轧制力预报人工神经网络设定模型的开发

轧制力预报人工神经网络设定模型的开发张志辉王希哲陈金英王国栋刘相华摘要研究了轧制力设定控制的人工智能实现方法。在建立训练及预测数据模式库的基础上开发了轧制力预报人工神经网络软件,同时对实际生产中的历史数据进行了模拟在线预报,达到了较高精度。另外,给出了一种利用人工神经网络进行模拟正交实验的新思路。关键词人工神经网络,热轧机组,轧制力设定,模拟实验TheModelDevelopmenttoPredictionRollingForcebyUsingArtificialNeuralNetworkZhangZhihuiWangXizhe(BeijingGeneralResearchInstituteforNonferrousMetals,100088)ChenJinying(ChineseIron&SteelIndustryandCommerceGroupCorp.,Beijing)AbstractTheartificialintelligencemethodtosetupandcontrolrollingforceisresearched.Basedonthebuilttrainandpredictiondatabank,theartificialneuralnetworksoftwareisdevelopedtopredictrollingforce.Theon-linepredictionbypracticaldataiscarriedout,andthepredictedprecisionishigh.Meanwhile,anewthoughtofsimulationorthogonalityexperimentisputforward.Keywordsartificialneuralnetwork,hotrollingmill,rollingforcesetup,simulationexperiment1前言现代带材生产中,大多数热轧机组轧制力的设定计算借助于经验或统计和自适应在线模型来实现。精轧设定功能通过计算压下量,机架速度与机架间张力,可生产出所需头-尾精轧厚度,横断面形状和平直度的带钢。压下量（机架间厚度）计算是依据轧制力分布来确定。带钢头尾厚度也主要取决于精轧机组设定中轧制力预报的精确性。由此可见,轧制力的准确预测对获得所要求的末架出口厚度,特别是头尾厚度是必要的,由于轧制过程非常复杂,轧制条件和状态不断变化,传统的设定模型很难达到精度要求。因而,开发一个精确的在线轧制力预报模型,对准确预测各种工艺或各种金属材料条件下的轧制力具有重要的意义。人工神经网络（
ArtificialNeuralNetwork简称ANN）的研究为上述问题提供了良好的途径。它解决问题的方式不同于传统逻辑思维的“算法”,其“操作”具有形象思维的属性,特别适合于处理需同时考虑许多因素,条件,不精确和模糊信息的问题。本文将讨论用人工神经网络建立轧制力设定模型的全过程。2BP网络建模误差反向传播的BP模型是人工神经网络模型中使用最广泛的一类,是典型的多层网络,分为输入层,隐层和输出层,层与层之间采用全互连方式,同一层单元之间不存在相互连接,每一层连接权值可以通过学习来调节。基本输入单元（输入层单元除外）为非线性输入-输出关系,一般为Sigmoid型函数BP网络实现了多层网络学习的设想。当给定网络一个输入模式时,它由输入层单元传到隐层单元,经隐单元逐层处理后再送到输出层单元,由输出层单元处理后产生一个输出模式,若输出响应与期望输出有误差,那么就转入误差后向传播,将误差值沿连接通路逐层传送并修正各层连接权值。对于给定的一组训练模式,不断地用一个个训练模式训练网络,重复前向传播和误差后向传播过程,当各个训练模式都满足要求时,BP网络训练结束。通过变步长方法,加动态量（即改进的Delta规则）,加入因子等方法可改善模型的收敛速度,克服局部极小问题。另外,BP网络虽能有效地进行参数预报,但局限于训练数据的范围内。实践证明,在训练数据范围之外进行参数预报,将使预报结果误差极大,甚至会产生难以想象的结果,这正是神经网络的“危险性”所在,因此,考虑用传统数学模型对网络结果进行限制,即让传统模型与BP网络模型并行计算,传统数学模型值作为网络预报值的约束条件,改进后的BP算法框图见图1。1BP算法框图3轧制力影响因素的确ANN模拟研究3.1实验目的与方法实验目的是利用人工神经网络方法寻求轧制力影响因素的作用规律,从而为轧制力预报人工神经网络软件的开发确定精确的输入节点。从现场收集数据建立带钢数据库,以可能影响轧制力的因素作为BP网络输入节点,以7个轧制力作为输出节点,建立BP网络,构造正交实验表,单独改变某一个因素,而其它因素不变,利用BP网络预测出轧制力值。进行多组实验,便可得出诸影响因素对轧制力的作用规律及影响程度。3.2实验方案影响轧制力的因素很多,从本质上可分为影响轧件力学性能的因素和影响轧件应力状态特性的因素。具体来说,影响热轧机组轧制力的因素有8个：①相对压下率；②粗轧后厚度；③粗轧后宽度；④目标厚度；⑤入口温度；⑥机架间张力；⑦机架速度；⑧C,Si,Mn,P,S,Cu含量q除第⑥项是对轧件应力状态特性的影响外,其余均反映各因素对轧件力学性能的影响,实验的具体方案如下：（1）建立BP网络结构参数,本实验选用NW2V40神经网络应用软件进行计算。输入层为上述8个影响因素共38个数值；输出层为7个轧制力值,中间隐层选为11个节点。这样,BP网络的结构为（38,11,7）。（2）建立一个用于BP网络训练的大型数据库及一个用于预测的数据文件。（3）构造实验方案表,对每个机架。单独改变上述13个影响因素中的某个因素值（改变值从热轧厂带钢数据库中选取,以保证数据在生产上的可行性和合理性）,而其他因素不变,可得到13组分别带有唯一不同影响因素的用于轧制力预测的数据文件。（4）用建立的数据库对BP网络进行训练,并用训练好的网络对构造好的实验方案进行轧制力预测。改变某因素前的轧制力值定义为水平1,改变该因素后的轧制力值定义为水平2。3.3实验结果分析F1机架实验结果见图2。由图2可看出,相对压下率,粗轧出口厚度,粗轧出口宽度,目标厚度,入口温度对轧制力影响显著；机架速度,张力及C,Si,Mn,P,S,Cu含量的影响相对较弱。图2各因素对F1机架轧制力的影响1-相对压下率；2-粗轧出口厚度；3-粗轧出口宽度；4-目标厚度；5-机架速度；6-入口温度；7-张力；8～13-C,Si,Mn,P,S,Cu含量,1-水平1,F1机架正常轧制力值；2-水平2,改变某影响因素后F1机架的轧制力值4轧制力预报人工神经网络软件的开发为实现在线功能,研制开发了轧制力神经网络训练及预报软件。该软件本着简便,实用,人-机交互友好原则,并考虑了运行速度问题,人机交互界面用VisualBasic语言开发,主要计算模块用TurboC语言开发,并将两者进行必要连接,在正确解决问题的基础上尽可能提高运行速度。软件可实现以下功能：（1）利用历史数据进行离线学习,并将学习所得的网络权值存储。（2）用所得的权值文件进行参数预报,预报结果及误差以图,表方式输出,并将结果以文本格式存储。（3）利用历史权值直接进行参数预报,该功能为热轧机轧制力在线预报提供了可能性。网络结构设计见图3。本例中选取某钢铁公司带钢历史数据3000块作为训练数据,另取10组数据供预测,验证测试效果。图4为某厂7机架轧制力预测结果和实测值比较。可看出,BP网络的预报精度较高,误差基本为7%～10%。图3轧制力预报的神经网络结构图4预报与实测轧制力分布对比图5结论利用从现场搜集的大量热轧带钢数据，建立了BP网络的历史数据模式库。利用人工神经网络这一智能方法对热轧机组轧制力的影响因素进行了模拟实验研究。开发了“轧制力预报人工神经网络”软件。采用人工神经网络与传统模型相结合的方法,用传统数学模型作为神经网络的约束条件,以解决在带钢厚度级范围之外进行轧制力预报时的不可信程度较高的问题,同时使神经网络预报精度好于传统数模预报精度,达到提高神经网络在线预报精度的目的。对“轧制力预报人工神经网络设定模型”及“轧制力智能预报系统”进行了模拟在线预报,利用现场生产数据进行了训练与测试,取得了较高的预报精度。作者简介：张志辉,男,26,助理工程师,[phone]-2815。作者单位：张志辉王希哲北京有色金属研究总院.100088陈金英中国钢铁工贸集团公司.北京王国栋刘相华东北大学参考文献1佐藤淮治,川屿辉子,松浦轶和等,热延仕上ミルにぉける高精度板厚制御技术,神户钢铁技报,1991,41(4).2杨节,轧制过程数学模型,北京,冶金工业出版社,1993:10.3丁修,轧制过程自动化,北京,冶金工业出版社,1990:10.4威尔莫特S.热轧带钢机计算机设定的新方法,板带连轧数学模型,北京,冶金工业出版社,1981.5YutakaKurashige,YukiharuKubuki.Developmentofplantmillautomaticgaugecontrol.NipponSteelTechnicalReport,1983,21.6张立明,人工神经网络的模型及其应用,上海,复旦大学出版社,1993:9.7王燕,中文Windows3.1～3.2使用教程,北京,清华大学出版社,1995:6.8王廷溥,金属塑性加工学-轧制理论与工艺,北京,冶金工业出版社,1988:5.9何立起,VisualBasic3.xForWindows程序设计入门与提高,北京,人民邮电出版社,1995:7.10谭浩强,C程序设计,北京,清华大学出版社,1991:7.张志辉等,轧制力预报人工神经网络设定模型的开发第1期.12.