人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用

《人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、钢铁990310钢铁IRON&STEE;1999年第3期No.31999人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用王秀梅　王国栋　刘相华摘　要　针对传统轧制力模型的固有缺陷，为了提高精轧机组轧制力预设定精度，提出一种将人工神经网络和数学模型相结合的新方法，用于热连轧精轧机组轧制力的预设定。离线仿真表明，采用本文所述的方法，预报精度优于传统方法。预报结果的相对误差限制在±5%以内。关键词　人工神经网络　BP算法　数学模型　轧制力预报APPLICATIONOFNEURALNETWORKSINCOMBINATIONWITHMATHEMATICAL

2、MODELSTOPREDICTIONOFROLLINGLOADOFHOTSTRIPROLLINGMILLWANGXiumeiWANGGuodongLIUXianghua(NortheasternUniversity)ABSTRACTInviewofintrinsicimperfectionoftraditionalmodelsofrollingload,inordertoimprovethepredictionprecisionofrollingload,anewmethodcombiningartificialneuralnetworkswithmat

3、hematicalmodelstopredictrollingloadisputforward.Off-linesimulationindicatesthatthepredictedresultsaremoreaccuratethanthatestimatedwithtraditionalmodels.Therelativeerroriswithin±5%.KEYWORDSartificialneuralnetworks,BPalgorithm,mathematicalmodels,predictionofrollingload1　前言　　带钢热连轧过程

4、中，由于压下量计算要依据轧制力分配来确定，所以带钢头尾厚度的精度主要取决于精轧机组设定中轧制力预报的精确性。为了满足用户日益提高的尺寸精度要求，有必要提高精轧机组预设定的灵活性和准确性。其中，轧制力预报是热连轧精轧机组计算机设定模型的核心，其预报精度直接影响辊缝的设定，并影响穿带的稳定性。为了提高精轧机组轧制力预设定精度，采用人工神经网络和数学模型相结合的新方法。2　数学模型2.1　传统数学模型　　精轧机组轧制力计算公式万方数据file:///E

5、/qk/gt/gt99/gt9903/990310.htm（第1／6页）2010-3-2220:34:24钢

6、铁990310P=Bcl′cQpK　　　　　　　　　　　　　　　　　　　　　　　(1)式中　Bc——轧件轧制前后平均宽度(一般可认为Bc≈B)；　　　l′c——轧辊压扁后变形区的长度；　　　Qp——应力状态影响系数；　　　K——K=1.15σ，σ为高速高温下材料的变形抗力，σ=exp(a+bTi)vi(c+dTi)eni，是轧制时的轧件温度、变形速度、真应变程度、轧件成分的函数。Qp=a1(lc/hc)+a2ei+a3(lc/hc)ei+a4　　　　　　　　　　　　　(2)式中　hc——轧件平均厚度；　　　ei——各机架轧件相对变形程度。2.2　传统模型

7、缺陷　　数学模型是根据生产过程中各种现象的物理规律，应用数学方程来描述生产过程中各参数间的静态和动态关系。根据在线控制时的实际情况，在线控制模型力求简单一些。在模型结构形式上采取一些简化措施，参数变量也尽量少。这就决定了数学模型的不完整性，因而也不能对客观对象提供精确的描述。所以常规的轧制力计算公式不能提供足够精确的近似值。即使采用自适应技术，利用实测数据重新计算模型参数，但由于模型本身结构的限制，难于适应实际生产过程。为了克服这个不足之处，采用一种全新的工具，即人工神经网络(ArtificialNeuralNetworks，简称ANN)。3　人工神经网

8、络　　人工神经网络作为信息处理的现代化工具已日益普及。这与神经网络本身的特点是分不开的：①良好的映射逼近能力；②网络本身具有良好的可靠性、鲁棒性和容错性；③采用了并行处理方式来处理信息，使大量信息的快速运算成为可能。人工神经网络可从大量的输入数据和所涉及的关系中进行“学习”，并从系统观察重复发生的事件中获得经验，特别适合于同时考虑许多因素和条件的、不精确和模糊的信息处理问题［1］。3.1　基本理论　　误差反向传播网络(ErrorBackPropagationnetworks,简称BP网络)是目前使用最广泛的一种人工神经网络。它的结构简单(图1)，工作状态

9、稳定。BP网络是一种有教师监督学习的多层神经网络。网络的学习过程包括正向传播和反