专利名称：钢包炉优化方法
技术领域：
本发明专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用于钢包炉优化方法。
背景技术：
钢包炉(Ladle Furnace简称LF炉)是一种以电弧加热，氩气搅拌的二次精炼电 弧炉.电极升降系统是整个LF炉的关键部分.电极调节系统实时快速调节电极的位置，保 持恒定的电弧长度，以减少电弧电流的波动，维持电弧电压和电流比值的恒定，使输入功率 稳定.同时通过选定优化供电曲线，能使输入功率最大化.LF炉的电极调节系统是一个非 常复杂的三相非线性、时变、输入和输出的互相耦合的多变量系统，驱动电极升降的液压传 动系统是一个大惯性、纯滞后且具有死区特性的非线性系统.由于神经网络的学习能力对 整个解耦控制器的解耦性能具有很大的影响，因此本发明提出了一种改进的神经网络学习 方法。BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差 最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过 程是一种误差后向传播修正权系数的过程。一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的 快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不 降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法 提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。
发明内容
本发明利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提 出了一组钢包炉优化方法。其中对角矩阵解耦方法是传统方法，仅对改进的神经网络学习 方法加以描述。BP网络计算的主题步骤(a).置各权值和阀值的初始值Wi/(0)，θ /(0)，(ρ = 1，2. . . Q)其中ρ为第若干 层，Q表示总层数(b).输入训练样本(I,，dq), (ρ = 1,2...Μ)其中M表示输入输出数量，对每一个 样本计算输出和权值修正(C).计算网络各层的实际输出
式中f O为激活函数若其输出与各顶模式对的期望输出不一致，则将其误差信号从输出端反向传播回 来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输入 值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到完成 个训练学习为止。以下利用共轭梯度法对权值修正
考虑二次型性能函数二
，其梯度
其二阶梯度是Hessian矩阵
。于是，梯度的改变量是
Hp[k]式 中，a[k]是在时刻延方向p[k]搜索使性能函数E(w)最小的学习率对于二次型性能函数，最优学习率按下式确定对an，于是，根据共轭
条件，并由于学习率是一个标量，所以a[k]pT[k]Hp[j] = AgT[k]p[j] =0。共轭条件就转 变为搜索方向P[j]与梯度的改变量Ag[k]正交，而与Hessian矩阵无关。初始搜索方向p
可以是任意的，第1个迭代方向p[l]只要与Ag
正交 即可，通常以最速下降方向开始，后续的方向p[k]只要与梯度的改变量序列{AgW]， Ag[l]，... Ag[k_l]}正交即可。一种简要的方法是采用迭代P[k+1] = 3 [k+1] P[k]-g[k+l] 其中
图1为本控制方法的结构2为本方法中改进神经网络的结构图
具体实施例方式本发明利用改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了 一组钢包炉优化方法，其中改进的神经网络按以下步骤实现(a).置各权值和阀值的初始值Wi/(0)，0 /(0)，(p = 1，2. . . Q)其中p为第若干 层，Q表示总层数(b).输入训练样本(Iq，dq)，(p = 1,2...M)其中M表示输入输出数量，对每一个 样本进行(c) (e)步(c).计算网络各层的实际输出xp = f(sp) = f&H，式中，f 0为激活函数(d).计算梯度g(k)和梯度改变量口 g(k)(e).修正权值_ 其中p[k]是关于w(k)序列、3 [k]序列、g[k]序列的函数，如P[k+1] = 3 [k+1] P[k]-g[k+l](f).当样本集中的所有样本都经历了 c e步，即完成一个训练周期，计算性能指标 (g).如果性能指标猫族精度要求，即E彡ε，那么训练结束，否则转到(b)，继续下 一个训练周期。ε是小的正数，根据实际情况选取。其中β[k]的计算方法如下 其中激活函数可采用三角函数、双极性函数、分段函数、sigmoid函数、基于 sigmoid函数的变形函数等。所述修正权值特指在个迭代计算若干次后，将搜索方向重新设置为梯度方向，再 按(e)迭代。
权利要求
钢包炉优化方法的技术特征是本发明利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了一组钢包炉优化方法；所述改进的神经网络学习方法流程按以下方式进行(a).置各权值和阀值的初始值wijp(0)，θjp(0)，(p＝1，2...Q)其中p为第若干层，Q表示总层数(b).输入训练样本(Iq，dq)，(p＝1，2...M)其中M表示输入输出数量，对每一个样本进行(c)～(e)步(c).计算网络各层的实际输出xp＝f(sp)＝f(wpxp-1)式中，f(*)为激活函数(d).计算梯度g(k)和梯度改变量Δg[k](e).修正权值其中p[k]是关于w(k)序列、β[k]序列、g[k]序列的函数，如P[k+1]＝β[k+1]P[k]-g[k+1](f).当样本集中的所有样本都经历了(c)～(e)步，即完成一个训练周期，计算性能指标，(g).如果性能指标猫族精度要求，即E≤ε，那么训练结束，否则转到(b)，继续下一个训练周期。ε是小的正数，根据实际情况选取。F2009100480116C00011.tif,F2009100480116C00012.tif
2.根据权利要求项1，所述激活函数的技术特征是激活函数可采用三角函数、双极性函数、分段函数、sigmoid函数、基于sigmoid函数 的变形函数，等。
3.根据权利要求项1，所述修正权值的技术特征是所述修正权值特指在个迭代计算若干次后，将搜索方向重新设置为梯度方向，再按(e) 迭代。
4.根据权利要求项1，所述β[k]的技术特征是胖
全文摘要
本发明钢包炉优化方法，涉及一种智能控制方法，特别是一种改进的神经网络控制方法，针对钢包炉优化方法控制对象的非线性和耦合特性，利用改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了一种钢包炉优化方法；其中改进的神经网络采用作为改进的权值修正方法。
文档编号G05B13/02GK101846971SQ20091004801
公开日2010年9月29日 申请日期2009年3月23日 优先权日2009年3月23日
发明者程明 申请人:上海都峰智能科技有限公司