人工神经网络在轧钢中的应用

人工神经网络在轧钢中的应用赵启林吕程王国栋摘要以典型事例为据,介绍了人工神经网络在轧钢中的研究进展及应用,国内外实际应用表明:人工神经网络在轧钢生产中的自动控制模型辨识与优化等方面优于传统方法。关键词人工智能神经网络轧制APPLICATIONOFARTIFICIALNERVENETWORKINSTEELROLLINGZhaoQilinLuChengWangGuodong(NortheastUniversity)SynopsisTheprogressandapplicationofresearchontheartificialnervenetworkinthesteelrollingaredescribedwithafewtypicalexamples.Actualapplicationsathomeandabroadshowthattheartificialnervenetworkissuperiorovertheconventionalmethodsinautomationcontrol,modelidentificationandoptimizationinthesteelrolling.Keywordsartificialnervenetworkrolling1前言人工神经网络具有处理信息速度快、计算能力强、高度容错、强鲁棒性等特点和自适应、自学习、归纳等智能性功能,使其可被用于非线性、强干扰、时滞不定、难于建模、快速多变的复杂系统的控制,因此,人工神经网络在许多信息处理领域(如模式识别、自动控制、信号处理、辅助决策等)得到广泛应用。目前,欧、美、日本等对神经网络在轧钢生产中的应用开展了广泛的研究,并且在实际应用中取得了突出的成就;国内在这方面也进行了大量的研究工作,但成功地应用于实际的事例还比较少。就目前的研究来看,人工神经网络在轧钢生产中可用于模型的建立与优化、过程辨识、过程控制及自适应调整、自学习优化控制、传感器监测、在线监测与产品质量预测、参数预测等方面,主要应用在自动化控制系统的过程控制级中。应用的方法是把神经网络与传统相结合,共同实际某些功能。应用的方式有参数网络(见图1)、修正网络(见图2)、综合网络(见图3)和建立神经网络模型等几种。下面将介绍人工神经网络在轧钢中的具体应用实例。图1参数网络图2附加修正网络图3综合网络2神经网络在轧钢中应用实例2.1预测热轧带钢的轧制力［2］把神经网络作为数学模型的修正,组成综合神经网络模型,用来完成热轧带钢轧制力的预测。图4所示为一个机架的综合神经网络模型,整个机组有七个这样的模型。图4计算轧制力的神经网络其中,MMFi是计算轧制力的数学模型,它对各个机架都是相同的,只是输入参数稍有区别。数学模型的输入参数包括:工作辊直径、前后张力、轧件温度、带钢宽度、厚度和压下量等,模型计算输出各机架的轧制力Fi。NNFi和NNαn为神经网络,它们对模型计算值进行修正。NNαn是考虑轧件特性的修正网络,它对各个机架都是相同的,其输入参数包括钢的成分(如C、Si、Mn、B等合金元素的含量)和一些其它的物理参数,输出为修正因子αi。NNFi是考虑机架特性的修正网络，对各个机架是不同的，其输入除包括与MMFi相同的参数外还有前述修正因子αi,NNFi与Fi相乘后得到各机架的预测轧制力FWi。在MMFi和NNFi的输入参数中包括轧件温度Ti,它也是通过计算得到的。因此,进一步采用了神经网络与数学模型结合的温度网络模型(图4虚线所示)。该温度网络只有两个,分别在第二机架后(ΔT1)和最末机架后(ΔT2)。把修正后的温度输入上述数学模型和神经网络中,可以进一步提高预测的精度。此网络在德国Westfalen厂投入使用。测试结果显示,采用神经网络模型后,全部钢卷的偏差减小约12%。使用温度网络后,钢卷的平均绝对误差和标准偏差进一步降低,对于ΔT1网络降低达到20%,对于ΔT2网络降低达到40%。神经网络明显优于传统方法。2.2预测冷轧变形抗力和摩擦系数［3］材料的变形抗力是计算轧制力时必须准确知道的参数,但合金元素或生产过程参数的微小改变都能影响材料的变形抗力。虽然可通过拉伸试验确定材料的变形抗力,但对每个钢种都做试验在很多情况下是不现实的。另一种方法是利用从轧制过程中测得的数据,通过数学模型(如BFE冷轧轧制力计算模型)反算得到材料的变形抗力。具体方法是:将测得的轧制力、前后张力、轧制速度、轧件尺寸、压下量及摩擦等参数设为定值,迭代变形抗力使其符合数学模型,就可以得到材料变形抗力。根据这种方法,经过大约4000个钢卷的计算,发现在总的压下量范围内,变形抗力与压下量存在近似线性关系。经过线性回归,得到计算各道次平均变形抗力的方程式:(1)式中A、B——系数,可通过最小二乘法确定。rkm——道次中的平均压下量(2)式中retin、retout——轧制道次前后的总压下量根据这种线性关系,利用神经网络能够通过学习建立起多维参数间的相互关系的特点,用神经网络来估计变形抗力系数A、B。网络的输入参数包括合金成分、热轧终轧温度、卷取温度和带钢厚度等。每个钢卷共有18个输入参数,输出项为系数A、B。训练时共用了4500个钢卷,循环迭代次数为300。经过250次迭代后,均方根(RMS)误差几乎不再变化,最终RMS误差为4.9%。因为在实际中材料的应力—应变特性并不完全是线性的,所以上述线性模型需要用摩擦系数模型来修正。摩擦系数可用同样的方法由BFE模型反算得到。摩擦系数神经网络模型的输入参数包括带钢宽度、轧制速度、热卷厚度、前后张力、相对压下、总压下量和变形抗力系数A、B,除A、B外都为实测值,输出为摩擦系数。训练时共用了2980个钢卷,循环迭代次数为220次,迭代200次后RMS值几乎不变,最终RMS误差为8.1%。算出kfm后,由BFE模型可算得冷轧各道次轧制力(图5)。图5计算轧制力中用到的神经网络模型2.3识别轧辊偏心［4］轧辊偏心可能由轧辊的不确定磨损和不均匀温度分布引起,并可能导致辊身和辊颈的轴向偏差。此轴向偏差又会引起载荷的周期性偏心,进而使轧出的带材产生周期性的厚度偏差。因此,为了获得高质量的带材,必须对轧辊偏心进行识别和补偿。传统的轧辊偏心识别方法大致可分为基于时域和基于频域两类。但是,这两种方法都存在各自的缺点,如不够精确、易受同步或非线性信号干扰、需要滤波、占用过程时间多等。基于神经网络的轧辊偏心识别补偿系统如图6所示,系统中神经网络是一个有n个输入节点和一个输出节点的两层线性前馈网络。在基准信号发生器中,用测得的工作辊角速度nA计算支持辊的角速度ns1和ns2。在时间kTA时,神经网络的输入向量r＋∈Rn,可由下式计算:(3)其中:(4)式中rA——工作辊A的偏心信号调和函数的个数rS2、rS1——支持辊S1、S2的信号调和函数的个数图6用于识别轧辊偏心的神经网络为了能准确识别偏心信号的振幅和相位,把偏心信号分解成了正弦和余弦函数。轧制过程的输出yk作为测量值,可由轧件出口厚度或轧制力给出。把神经网络的所有权值都考虑进向量w∈Rn中,在时间kTA时的偏心就可以由下式计算:(5)式中e——神经网络的输出。为检验神经网络识别轧辊偏心的灵活性,在冷轧带钢出口厚度信号y(t)中加入了虚拟偏心信号e(t)用于测试。在稳定状态(偏心信号的频率和大小为常数)、角速度变化(加速情况)、偏心程度变化和偏心信号相位变化(可能在穿带时因轧辊和带钢间的相对滑动而产生)等多种情况下,神经网络的表现都令人满意,可以很容易的获得偏心补偿。2.4在线质量检测［5］带钢的表面质量检验,通常都是人工进行的,不仅难以保证检验结果的准确性,而且通常要等到产品轧出一段时间后才能得到检验结果。自动在线表面检测与人工检验相比不仅提高了准确性、缩短了时间,而且使系统的质量管理成为可能。自动在线检测系统包括光源设备、人工视觉系统、神经网络分类系统、专家系统等,系统组成如图7所示。神经网络用来完成分类工作,即根据人工视觉系统采集并送来的数据,对系统进行学习训练,以培养系统的质量检测能力,从而判断是否有缺陷出现及缺陷的种类。数据中,每个可能的缺陷都由一组参数来描述,神经网络通过这组参数识别缺陷。神经网络将输入的信息过滤,去掉其中非缺陷的数据,保留输出每个真正缺陷的信息供专家系统所用。专家系统根据神经网络送来的数据确定带卷的整体质量。图7包含人工神经网络的在线表面监测系统分类系统要投入使用,除分类的准确性之外,还必须满足另外两个主要要求,即:一是发现未知缺陷的能力(能发现训练中未曾见过的样本种类),这是因为不可能收集一组数据包括所有的缺陷种类;另一个是能估计分类的可靠性,从而提示该决定可能带来的风险,这是因为缺陷判断的错误可能使整个钢卷质量估计出现很大偏差。在此系统上进行的实验表明:该监测系统能够发现并区分各种宽度范围内的带钢缺陷,并能在工业生产的情况下正常工作。其中的智能系统还能够根据缺陷的信息和带钢的宽度、厚度、质量等信息判断产品质量,以及该产品适合哪个用户的要求。应用此在线检测系统,工厂不仅减少了操作人员数量,降低了成本,还使轧后直接送到用户手中的产品占总产品的比率由5%上升到30%。2.5综合神经网络用于热镀锌线的控制［6］传统的热镀锌线镀层重量和控制系统包括基于回归模型的镀层重量预测和前馈控制以及一个传统PID(Proportionalintegralderivative)类型的镀层重量反馈控制。然而,热镀锌生产线是具有明显不确定性的高度非线性系统。传统控制系统不能取得令人满意的效果,而且在镀层重量跟踪和对一些操作系统的闭环响应方面都不稳定。基于多层前馈神经网络在全局逼近、学习和联想记忆方面的杰出性能,开发了神经网络系统(图8)。该系统包括:用于镀层重量预测的式层前馈BP网络;用于前馈控制的多层前馈BP网络,用于反馈控制的自适应神经网络。图8热镀锌线控制系统中的神经网络镀层重量预测和前馈控制神经网络都只有一个隐层,联想记忆由镀层重量预测和前馈控制神经网络中的连接权值表达,这些权值是通过使用样本数据离线训练得到的。离线训练完成后,带有固定权值Wcwp和Wffc的两个数据文件被分别复制到镀层重量预测和前馈控制神经网络中,通过对相关输入补偿后得到神经网络的输出。与此相反,反馈控制神经网络的权值被初设为随机值,并且进行实时修改,以减少目标与预测层重量之间的误差。反馈控制神经网络不需要离线训练,联想记忆随时间而不断更新。三个神经网络通过信息传输和数据共享共同完成对锌层重量的预测。该综合神经网络从1994年12月开始,在BurnHarbor的热镀锌线上成功地在线运行。1995年1月对生产数据的统计表明:与传统回归模型相比,镀层重量信号的传送长度平均误差和标准偏差分别减少了9.9%和12.1%,镀层重量稳定状态控制的平均误差和标准偏差分别减少了69.0%和10.3%,自动化运行率提高了8.0%。需要说明的是,神经网络具有自学习功能,它能通过在线学习,进一步提高精确度。3结论(1)人工神经网络作为一种先进的信息处理工具,在国内外得到了广泛的研究和应用。(2)国外已有许多关于人工神经网络在轧钢中应用的实例,取得了令人满意的效果。实际应用结果表明,人工神经网络在轧钢生产中的自动控制、模型辨识与优化等方面优于传统方法。(3)在国内,目前还仅处于理论研究及离线分析阶段。为了提高产品质量、降低成本,应积极地开展人工神经网络在轧钢中应用的研究工作，并利用好人工神经网络这个有力的工具。联系人:赵启林,硕士生,沈阳市(110006)东北大学轧制技术及连轧自动化国家重点实验室作者单位：东北大学