神经网络在轧钢行业中的应用

《神经网络在轧钢行业中的应用》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、神经网络在热连轧带钢中的应用1引百随着国内机械工业的发展，在轧钢行业中控制精度的耍求显得十分重耍，然而一味地使用经典基础理论模型来控制整个工艺流程，其精度已经不能够满足现在生产的需求。神经网络在轧钢行业控制领域的应用，己经有Y—些明显的进展，其控制精度要远高于经典基础理论的控制精度。木文就祌经网络在热轧带钢中的应用进行论述。1CMAC神经网络在热连乳精乳温度预报模型热连轧带钢的精轧过程是一个非线性、有滞后的传热轧制过程，其中终轧温度的命中精度是描述带钢精轧温度控制好坏的最重要的指标⑴。小脑模型CMAC实质上是一个智能式的自适应查表技术，它把多维离散的输入空间.经过映射形成复杂的非线性函数。它

2、由网络输人概念映射、物理映射和网络输出四个基本部分组成。如下图所示：概^缺射物瑾峽射网络輸出图1CMAC模型结构图阁中，Ae为概念存储单元，AP为物理存储单元，F(X4)为CMAC神经网络的输出。空间Ae屮的C个存储单元相对应，而神经网络的输出F(父)就是这C个单元中存储数值(网络的权重)之和。由于对每一个输入样本都对应于人。和Ap上的C个存储单元，因而当各样木分散存储在Ae和Ap中时，就有在X中比较靠近的那些样本，在Ae和AP中会出现交叠之现象，这使CMAC神经网络的输出值也比较靠近，这种现象被称为CMAC神经网络的泛化能。CMAC神经网络的每一个输出为Ap屮的C个存储单元的权重之线性叠加

3、，整个CMAC神经网络不是全连接的，从输入空间X到Ae空间冇C个连接，我们可以从物理空间的Ap到F(Xj)空间也有C个连接。CMAC祌经网络是单层神经网络，而且是前馈式的网络，从x到Ae为线性变换，从Ae到AP为随机散列变换，从Ap到F(Xi)为线性变换，而使总的从x到FQCi)映射的结果为非线性映射。CMAC网络的学习算法相对简单,对于样本集屮的每一个样本，若网络的输出F(x)与给出的0标输出F(x)间的误差不满足要求，则将这个误差平均分配到相应的C个单元中，即：式中，P为学习率，t为学习次数。精轧温度模型可表示为.•Tfc:八，H0，h„，vn，q，e)式屮，TFTo为精轧机组入口带钢温

4、度；Ho为精轧机组入口处坯料的厚度；hn为精乳机组的成品出口厚度；vn*精乳机组末机架出口速度；q为机架间喷水水量；Ee为带钢相对压下量。对输人为Tfto、Ho、hn、vnJt水水量番度模型计算值]cMAC«g机架出口瀛度T1度撟(’My瑜j结mcmacwhH^报精轧遢«差反向传播算法影了因索ITFc的精轧温度模型用CMAC网络进行学4。CMAC温度预报网络结构模型图，如下图所示。入口溫度相对压下車I囲2CMAC温度预报网络结构田CMAC热连轧精轧温度预报模型原理图，如图所示：RTTEI图3CMAC精轧溫度模型图图屮，CMAC模型预报精轧温度模型是以数学模型为辅，CMAC模型为主。CMAC神

5、经网络温度模型以实测的带钢成品厚度、速度、人U厚度和数学模型计算的中间结果带钢相对压下量等参数作为CMAC网络的输入，通过CMAC网络映射来预报精乳温度。精轧温度控制过程是一个动态过程，因此为了能用CMAC网络能建立动态的精轧温度预报模型，就需要根据精轧温度期望值和CMAC网络的输出的差值：^eirc=^FC""^FC与零值相比较，通过使误差值AtFC逐渐趋于零的方向，并根据学习算法进行已经激活权值的调整，最后直到所产生的系统误差满足实际中所要求的误差精度。利用带钢初始化过的乳制参数，从粗轧出口温开始对各个机架出口带钢的温度变化进行计算，以此来实现带钢终乳温度预报。流程，如图4所示。图4CM

6、AC预报精轧温度流程图CMAC神经网络精轧温度预报模型学习训练步骤如下：Step1初始化CMAC网络的权值加w(0)=0；Step2获取现场实际数据：获取精轧机组各个机架的人口温度、轧制速度、出口厚度等现场数据，训练样本数为n=200;Step3归一化处理：找出入口温度的最大值TpiOmax和最小值TpTOmin，然后可以归一化入口温度TFTO=T-Tri'Omin/TFI'Omax-TFTOmin；其余输入量类似，也进行同样的归一化；Step4将归•一化后的量全部都输入到CMAC网络，经量化感知器M量化，等级为R，感受野为C，按地址存储在A表屮；Step5通过散列映射，映射到实际存储空间A

7、p中，通过网络加权求和，得到网络的输出t(i);Step6采用误差修正算法，用△e来进一步修正权值，其中的权值修正算法为：如(n+1)=w(n)CMAC网络的孚习系数=0.7，其中n为训练步数，IA*-CI,泛化参数。模型误差定义为：Ae=(去言U(i)-€-(0)2)，/2网络的训练步数定义为1000步，如果达到最大步数，则终止训练，否则转到Step5。精轧自由宽展神经网络预测模型如图5所示。模型由样本数据