7-8基于BP神经网络的铸坯质量预报模型开发.doc

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1、 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。

2、 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3、 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进行的是数值计算，它的输入必须是数值类型，而设备因素比如二冷区扇形段的辊子不转、磨损、变形以及辊缝值的变化情况，这些因素在连铸过程中我们不能实时获取而且也很难用数值来准确描述，所以建立模型时，我们不考虑设备因素即假定连铸时设备处于良好的运行状态，这种情况下，缺陷的产生主要是由于化学成份以及各种工艺参数偏离了正常范围造成的。

根据冶金理论以及生产实践经验和该厂连铸大生产中的数据统计分析，最终我们确定了下列15个输入变量：二冷区各段水量（该铸机二冷区分为三个扇形段九个冷却回路）、拉速、中包温度、电磁搅拌电流强度、C含量、 P含量、S含量输入输出变量的特征见表13）隐含层单元数的确定对于隐含层结点数目的选择是一个十分复杂的问题，目前尚无理论上的指导，各类文献对此说法不一，给出的计算式计算结果相差甚远根据最近Eberhart的书中阐述，称隐含层结点的选择是一种艺术，因为没有很好的解析式来表示，但是隐含层结点数目与问题的要求，输入输出单元多少都有直接的关系事实证明，隐单元数太少的网络可能不能训练出来，或者网络不够“强壮”，不能识别以前没有看到的样本，容错性差；但隐单元数太多又使学习时间过长，误差也不一定最佳本文根据文献[15]中给出的下面两个公式再结合柔性隐结点数选用法用来求解隐含层结点数即先参考下面两个公式求出一个隐节点数进行网络训练学习，在学习一定的次数后，不成功再增加或删除隐单元数，直至确定出最佳结构 （1） （2）其中为隐含层单元数，为输出单元数，为输入单元数，为1~10之间的常数。

本文根据这种方法逐一试探，最终确定隐含层的最优单元数为10表1铸坯质量预报模型输入输出变量的特征表特征参数参数量纲最大值最小值采集方式中包温度℃　　自动拉速m/min　　自动电磁搅拌电流强度A　　自动1#回路水量L/min　　自动2#回路水量L/min　　自动3#回路水量L/min　　自动4#回路水量L/min　　自动5#回路水量L/min　　自动6#回路水量L/min　　自动7#回路水量L/min　　自动8#回路水量L/min　　自动9#回路水量L/min　　自动C含量%　　人工输入P含量%　　人工输入S含量%　　人工输入中心偏析等级/4级0级计算得到中间裂纹等级/4级0级计算得到中心裂纹等级/4级0级计算得到（4）样本集制作及样本数据的归一化处理网络的输入向量及输出向量确定以后，为了得到最终的网络结构参数（包括各层神经元之间的连接权值及阈值、学习速率以及网络学习误差精度等），就需要为下一步网络的训练准备样本集本文的样本数据来自该连铸机生产实践中的工艺生产记录及连铸坯低倍检验记录，从记录中挑选出表1指定的特征参数，其中前15个作为信号输入，后3个作为教师信号从表1可知，网络的各特征参数原始数据具有不同的量纲、大小差别很大、数据分布范围也不同，如果将其直接送入网络进行训练，可能由于数据平均值和方差不一样会产生夸大某些变量影响输出目标的作用或掩盖某些变量的贡献的不良后果。

为了消除这种不良后果，训练前必须对样本集中的数据进行归一化处理归一化有很多方法，主要有最大最小值标准化方法和平均值及标准偏差标准化方法通过比较，本文选用第一种方法，如公式（3）所示，标准化后的结果使得输入输出数据都为介于（0-1）之间的数据＝ （3）式中：假设为原始输入数据，为该组变量数据的最大值，为最小值，而为标准化后的原始输入数据4、铸坯质量预报模型的软件设计本系统是采用训练好的三层BP神经网络模型来实现对铸坯质量进行评估，因而要涉及到大量的网络训练样本和网络权值、阈值、预报结果以及与钢种有关的工艺数据，故本系统可分为以下两大块:应用部分和数据库部分数据库部分用来存放训练网络用的训练样本集、训练好的网络单元之间的连接权值、阈值、连铸机所生产钢种的相关工艺数据，更重要的是保存预报时产生的预报结果而应用部分又可分为系统的维护、质量预报系统维护包括样本维护（包括样本集中样本的查询、修改、删除、增加）和网络训练，系统维护的主要功能是随着连铸生产的不断进行，所生产的钢种范围可能发生了变化，工艺结构可能发生了调整，这时为了保证我们建立的网络模型还能够使用并且还具有较高的预报精度，我们必须向样本集中增加新的产品样本来丰富和完善样本集，再重新训练网络，更新网络的连接权值和阈值。

质量预报是该系统的核心功能，是用户最终要求实现的功能，也是本系统的最终目的预报的实质就是将连铸生产过程中采集的各种工艺参数（将其归一化处理后）送入网络的相应输入单元中，利用训练好的神经网络的前向计算得到铸坯缺陷的产生情况系统结构图见图1本系统利用面向对象的编程语言Visual C++ 6.0开发了相应软件为了拓展该系统的预报应用范围，将BP网络构建及训练部分开发成了一个通用的网络开发平台，用户只要按照开发平台程序的提示，输入相应的网络结构参数及样本文件进行训练就可得到你想要的BP网络网络开发平台的程序流程如图2图1铸坯质量预报系统结构图图2 网络开发平台的程序流程5、铸坯质量预报模型的仿真 从大方坯连铸机20#钢的实际生产中搜集样本数据85个，将这85个样本分成训练集（70个样本）和测试集（15个样本）利用网络通用开发平台对训练集中的样本进行训练在学习过程中为了使网络训练能够达到较高的学习精度，在学习前期可选择较大的学习速率，加速网络的收敛；当学习一定次数后，误差下降变得平缓，此时调整学习速率为较小的值防止网络振荡，从而使网络的总误差达到最小图3为采用学习速率为0.15时网络的学习曲线；图4为前期采用较大的学习速率0.25后期采用较小的学习速率0.10时的学习曲线。

从图3、图4可以看出：学习速率小时，学习过程比较平滑，系统均方差下降较慢；当增大学习速率时，网络出现振荡，但系统均方差下降很快另外，随着学习次数的增加，网络达到了较好的学习精度图3 网络学习曲线图4 网络学习曲线 网络训练完成以后，将学习好的网络保存，就可以调用质量预报模块利用训练好的网络进行缺陷预报了质量预报模块的程序界面如图5所示利用该程序对训练集和测试集中的样本数据进行预报，其结果见表2图5 质量预报模块的程序界面表2 神经网络对样本的预报结果样本来源样本数目（个）缺陷预报准确率（%）中心偏析中间裂纹中心裂纹训练集7090.693.791.4测试集1581.385.683。