论文部分内容阅读
摘要：考虑到铝板带热精轧加工是一个复杂的塑性成形过程，影响轧制力大小的因素非常多，而准确预测轧制力对轧制规程的制定具有重要意义。本论文综合考虑了传统数学模型与BP神经网络在轧制力预报中的优缺点，采用将二者结合起来的方式对轧制力进行预测。计算结果表明，采用此方法能大大提高轧制力预测精度。
关键词：轧制力；BP神经网络；加法模型
0 引言
BP神经网络属于人工智能方法，而人工智能方法与传统轧制理论不同，它是模拟人脑，以已经发生了的实实在在的事情为依据来指导轧制生产 [1]。目前将人工智能的方法引入到轧制生产中已经成为轧制发展的趋势。
1 数学模型与BP神经网络结合实现对轧制力的预报
目前神经网络用于轧制力预报主要两种方式[2]，一种是直接用神经网络去预报轧制力。另一种是采取神经网络和传统数学模型结合来预报轧制力。而将神经网络和数学模型结合起来，能够发挥二者的优势。目前结合方式有加法模型和乘法模型[3]，本论文拟选用加法模型，即用传统轧制力模型算出轧制力的主值，用神经网络来预测传统模型计算误差，以二者的和做为最后的输出。
2 BP神经网络设计
BP神经网络结构的设计包括输入、输出层节点数，隐含层层数和隐含层节点数的确定，神经网络训练算法的选取等。
1）网络输入、输出变量的确定
选用入口板厚、出口板厚、轧制温度、轧制速度、摩擦系数为神经网络输入，以实际轧制力与传统模型预测轧制力之间差值为神经网络输出。
2）隐含层数数目和隐含层节点数的确定
一般来说，先根据经验公式初步确定隐含层节点数，然后经过多次试算，综合考虑逼近精度、泛化能力和训练时间，确定最终的隐含层节点数。本论文通过多次试算，最后确定网络结构为5-9-14-1，即输入值为2，隐含层数为2，第一、二隐含层节点数分别为9、14。
3 样本数据的选择以及预处理
1）BP神经网络训练和测试数据的选取学习样本数量与网络结构存在如下关系[4]：
式中，n、m分别为神经网络输入、输出变量数目；h为隐含层节点数目；p为学习样本数目；
以某公司"1+4"铝热连轧现场采集的实测数据为训练样本，剔除掉不稳定轧制阶段数据和奇异点数据，从三卷实测数据中选取200组数据用于神经网络训练，选取第二卷、第三卷数据中100组数据用于神经网络测试。
2）数据归一化处理
由于网络一般含有多个输入，而每个输入在数值上可能相差很大从而导致输入变量之间不具有可比性。而对数S形函数的值域为[0，1]，在靠近0和1两端函数变化非常缓慢接近直线。为了防止大数将小数淹没的情况发生，一般要对原训练数据进行归一化处理。本论文将原数据归一化到[0.1，0.9]区间，公式如下：
4 神经网络修正轧制力过程
考虑到有四个机架，而每个机架具有相同的物理结构，构造4个具有相同结构的BP神经网络模型。从第一卷现场采集数据中读取相关数据后，采用经典轧制理论模型计算轧制力、轧制温度和摩擦系数，然后进行归一化处理以确定神经网络的训练输入、输出数据。然后读取第二卷数据，以传统轧制力模型计算轧制力主项，以神经网络预测模型误差，得到网络输出后进行反归一化处理然后与轧制力主项相加，得到最终的轧制力。
5 神经网络轧制力修正结果与分析
以第一机架轧制力计算为例，将神经网络用选取的样本数据训练好后，用测试数据对神经网络进行测试，以检测神经网络的泛化能力，验证神经网络的有效性。其中，用第一卷轧制数据作为样本数据对神经网络进行训练，用第二卷轧制数据对神经网络模型进行验证。神经网络对传统模型轧制力进行修正后预报情况图1、2所示，从图中可以看出，采用神经网络对传统轧制力模型进行修正后，轧制力预报精度得到提高。采用传统模型计算轧制力，最大误差为9.8380%，而采用神经网络修正后，第二卷铝轧制力预报最大误差为2.7962%，可见修正后轧制力模型预报精度得到进一步的提高。
6 结论
本论文在考虑经典轧制力数学模型与BP神经网络各自的优缺点的基础上，采用BP神经网络与传统轧制力模型相结合的方式用于轧制力的预报。计算结果表明，将训练好的神经网络与传统模型结合起来，可以在一定程度上提高轧制力预报模型计。
参考文献
[1] 张小平，秦建平. 轧制理论 [M].北京，冶金工业出版社，2006： 111-120.
[2] 张延华，刘相华，王国栋. BP神经网络和数学模型在中厚板板凸度预报中的综合应用[J]. 塑性工程学报，2005，12（4）：58-61.
[3] 王秀梅，王国栋，刘相华. 人工神经网络和数学模型在热连机组轧制力预报中的综合应用[J].钢铁，1999，34（3）：39-40.
[4] 谢文兰.对提高BP神经网络泛化能力的分析和总结 [J]. 广东科技，2011，14：72-73
作者简介：阳康（1988-）男， 湖南省衡东人，硕士研究生 ，国家知识产权局专利局专利审查协作广东中心实审审查员，研究方向为铝合金板带轧制规程智能优化设计； E-mail： [email protected]
关键词：轧制力；BP神经网络；加法模型
0 引言
BP神经网络属于人工智能方法，而人工智能方法与传统轧制理论不同，它是模拟人脑，以已经发生了的实实在在的事情为依据来指导轧制生产 [1]。目前将人工智能的方法引入到轧制生产中已经成为轧制发展的趋势。
1 数学模型与BP神经网络结合实现对轧制力的预报
目前神经网络用于轧制力预报主要两种方式[2]，一种是直接用神经网络去预报轧制力。另一种是采取神经网络和传统数学模型结合来预报轧制力。而将神经网络和数学模型结合起来，能够发挥二者的优势。目前结合方式有加法模型和乘法模型[3]，本论文拟选用加法模型，即用传统轧制力模型算出轧制力的主值，用神经网络来预测传统模型计算误差，以二者的和做为最后的输出。
2 BP神经网络设计
BP神经网络结构的设计包括输入、输出层节点数，隐含层层数和隐含层节点数的确定，神经网络训练算法的选取等。
1）网络输入、输出变量的确定
选用入口板厚、出口板厚、轧制温度、轧制速度、摩擦系数为神经网络输入，以实际轧制力与传统模型预测轧制力之间差值为神经网络输出。
2）隐含层数数目和隐含层节点数的确定
一般来说，先根据经验公式初步确定隐含层节点数，然后经过多次试算，综合考虑逼近精度、泛化能力和训练时间，确定最终的隐含层节点数。本论文通过多次试算，最后确定网络结构为5-9-14-1，即输入值为2，隐含层数为2，第一、二隐含层节点数分别为9、14。
3 样本数据的选择以及预处理
1）BP神经网络训练和测试数据的选取学习样本数量与网络结构存在如下关系[4]：
式中，n、m分别为神经网络输入、输出变量数目；h为隐含层节点数目；p为学习样本数目；
以某公司"1+4"铝热连轧现场采集的实测数据为训练样本，剔除掉不稳定轧制阶段数据和奇异点数据，从三卷实测数据中选取200组数据用于神经网络训练，选取第二卷、第三卷数据中100组数据用于神经网络测试。
2）数据归一化处理
由于网络一般含有多个输入，而每个输入在数值上可能相差很大从而导致输入变量之间不具有可比性。而对数S形函数的值域为[0，1]，在靠近0和1两端函数变化非常缓慢接近直线。为了防止大数将小数淹没的情况发生，一般要对原训练数据进行归一化处理。本论文将原数据归一化到[0.1，0.9]区间，公式如下：
4 神经网络修正轧制力过程
考虑到有四个机架，而每个机架具有相同的物理结构，构造4个具有相同结构的BP神经网络模型。从第一卷现场采集数据中读取相关数据后，采用经典轧制理论模型计算轧制力、轧制温度和摩擦系数，然后进行归一化处理以确定神经网络的训练输入、输出数据。然后读取第二卷数据，以传统轧制力模型计算轧制力主项，以神经网络预测模型误差，得到网络输出后进行反归一化处理然后与轧制力主项相加，得到最终的轧制力。
5 神经网络轧制力修正结果与分析
以第一机架轧制力计算为例，将神经网络用选取的样本数据训练好后，用测试数据对神经网络进行测试，以检测神经网络的泛化能力，验证神经网络的有效性。其中，用第一卷轧制数据作为样本数据对神经网络进行训练，用第二卷轧制数据对神经网络模型进行验证。神经网络对传统模型轧制力进行修正后预报情况图1、2所示，从图中可以看出，采用神经网络对传统轧制力模型进行修正后，轧制力预报精度得到提高。采用传统模型计算轧制力，最大误差为9.8380%，而采用神经网络修正后，第二卷铝轧制力预报最大误差为2.7962%，可见修正后轧制力模型预报精度得到进一步的提高。
6 结论
本论文在考虑经典轧制力数学模型与BP神经网络各自的优缺点的基础上，采用BP神经网络与传统轧制力模型相结合的方式用于轧制力的预报。计算结果表明，将训练好的神经网络与传统模型结合起来，可以在一定程度上提高轧制力预报模型计。
参考文献
[1] 张小平，秦建平. 轧制理论 [M].北京，冶金工业出版社，2006： 111-120.
[2] 张延华，刘相华，王国栋. BP神经网络和数学模型在中厚板板凸度预报中的综合应用[J]. 塑性工程学报，2005，12（4）：58-61.
[3] 王秀梅，王国栋，刘相华. 人工神经网络和数学模型在热连机组轧制力预报中的综合应用[J].钢铁，1999，34（3）：39-40.
[4] 谢文兰.对提高BP神经网络泛化能力的分析和总结 [J]. 广东科技，2011，14：72-73
作者简介：阳康（1988-）男， 湖南省衡东人，硕士研究生 ，国家知识产权局专利局专利审查协作广东中心实审审查员，研究方向为铝合金板带轧制规程智能优化设计； E-mail： [email protected]