一种基于主动学习的板厚智能控制方法
【技术领域】
[0001] 本发明涉及一种基于主动学习的板厚智能控制方法，属于智能控制技术领域。
【背景技术】
[0002] 钢铁工业在我国国民经济中占有重要的地位，是重要的基础产业。随着经济全 球化进程的推进，在能源日益紧缺的今天，加大技术创新力度、改进生产工艺、提高产品质 量成为钢铁行业共同的追求。智能技术中的神经网络正是解决厚度自动控制（Automatic Gauge Control，简称AGC)系统控制精度和乳制过程中不确定因素的成功技术之一。随着 计算机技术的发展，人们利用人工智能的方法将操作人员的调整经验作为知识存入计算机 中，根据现场实际情况，结合神经网络控制算法，计算机能自动调整PID参数，实现系统的 最优控制，这就是智能PID控制器。我国自主研发乳机的时间比较晚，国内较为先进的乳机 的AGC系统均采用进口产品，因此，开展智能控制方法在此类对象的建模与控制中的实际 应用和仿真探讨，自行开发智能控制的AGC系统，不仅具有理论意义，而且对于促进我国自 动化技术的发展，提高人工智能领域的研究水平，也具有极为重要的应用价值。
[0003] 基于以上背景，本发明以神经网络可自学习的性能为理论依据，结合主动学习 采样算法提出了一种基于主动学习的板厚智能控制方法，构建基于主动学习的发育模 型，从而建立控制带钢厚度的智能控制系统，使板厚控制系统能够适时地进行自我调节， 通过不断的训练动态神经网络优化板厚控制系统的控制性能。相关的专利如申请号为 200910012699. 2的发明专利提出板带样本长度跟踪，解决传统方法中滞后时间随乳制速度 变化这一问题，提高系统的响应速度与控制精度。申请号为201010593675. 3的发明专利采 用测厚仪分段监控的方式精确测量出厚度计算模型的误差，提高厚度控制精度。申请号为 201110274934. 0的发明专利将监视AGC与秒流量AGC方法联用，使用特有的同步传输模型 实现带钢参数的同步传输，使得板厚控制系统可以在带钢速度任意变化的情况下输出准确 板厚值。申请号为201410461558. X的发明专利针对现有自动厚度控制系统非线性时变、大 滞后的问题，构建了网络模型、辊缝厚度前馈模型、辊缝厚度预测模型以及辊缝位置自适应 控制模型，提高了厚度控制精度。但是，以上专利大多都是在系统硬件设施上进行改进，并 没有涉及控制系统在运行过程中可以适时自主地进行自我调节，并且在调解过程中将操作 人员的调整经验作为知识存入控制器计算机内，目前，尚未见到与本发明相似的专利记录。
【发明内容】
[0004] 针对上述技术问题，本发明提出一种基于主动学习的板厚智能控制方法，用以客 服现有的液压厚度自动控制（AGC)系统智能控制水平有限、系统自适应能力较差，无法以自 学习方式提高控制系统的准确性等问题。以神经网络可自学习的性能为理论依据，将动态 神经网络与主动学习相结合，在线调整PID控制器参数，构建基于主动学习的发育模型，从 而建立带钢厚度的智能控制系统，使板厚控制系统能够适时地进行自我调节，通过不断的 训练动态神经网络优化板厚控制系统的控制性能。
[0005] 本发明采用如下技术方案及实现步骤： 1、一种基于主动学习的板厚智能控制方法，其特征在于，包括以下步骤： (1)构建初始动态神经网络模型，包括输入层、隐含层和输出层，确定各层神经元数量， 设定神经元权值、网络训练的最大步数T、学习速率以及最大输出误差I，设定PID控制 器三个参数&?，的初始值，设定板厚控制系统最大输出误差
[0006] 具体的，初始化神经网络：确定神经网络n-m-κ的连接方式，即输入层η个节点，隐 含层m个神经元，输出层K个神经元； 第一层，输入层神经元的输出为：
其中，_表示输入层第I个神经元的输出，和"表示神经网络的输入； 第二层，隐含层的输出为：
其中，函数
表示隐含层第1!个神经元的输出，是输入层第f个神经 元与隐含层第1!个神经元间的连接权值； 第三层，输出层的输出为：
其中，1表示第k个神经元的输出，￥是隐含层第it神经元与输出层第k个神经元 之间的连接权值； 网络训练过程中均方差为：
其中，It表示神经网络第々个神经元的期望输出，Ii表示神经网络第々个神经元的实 际输出，?是神经网络训练步数。
[0007] (2)通过基于一种改进型不确定性采样策略的主动学习算法，综合考虑样本的后 验概率及其与已标记样本间的相似性，标注综合评价得分值较小的样本，加入到动态神经 网络的训练样本集对网络进行训练，调整网络神经元连接权值。
[0008] 其中，基于一种改进型不确定性采样策略的主动学习算法，包括以下方法： 首先，使用已标记样本￡对网络进行训练，改善动态网络神经元连接权值； 之后用神经元连接权值得到改善的动态网络对无标记样本集P中进行输出，选取后验 概率接近〇. 5的/7个样本，对/7个样本进行评定采集符合条件的样本，将采集到的样本加入 到训练集中再对动态网络进行训练； 样本采集具体方法包括以下过程： 假设…七丨是从P中选出的於无标记样例，该样本的后验概率均接近0. 5， 对应的动态网络预算值根据贝叶斯定理样本^的后验概率表示为：
计算样本￥与已标记样本的相似性，表示为：
其中，
是相似性测度函数；屬越小表示样本1|与已标记样 本孟相似度越低； 综合上述两方面，对无标记样例3|进行评价：
) 其次，根据式（7)选取最小得分值__的样本由专家进行标记，加入已标记样本集 黑得到一个新的标记样本集公，再由鮮重新训练动态网络，继续在剩下的无标记样本集IT 中采集样本，直到达到最大迭代次数，或者P变为空集； 将采集到的样本根据步骤（1)网络输入输出间的关系对动态网络隐层神经元连接权值 进行调节，目的是使动态网络输出均方差爲
[0009] (3)判断是否达到最大训练步数T，若达到最大步数转向步骤（5)，否则转向步骤 (4)〇
[0010] (4)判断网络输出均方差是否达到期望，若达到期望转向步骤（5)，否则转向步骤 (2)。 ▲
[0011] (5 )将板厚控制系统输出误差·及误差变化率γ作为网络输入，PID控制器三个参 dt 数作为网络输出，构建基于主动学习的发育模型，经网络计算得出新的^，值，对参 ' ·Λλ· 1SF ' *^κ 数进行修改。
[0012] (6)判断网络是否需要进行结构调整，若需要执行步骤（7)，否则转向步骤（10)。
[0013] 其中，判断动态网络是否需要进行结构调整的具体实现如下： 假设采集到?个样本对动态网络进行训练，该样本通过动态网络输出得到对应的均方 差，并按大小排序，结果如下：
若i是动态网络对上述样例输出方差最接近目标误差*§的，则将_作为系统反馈误差 调节网络权值，以此训练网络；如果网络输出的误差fi_|，其中_是判断因子，ml，说 明此时动态网络的处理能力较弱，隐含层神经元个数需要增加；如果网络训练时间变得很 长，此时的动态网络需要对神经元进行删减来简化自身结构。
[