7-8基于的BP神经网络的地铸坯高高质量预报模型开发.doc

实用标准文案 精彩文档 基于BP神经网络的铸坯质量预报模型 李向奎 张家泉 （北京科技大学钢冶系） 摘要：针对国内某钢厂大方坯连铸机的特点，采用BP神经网络开发了用于预报中心偏析、中间裂纹及中心裂纹的铸坯质量预报模型。利用Visual C++6.0编写了相应软件，并使用该厂连铸生产中的实际数据作为样本，对构建的网络进行了训练。采用训练成功的网络对样本进行了预报，结果表明，该模型具有较高的预报精度，能够满足现场的使用要求。 前言 连铸是钢材生产中的一个重要工序，连铸坯质量好坏不仅和钢材的最终质量密切相关，还影响整个钢铁企业的生产效率。随着国家大力提倡发展循环经济，冶金企业对节能降耗的要求也越来越高。在以具有能耗低、投资省、成材率高、生产周期短等明显特征的近终形连铸一连轧、热送热装和直接轧制为代表的工艺紧凑化技术飞速发展的今天，传统的冷态取样检查铸坯质量的判定方法已远远不能适应这一要求, 而利用模型在线诊断预报铸坯质量新技术的发展成为必然。 近十多年，关于铸坯质量的在线预报，国内外进行了不断探索。英国钢铁公司于20世纪80年代开发了结晶器热监控专家系统（MTM）[1~2]，该系统通过热电偶测定结晶器铜板温度场进行漏钢预报和表面质量预报。奥钢联开发了计算机辅助质量控制专家系统（CAQC）[3~6]，曼内斯曼.德马格公司开发了质量评估专家系统（XQE）[7]以及Daneli公司开发了QCS专家系统等等[8]。宝钢在日本新日铁的计算机辅助质量判定(CAQJ )系统的基础上，依靠宝钢自身的技术力量，经过工艺、设备和计算机人员的共同努力开发了板坯品质异常把握模型和漏钢预报系统[9~10]。上面这些系统有一个共同的特点：其预报方法大部分都是基于连铸机理模型所建立的逻辑判断模型。由于连铸是一个边充填、边凝固并涉及凝固体高温塑性变形的复杂的动态凝固工艺，铸坯缺陷产生的机理非常复杂，影响铸坯质量的因素繁多，应用基于凝固机理的数学模型建立的铸坯质量预报模型很难达到令人满意的预报精度，所以在实际应用中具有相当大的局限性。 而神经网络的出现给缺陷诊断提供了可能，借助于神经网络良好的自适应性、非线性逼近能力、记忆能力以及泛化能力，就可以很好地解决连铸坯质量预报这种多因素、不确定和不精确的复杂的非线性问题。本文采用基于BP算法的多层前馈神经网络模型，通过收集生产数据，将工艺参数作为输入，铸坯质量缺陷作为输出，应用数学方法研究输入与输出信息的关系，从而对铸坯质量进行预报。 BP神经网络质量预报模型的原理 BP神经网络是一种典型的多层前向网络。这种网络在输入层与输出层之间至少有一个隐含层，每一个神经元结点与它后面一层中的每个结点都有连接，但是没有后层结点向前层结点的反馈连接，同一层内的结点之间没有连接，也没有跨层的前馈连接。BP神经网络质量预报模型对铸坯质量预报的原理如下：网络输出作为控制目标(即要预报的缺陷类型及等级)可用Y=[Y1,Y2 …Ym]T (Y ∈ Rm)表示，其输入向量即与要预报的缺陷有密切关系的各种工艺参数由X=[X1,X2 …Xn]T (X ∈ Rn)表示，研究旨在利用ＢＰ网络的自学习与调整功能，对来自生产实践中的样本不断学习，使得网络实际输出不断逼近期望输出从而找出一个从Rn到Rm的映射，得到大量样本数据中蕴含的铸坯缺陷与各特征参数之间的非线性函数关系Y=F(X)，从而利用这个关系实现铸坯质量缺陷的预测。 铸坯质量预报模型的建立 （1）BP网络拓朴结构的确定。理论已经证明，带有一个隐含层的三层网络可以以任意精度逼近任何复杂的函数，它是一个通用的函数逼近模型[11～14]。所以本文选择三层BP网络结构来获得铸坯缺陷与工艺参数之间的函数关系。 （2）输入向量与输出向量的确定。输入向量的维数代表输入层的神经单元数，输出向量的维数就是输出层的单元数。这两个参数由建立的质量模型要实现的目标来确定。铸坯质量缺陷包括内部缺陷、表面缺陷、纯净度以及形状缺陷。而内部缺陷和表面缺陷又包括中心偏析、中心裂纹、中间裂纹、缩孔、中心疏松、表面纵裂纹、表面横裂纹、夹渣、表面夹杂以及气泡等等多种缺陷类型。一个质量预报模型不可能也没必要对所有的缺陷类型都进行预报，而是在建立模型时，根据具体钢厂具体连铸机类型以及所生产的钢种特点来确定模型要实现的控制目标。本文根据国内某钢厂大方坏连铸机的自身特点，对其日常所生产钢种中比较关心的铸坯中心偏析、中心裂纹、中间裂纹三种内部质量来建立预报模型。所以输出层的单元数为3个，分别代表要预测的铸坯的中心偏析、中心裂纹、中间裂纹等级。输入向量就是与这三种内部缺陷密切相关的各种特征参数。输入向量的维数就是最终要确定的各种特征参数的个数。影响这三种内部质量的因素很多，包括钢种化学成份、设备因素以及各种工艺参数。由于神经网络