应用BP神经网络的单机架可逆式冷轧机弯辊力预设定.pdf

应用B P 神经网络的单机架可逆式冷轧机 弯辊力预设定佟强吴辉徐荣丰( 北京首钢特钢板材有限责任公司北京1 0 0 0 4 1 )擅要针对单机架可逆式冷轧机生产过程中，由于不同热轧生产厂的热轧板形原料性能、板形差别较大，从而造成弯辊力预设定值和实际指标差较大的同题，利用现场生产工艺数据丰富，采用人工智能B P 神经网络的方法，通过大量数据输入进行训练，大大的提高了生产过程中弯辊力预设定值的准确性关键词神经网络单机架冷轧弯辊力预设定1 弯辊预设定首钢板材公司引进的意大利达涅利公司的1 7 5 0 m m 六辊单机架冷轧机2 0 0 4 年末投产以来，由于所用热轧原料供应的厂家比较杂，来料的性能、板凸度等差别很大，因此单机架冷轧机二级系统给出的弯辊力预设定值与实际轧制过程中所采用的数值相比较准确性很难保证，且偏差较大，偏差在3 0 ％以上由于预设定中的偏差较大，一方面无法使用自动控制系统控制轧制过程，另一方面，也加大了操作人员的人工操作时控制板型的难度因此，根据目前出现的问题，考虑利用大量的现场数据采用B P 神经网络对2 个主要热轧厂生产的热轧原料在轧制过程中各个道次的弯辊力进行预设定从而提高预设定值的准确性。

2 人工神经网路的原理与应用从神经网络的拓扑结构来分类，可以归纳为以下四个基本形式：不含反馈的前向网络；从输出层到输人层有反馈的前向网络：层内有反馈的前向网络；相互结台型网络[ 1 ] 神经网络最有用的特征之一就是它具有自学习功能通常一个神经网络模型要实现某种功能的操作，就是要对其加以训练所谓的训练，就是让它学会要做的事情，把这些知识记忆在网络的权值中，因此训练或学习的实质就是网络的权值随着外界激励作自适应变化．数学上表示为： 磐= o( 2 —1 )网络经过训练以后，每对应一组输入都会产生一组要求的输出，训练就是相继加入输人向量，并按预定规则谰节网络的权值，在训练过程中，网络的各权值都收敛到一确定值，以便每个输入向量都会产生一个要求的输出向量调节权值所遵循的预定法则就是训练算法一般神经网络的算法有两类：即有导师的指导学习和无导师的指导学习对于有导师的指导学习训练算法，不但需要U I l 练用的输入向量，同时还要求与之相对应的正确输出向量输入向量和对应的输出向量共同称为一个训练对∞j I 练一个网络通常需要多个训练对才可以完成，在训练过程中根据当前输出与所要求的目标输出的差不断的来改变权值。

这类算法中最典型的是反向误差传播算法，即B P 算法3B P 网络的算法1 9 8 8 年，R u m e l h a r t 、H i n t o n 和W i l l i a r t l s 提出了用于前向神经网络学习训练的误差逆传播算法( B a c k——3 3 4 ——P r o p a g a t i o n ，简称B P 算法) ，成功地解决了多层网络中隐含层神经元连接权值的学习问题B P 网络拓扑结构如图1 所示，有三个层次的神经元，即输入层、隐含层和输出层最左端为输入层，中间层为隐含层，而最右端为输出层左右层的神经元之间形成全互相连接，每层内的神经元则没有连接B P 网络的学习算法是有导师的误差反向传播学习算法，其学习过程由正向传播和反向传播组成在正向传播过程中，输入信息由输入层经隐含层逐层传递，并传向输出层，如果网络输出误差精度不在要求的范围内，则转入反向传播，将误差信号沿原来的连接通路返回，并通过修改各层神经元的权值，便误差信号最小4B P 神经网络的学习规则圈1 B P 网络拓扑结构B P 神经网络的学习规则即权值和阚值的调节规则采用的是误差反向传播算法( B P 算法) 。

B P 算法实际上是w i d r o w —h o f f 算法在多层前向神经网络中的推广和w i d r o w —h o f f 算法类似，在B P 算法中，网络的权值和闽值通常是沿着网络误差变化的负梯度方向进行调节的，最终使网络误差达到极小值或最小值，即在这一点误差梯度为零4 ．1B P 神经网络的训练和仿真在B P 神经网络生成和初始化以后，即可利用现有的“输入一目标”样本矢量数据对网络进行训练B P网络的训练通常采用t r a i n 函数来完成针对不同的问题，在训练之间有必要对网络的训练参数n e t ．t r a i n p a r a m 进行适当的设置表1 列出了网络对象的一些主要训练参数及含义[ 2 】[ “表1 几个主要的神经网络训练参数及音义在设置完训练参数之后，就可以调用t r a i n 函数对B P 网络进行训练t r a i n 函数的常用格式如下：[ n e t ，t r ] ' t r a i n ( n e t ，P ，T )其中，P 为输入样本矢量集；T 为对应的目标样本矢量集；等号右，左两侧的n e t 分别用于表示训练前、后的神经网络对象；t r 存储训练过程中的步数信息和误差信息。

训练过程中，训练函数会根据设定的n e t ．t r a i n p a r a m ．s h o W 值自动显示当前训练结果信息，并给出网络误差实时变化曲线当训练步数大于n e t ．t r a i n p a r a m ．e p o c h s 、训练误差小于n e t ．t r a i n p a r a m ．g o a l 、训练时间超过n e t ．t r a i n p a r a m ．t i m e ，或误差梯度值小于n e t + t r a i n p a r a m ．m i n —g r a d 时，训练都将被自动终止，并返回训练后的神经网络对象为了提高神经网络的训练频率，在某些情况下需要对“输入一目标”样本集数据作必要的预处理如利用p r e m n m x 或p r e s t d 函数可以对输入和目标数据集进行归一化处理，使其落人( 一1 ，1 ] 区间；利用p r e p c a 函数可以对输入样本集进行主元分析，以减小输入个样本矢量间的相关性，从而起到降维的目的并利用s i m函数对训练后的网络进行仿真，与实际生产中的弯辊力进行比较5 利用B P 神经网络进行弯辊力的预设定的效果本文以宽度、人口厚度、出口厚度、压下率、轧制力为输入层参数，弯辊力为输出层参数，构造了三层神经——3 3 5 ——网络模型。

如图2 所示弯辊力 ————————- - - - - - - - - - +囝2 三层神经网络模型根据现场数据分别对两个热轧生产厂供应的相同材质的热轧原料1 和2 进行了分析其结果具体如下：对编号为1 的热轧生产厂家的热轧原料采集现场生产实际4 0 0 0 组数据进行训练的仿真结果( 见图3 ) 利用训练后的B P 神经网络进行对单机架可逆式冷轧机弯辊力进行预设定的结果和实际生产情况的比较结果见表2 图3 编号1 的网络训练仿真结果表2 编号1 利用B P 神经网络进行顶设定和生产实际的弯辊力情况对编号为2 的热轧生产厂家的热轧原料采集现场生产实际组数据进行6 0 0 次训练的仿真结果( 见图4 ) ，利用训练后的B P 神经网络进行对单机架可逆式冷轧机弯辊力进行预设定的结果和实际生产情况的比较结果见表3 神经网络预测弯辊力模型有以下几点优点：1 ．神经网络模型预测的弯辊力精度在1 5 ％以内，比原系统的弯辊力预设定精度提高了一半以上2 ．轧制过程具有多变量、强耦合、非线性、时变性等复杂特点，传统的弯辊力预设定模型能否高精度的——3 3 6 ——图4 编号为2 的网络训练的仿真结果表3 编号2 利用B P 神经同络进行预设定和生产实际的弯辊力情况预测弯辊力数值，关键在于数学模型的精确性，但是数学模型推导毕竟要通过大量的简化，精度难以保证。

目前，大量生产厂家选择回归型的弯辊力预设定模型，仅仅考虑到了轧制力，板宽固定因素，而忽略了轧辊原始辊型及其热凸度和磨损对其的影响神经网络良好解决了这个问题3 ．针对原材料厂家众多，热轧板性能、板凸度差别大的情况，原有的弯辊力预设定模型无法满足，采用神经网络模型，可以减少因为种类问题而带来弯辊力精度降低的问题6 结论针对可逆单机架轧机在轧制过程中，由于频繁轧制多个热轧生产厂的原料，出现了弯辊力的预设定精度偏低的现象，无法顺利的进行自动控制，既影响了生产的效率，同时使得生产出来的产品头尾板型不良品增多，损害经济效益根据现场的大量数据，基于神经网络构造了弯辊力优化模型在现场的使用过程中发现，良好的弯辊力精度加快了生产的节奏，促进了操作者对轧制过程的控制，提高了产品的成材率，提高了生产效益参考文献1 王国栋，刘相华，等．金属轧制过程人工智能性化[ M ] 北京：冶金工业出版社，2 0 0 0 ．2 许东，吴铮基于M A T L A B6 ．x 的系统分析与设计神经网络[ M ] 西安：西安电子利技大学出版社，2 0 0 23 罗成汉．基于M A T L A B 神经网络工具箱的B P 网络实现【J ] ．计算机仿真，2 0 0 4 ．2 1 ( 5 ) ：1 0 9 —1 1 1。