基于改进神经网络算法的中厚板轧制力设定值预报方法
【专利摘要】本发明提供基于改进神经网络算法的中厚板轧制力设定值预报方法，将神经网络的拓扑结构动态调整，以及神经网络阈值和权值动态训练协调起来，从全局的角度对神经网络的各层神经元的连接权、阈值、网络结构进行动态优化；对优化后的拓扑结构中的参数进行赋值并计算，得到改进神经网络算法预报的轧制力计算值与实际值的偏差FNN；采用传统数学模型和改进神经网络算法相结合的预报模型形式，利用公式F=F0+FNN获得中厚板轧制力设定值F，其中F0为传统数学模型得到的轧制力计算值。本发明充分考虑到影响轧制力的各参数，用神经网络算法的结果对传统数学模型得到的轧制力设定值进行补偿，提高中厚板轧制力设定值的预报精度。
【专利说明】基于改进神经网络算法的中厚板轧制力设定值预报方法
【技术领域】
[0001]本发明涉及一种基于改进神经网络算法的中厚板轧制力设定值预报方法。
【背景技术】
[0002]中厚板是国民经济发展所必须的重要原材料，广泛应用于造船、压力容器、汽车大梁、管线等领域。但由于中厚板轧制过程机理非常复杂，具有多变量、非线性、时变性及模型不确定性等特点，使得传统的中厚板轧制模型越来越无法满足目前严格的成品指标要求。
[0003]为了提高中厚板轧制力预报的精度，人们提出了多种方法。一种比较常用的办法是开发新的先进的轧制力数学模型；另外一种办法是构造有效的自学习模型，用以补偿数学模型的缺陷。但是这些方法存在一些缺陷:随着带钢尺寸和化学成分的增多，学习系数的维护变得越来越困难；多品种，小批量的产品生产使得学习效率大大降低；产生预报误差的原因很多，仅仅使用轧制力修正系数，而没有考虑尺寸变化、材料成分变化以及轧制状态变化的影响，会限制补偿能力；轧制力模型本身的结构及参数给定带来的偏差。
【发明内容】
[0004]本发明要解决的技术问题是:针对中厚板轧制力传统数学模型，难以准确预报设定值的问题，提供一种基于改进神经网络算法的中厚板轧制力设定值预报方法。
[0005]本发明为解决上述技术问题所采取的技术方案为:基于改进神经网络算法的中厚板轧制力设定值预报方法，其特征在于:它包括以下步骤:
[0006]步骤一、将神经网络的拓扑结构动态调整，以及神经网络阈值和权值动态训练协调起来，从全局的角度对神经网络的各层神经元的连接权、阈值、网络结构进行动态优化；
[0007]步骤二、对步骤一优化后的拓扑结构中的参数进行赋值并计算，得到改进神经网络算法预报的轧制力计算值与实际值的偏差Fnn ；
[0008]步骤三、采用传统数学模型和改进神经网络算法相结合的预报模型形式，利用公式F=FfFffl获得中厚板轧制力设定值F，其中Ftl为传统数学模型得到的轧制力计算值。
[0009]按上述方案，所述的步骤一的具体步骤为:
[0010]列出所有可能存在的神经元，并将各神经元之间所有可能的网络连接形式、神经元之间的权值和阈值，编码成实数码串；
[0011]生成多个实数码串后，采用遗传算法对实数码串进行最优化寻优，在寻优过程中通过实数码串解码成的神经网络输出的平均误差作为个体适应度。
[0012]按上述方案，所述的步骤二中对步骤一优化后的拓扑结构中的参数进行赋值，
[0013]其中输入层共有以下10个:轧件入口厚度、压下率、工作辊直径、轧件入口宽度、轧件出口宽度、轧制速度、轧件温度、C含量、Mn含量、Si含量；
[0014]输出层只有一个节点，为数学模型轧制力计算值与实际值的偏差Fffl；
[0015]选择隐层节点个数P为最大可能值即P (max) =2*m+2*q,其中m为输入层节点个数，q为输出层节点个数，在寻优过程中将隐层的节点个数逐渐减小，最终获得最优隐层的节点个数；输入层与隐层的连接权数为m*p(max),输出层与隐层的连接权数为q*p (max)；
[0016]设计的实数码串为:输入层到神经网络单隐层的网络权值Xij;隐层的节点数H=I,....,P ;单隐层到神经网络输出层的网络权值Yjk ;隐层的阈值σ」；输出层的阈值Ψ,；其中 i=l，......m, j=l,......p, k=l,......q。
[0017]本发明的有益效果为:利用改进后的神经网络算法应用到中厚板轧制力设定值的预报中，充分考虑到影响轧制力的各参数，用神经网络算法的结果对传统数学模型得到的轧制力设定值进行补偿，提高中厚板轧制力设定值的预报精度。
【专利附图】
【附图说明】
[0018]图1为本发明一实施例的流程框图。
[0019]图2为改进型神经网络算法的原理框图。
[0020]图3为改进神经网络预报轧制力应用策略框图。
[0021]图4为BP网络与改进神经网络收敛速度对比曲线。
[0022]图5为采用本方法得到的轧制力设定值和传统模型预报值及实际值对比曲线。【具体实施方式】
[0023]中厚板轧制过程是一个多变量的、非线性的和强耦合的复杂生产过程，其中轧制力是轧机最重要的设备参数与工艺参数。它的计算精度直接到影响轧制规程的设定精度、也影响到板厚系统和板形系统调控能力的充分发挥，也是提高中厚板头部命中率的关键。但是传统的轧制力数学模型是经验和统计的结果，在使用过程中存在一些缺陷，无法提供足够精度的预测值。
[0024]因此为了提高轧制力设定精度，本发明以智能算法为技术手段，设计了一种采用改进神经网络算法的中厚板轧制力设定值预报的方法。
[0025]下面结合实施例及附图对本发明作进一步阐述。
[0026]图1为本发明一实施例的流程框图，它包括以下步骤:
[0027]步骤一、将神经网络的拓扑结构动态调整，以及神经网络阈值和权值动态训练协调起来，从全局的角度对神经网络的各层神经元的连接权、阈值、网络结构进行动态优化。
[0028]具体步骤为:
[0029]列出所有可能存在的神经元，并将各神经元之间所有可能的网络连接形式、神经元之间的权值和阈值，编码成实数码串；
[0030]生成多个实数码串后，采用遗传算法对实数码串进行最优化寻优，在寻优过程中通过实数码串解码成的神经网络输出的平均误差作为个体适应度。
[0031]步骤二、对步骤一优化后的拓扑结构中的参数进行赋值并计算，得到改进神经网络算法预报的轧制力计算值与实际值的偏差fnn。
[0032]其中输入层共有以下10个:轧件入口厚度、压下率、工作辊直径、轧件入口宽度、轧件出口宽度、轧制速度、轧件温度、C含量、Mn含量、Si含量；
[0033]输出层只有一个节点，为数学模型轧制力计算值与实际值的偏差Fffl；
[0034]选择隐层节点个数P为最大可能值即P (max) =2*m+2*q,其中m为输入层节点个数，q为输出层节点个数，在寻优过程中将隐层的节点个数逐渐减小，最终获得最优隐层的节点个数；输入层与隐层的连接权数为m*p(max),输出层与隐层的连接权数为q*p (max)；
[0035]设计的实数码串为:输入层到神经网络单隐层的网络权值Xij ;隐层的节点数H=I,....，p ;单隐层到神经网络输出层的网络权值Yjk ;隐层的阈值σ」；输出层的阈值Ψ,；其中 i=l，......m, j=l,......p, k=l,......q。
[0036]步骤三、采用传统数学模型和改进神经网络算法相结合的预报模型形式，利用公式F=FfFffl获得中厚板轧制力设定值F，其中Ftl为传统数学模型得到的轧制力计算值。
[0037]本发明的原理如下:
[0038](I)方案设计
[0039]由于数学模型具有坚实的理论基础，能够大体预测轧制力的变化趋势，所以本发明采用了传统数学模型和改进神经网络算法相结合的预报模型形式，即采用如下预报模型:
[0040]F=F0+F 丽。
[0041]上述算法的好处在于由于采用具有较强非线性逼近能力的神经网络轧制力模型，可以对中厚板轧制过程中各相关参数与轧制力之间的关系做很好的描述。而且通过在线学习及实时反馈校正预测模型，提高了在线轧制力模型对轧制过程参量变化、随机扰动的适应性以及模型的预测精度；此外，由于结合了传统数学模型，提高了自适应学习速度，同时保证了中间变量的控制增量变化不至于过大，提高了中厚板轧制力预测的稳定性。
[0042](2)改进神经网络算法的实施步骤
[0043]采用遗传算法从全局的角度对神经网络的各层神经元的连接权值、阈值、网络结构进行动态优化，如图2所示。首先一一列出所有可能存在的神经元，并将各神经元之间所有可能的网络连接形式、神经元之间的权值和阈值，编码成实数串。生成多个实数串后，采用遗传算法对码串进行最优化寻优，在寻优过程中通过码串解码成的神经网络输出的平均误差作为个体适应度。
[0044]具体步骤如下:
[0045]1、根据各神经元之间所有可能的网络连接形式、神经元之间的权值和阈值，产生不同的神经网络；每个网络对应于遗传算法的一个个体；若干个不同参数的神经网络就构成了遗传算法的初始种群。
[0046]2、计算每个对应个体构成不同的神经网络的平均误差，将其作为相应个体的适应度函数。
[0047]3、判断遗传算法是否已经到达最大遗传进化代数设定，或者是否满足遗传算法进化的精度指标要求。如满足则转步骤5，否则进行步骤4 ；
[0048]4、采用遗传算法的操作算子(交叉、变异、选择)对当前种群进行操作，产生下一代种群；转步骤2。
[0049]5、将当前种群中计算所得的适应度最高的个体，解码成神经网络权值、阈值、及网络结构。
[0050]6、运行结束。
[0051](3)采用改进神经网络算法对中厚板轧制力设定预报，其应用策略如图3所示。
[0052]神经网络输入、输出层的设计
[0053]神经网络的输入、输出层节点数是根据使用者的要求来进行设计的。通常在保证神经网络预报模型所必需的输入信息量基础上应尽量减小整个系统的规模，从而使学习时间和系统的复杂性降低。影响轧制力主要因素包括以下10个变量:轧件入口厚度(I个)；压下率(I个)；工作辊直径(I个)；轧件入口宽度(I个)；轧件出口宽度(I个)；轧制速度(I个)；轧件温度(I个)；C、Mn、Si含量(3个)。输出层为数学模型轧制力计算值与实际值的偏差，即只有一个节点。
[0054]神经网络结构设计
[0055]通过增加神经网络隐层的个数，或者增加隐层的节点数都可以提高神经网络训练的精度。但从算法实现上增加隐层的节点数要更加容易，本发明将隐层数设计为I层，则神经网络的结构为输入层、单隐层、输出层。因此只对单个隐层的节点个数进行寻优，其激活函数设计为Sigmoid函数。
[0056]数据的处理
[0057]在神经网络训练前，除要剔除错误输入数据和噪音数据外，由于各输入变量代表了不同的物理量，其取值范围差别很大，因此必须进行归一化处理。为避免工作在函数的平坦区域，把数据变换为0.1~0.9之间，为此对学习训练样本集和检验样本集的数据做如下变换，新变量x_change为:
【权利要求】
1.基于改进神经网络算法的中厚板轧制力设定值预报方法，其特征在于:它包括以下步骤: 步骤一、将神经网络的拓扑结构动态调整，以及神经网络阈值和权值动态训练协调起来，从全局的角度对神经网络的各层神经元的连接权、阈值、网络结构进行动态优化； 步骤二、对步骤一优化后的拓扑结构中的参数进行赋值并计算，得到改进神经网络算法预报的轧制力计算值与实际值的偏差Fnn ； 步骤三、采用传统数学模型和改进神经网络算法相结合的预报模型形式，利用公式F=F0+Fnn获得中厚板轧制力设定值F，其中Ftl为传统数学模型得到的轧制力计算值。
2.根据权利要求1所述的基于改进神经网络算法的中厚板轧制力设定值预报方法，其特征在于:所述的步骤一的具体步骤为: 列出所有可能存在的神经元，并将各神经元之间所有可能的网络连接形式、神经元之间的权值和阈值，编码成实数码串； 生成多个实数码串后，采用遗传算法对实数码串进行最优化寻优，在寻优过程中通过实数码串解码成的神经网络输出的平均误差作为个体适应度。
3.根据权利要求1所述的基于改进神经网络算法的中厚板轧制力设定值预报方法，其特征在于:所述的步骤二中对步骤一优化后的拓扑结构中的参数进行赋值， 其中输入层共有以下10个:轧件入口厚度、压下率、工作辊直径、轧件入口宽度、轧件出口宽度、轧制速度、轧件温度、C含量、Mn含量、Si含量； 输出层只有一个节点，为数学模型轧制力计算值与实际值的偏差Fnn ； 选择隐层节点个数P为最大可能值即P (max) =2*m+2*q,其中m为输入层节点个数，q为输出层节点个数，在寻优过程中将隐层的节点个数逐渐减小，最终获得最优隐层的节点个数；输入层与隐层的连接权数为m*p(max),输出层与隐层的连接权数为q*p (max)； 设计的实数码串为:输入层到神经网络单隐层的网络权值Xij ;隐层的节点数H=I,....,P ;单隐层到神经网络输出层的网络权值Yjk ;隐层的阈值σ」；输出层的阈值Ψ,；其中 i=l，......m, j=l,......p, k=l,......q。
【文档编号】G06F19/00GK103745101SQ201310747097
【公开日】2014年4月23日 申请日期:2013年12月30日 优先权日:2013年12月30日
【发明者】赵云涛, 王胜勇, 卢家斌 申请人:中冶南方（武汉）自动化有限公司