（2013）07-0100-02 　　1 引言 　　钢材轧制系统是一个非常复杂的非线性系统，相关工艺参数数据量巨大。传统的生产实践中，往往依赖工程师的个人经验，通过统计方法进行预报，花费大量的时间和精力，而且生产过程又不断受各种随机因素的干扰，无法通过对生产工艺参数的调整对产品的力学性能进行精确的预测。通过人工神经网络模型在线预报产品力学性能，可省去繁琐的传统数学模型的建立过程，利用大量在线采集的产品数据和各种参数实际值，使得产品在线预报力学性能达到的较高的精度，从而有效的降低了生产成本，提高了产品最终力学性能。 　　本文根据某钢铁公司Q235钢种的化学成分和轧制工艺同最终成品的力学性能之间的关系，基于BP神经网络模型，构建预测钢材力学性能算法。在节省投资、节约能源、保护环境及可持续发展等方面具有重要的经济意义和战略意义。 　　2 BP网络算法 　　1986年Rinehart等人提出了多层前馈网络误差反向传播（Error Back Propagation，简称BP）算法。他们通过对BP算法在数学上的详细分析和完整推导，系统地解决了多层神经网络中隐含层单元连接权的学习问题。 　　理论上单隐层BP网络可以任意精度逼近任意非线性曲线，因此本系统采用了单隐层BP网络构建神经网络模型，如图3.1所示。 　　网络输入为钢材的化学成分和工艺参数。钢材化学成分包括：碳、硅、锰、磷、硫等15个成分参数。工艺参数选用F4-F6三道次参数、终轧温度、卷曲温度、上冷却水温度、下冷却水温度、中间坯厚度等参数作为神经网络候选输入参数。神经网络采用单输出层，分别为：屈服强度、抗拉强度、延伸率。 　　BP神经网络是有导师类型的神经网络，采用误差梯度下降规则训练网络，导致网络学习速度慢且易陷入局部极值。由于网络结构的选择尚无完整的理论指导，初始权值阈值的选取和隐层节点的确定等都存在一定的盲目性，因此网络预测能力与训练能力的矛盾，易出现“过拟合”现象。为了加速收敛和防止震荡以及改善网络泛化能力，应采取相应的优化策略。 　　3 遗传算法优化BP网络 　　遗传算法是一种基于生物进化原理共享出来的搜索最优解的仿生算法。遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好的预测函数输出。遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作、和变异操作。 　　（1）种群初始化。个体编码方法为实数编码，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层于输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络全部权值和阈值，在网络结构已经已知的情况下，就可以构成一个结构、权值、阈值确定的神经网络。 　　（2）适应度函数。根据个体得到BP神经网络的初始权值和阈值，用训练数据训练BP神经网络后预测系统输出，把预测输出和期望输出的误差绝对值之和作为个体适应度值。 　　（3）选择操作。遗传算法选择操作有轮盘赌法、锦标赛法等多种方法，本案例选择轮盘赌法，即基于适应度比例的选择策略。 　　（4）交叉操作。由于个体采用实数编码，所以交叉操作方法采用实数交叉法。 　　（5）变异操作。选取第i个个体的第j个基因进行变异。 　　4 优化算法性能比较 　　将基于自适应学习因子和附加动量项的BP神经网络应用于屈服强度力学性能建模。实际问题中，选用260组样本数据进行网络的训练，100组数据对训练好的网络进行测试。选定网络输入层单元16，网络输出层单元数为1，根据经验公式确定单隐层节点数的分别为13、14、15、16、17、18、19、20，然后用试凑法确定最佳的节点数18。网络中学习率自动调整[51、52]，学习速率的调整准则是：在每个迭代步上考察所有样本的误差平方和较上次迭代是否有所下降，再对学习率加以调整。学习因子取0.15，动量因子取0.3，期望输出与实际输出的误差平方和作为代价函数。 　　遗传算法参数设置为：种群规模为10，进化次数为50次，交叉概率为0.4，变异概率为0.2。把最优初始权值和阈值赋给神经网络，用训练数据训练100次后预测抗拉强度值，预测误差曲线如图3.3所示。从图3.3可以看出遗传算法优化的BP网络预测更加