《基于神经网络的热连轧精轧机组轧制力高精度预报.doc》由会员分享，可在线阅读，更多相关《基于神经网络的热连轧精轧机组轧制力高精度预报.doc（5页珍藏版）》请在金锄头文库上搜索。
1、基于神经网络的热连轧精轧机组轧制力高精度预报吕程王国栋刘相华姜正义朱洪涛(东北大学)袁建光解旗(宝山钢铁(集团)公司)摘要以实测数据为基础，在精轧预设定中采用BP神经网络的方法取代传统的轧制力数学模型，并对神经网络输入项和训练样本进行分析，提出改善神经网络预报精度的一些方法。预报结果和实测数据比较表明，预报精度有较大的提高。为满足现场要求提出神经网络预报轧制力在线应用方案。关键词BP神经网络轧制力预报热连轧HIGH-PRECISION PREDICTION OF ROLLING LOAD OFFINISHING STANDS WITH NEURAL NETWORKSLChengWANG Guo
2、dongLIU XianghuaJIANG ZhengyiZHU Hongtao(Northeastern University)YUAN JianguangXIE Qi(Baoshan Iron and Steel Corp.)ABSTRACTOn the basis of the measured data of the 2050 mm hot strip mill,the neural networks have been used for prediction of rolling load instead of traditional models for pre-setting f
3、inishing stands.The input of networks and training data have been analyzed and some methods for improving the precision of prediction are proposed.The comparison of the measured values and the predicted values show that the methods are very good.In order to satisfy the demand of steel works,a propos
4、al of application of predicting rolling load is given.KEY WORDSBP neural networks,prediction of rolling load,hot continuous rolling1前言目前，在热连轧生产中，由于钢种的多样化、订货的小批量化以及对尺寸精度要求的不断提高，要求精轧机预设定更加灵活和准确。为了提高预设定计算的精度，尤其是改变钢种或规格后第一块带钢的精度，有必要对预设定模型的核心轧制力预报进行改进，使之能准确地预报各种工艺和钢种条件下的轧制力。近年来，神经网络研究得到迅速发展，对许多领域都有重要影响。神
5、经网络应用于轧制自动化也将是一个重要的研究方向。本文从工艺角度出发，对神经网络输入项和训练样本进行分析，提出改善神经网络预报精度的一些方法，并且提出对原过程控制级程序不作太多修改的神经网络在线应用方案。22050 mm热连轧精轧轧制力在线设定模型未考虑轧辊压扁影响的轧制力模型为FF012R(t)H(h)N(T)b式中F轧制力/kN；遗传因数，12，1为材料相关遗传因数，2为机架相关遗传因数；F0模型轧制力(遗传因数为1时的轧制力)/kN；R(t)温度t对轧制力影响因数；H(h)厚度h对轧制力影响因数；N(T)张力T对轧制力的影响因数；b入口宽度/mm；相对压下率；R轧辊半径/mm；R0参考轧辊
6、半径/mm。1、2存储在遗传因数文件中，其准确程度将直接影响到轧制力的预报精度。每轧完一块带钢后进行后计算，通过实测值确定新的1、2，并存储。然后按常用的遗传方法，由后续的带钢继承这些数值。通过这种遗传不断改变1、2来修正轧制力预报值。当连续轧制几块同一钢种和规格的带钢后，通过修正1、2可以使预报的轧制力非常接近实际轧制力。但是，改变钢种或规格后的第一块带钢由于选用的1、2不够准确，其预报的轧制力与实际轧制力相差很大。这是精轧轧制力在线设定模型的主要缺陷之一。3应用BP神经网络预报轧制力误差反向传播的前馈式神经网络(简称BP神经网络)是目前使用最广泛的一种人工神经网络。它具有结构简单、工作状态
7、稳定等优点。因此，本研究采用此种神经网络。本研究利用2050 mm热连轧精 轧过程机数据，用BP神经网络进行离线训练和预报。训练样本中有3250块带钢的数据，其中包括现场所有的质量级(变形抗力相近的钢种划分为一个质量级)、厚度级和宽度级。并对训练样本进行分析，排除了检测误差较大的数据。另外选取有代表性的40块带钢的数据作为预报样本，即训练样本中不包含预报样本，这样预报结果更具有普遍意义。由于轧制力预报是在带钢进入精轧机组前进行的，已知量非常少，主要包括化学成分，R4后实测温度、厚度、宽度，目标温度、厚度、宽度及R4到F1传送时间等。单独使用神经网络预报轧制力精度不高，可以采用综合网络的方法，将
8、神经网络和数学模型相结合，利用其它预设定模型计算结果作为神经网络输入项的一部分。神经网络的输出项为7个机架的轧制力。本研究共进行4个方案的比较。方案1输入项C、Si、Mn三种化学元素的含量，R4后实测的厚度、宽度值，由R4后实测的温度值和R4到F1的实际传送时间通过温度模型计算的F1入口温度，F1F7各机架的相对压下率预计算值。利用所有的训练样本对BP神经网络进行训练，得到一个权系数矩阵，再用这个权系数矩阵，对预报样本进行预报，网络输出项即为轧制力预报值。方案2在方案1的基础上增加了一些输入项，包括P、S、Al、N、Cu等其它一些元素的含量，7个机架的速度、温度、机架间张力的预计算值。方案3输
9、入项与方案2相同。但是，改变了前两种方案中用所有训练样本训练一个BP神经网络的方法，而是把训练样本按质量级划分为若干个部分，每一部分分别训练一个BP神经网络。预报样本则根据质量级用相应的BP神经网络进行预报。方案4在方案3的基础上对训练样本进行更细致的划分。不但根据质量级，而且还根据F1入口温度进行划分。预报样本也做相应的划分和预报。四种方案的预报结果如图1所示。取均方根误差作为比较的判据，其预报值与实测值均方根误差的平均值为：方案1为939.8，方案2为727.6，方案3为486.4，方案4为434.8。可见方案2的预报精度要好于方案1的预报精度。在方案2中全面考虑了热轧影响轧制力的主要因素
10、，利用这些因素的预计算结果作为神经网络的输入项取得了较为满意的效果。在方案3中对训练样本按质量级进行了划分，也就是把变形抗力相近的带钢数据放在一起训练和预报，预报精度进一步提高。变形抗力是影响轧制力的重要因素，变形抗力相近的带钢其输入项和输出项之间关系更加接近，用划分后训练得到的网络逼近这种关系精度更高。方案4不仅把训练样本按质量级同时还按F1入口温度进行了划分，这样得到的预报精度又有了提高。但是，划分时必须使每部分训练样本具有一定的数量，才能改善整体的预报精度。4在线应用方案2050 mm热连轧精轧过程机受建厂时设备条图 1实测值和预报值比较Fig.1Comparison of the me
11、asured value and the predicted value(a)方案1；(b)方案2；(c)方案3；(d)方案4件限制，内存和硬盘容量都比较小，随着对程序的不断修改和增添，现在过程机已经接近满负荷状态，再增加程序特别是像BP神经网络训练这样的大程序是不可能的。因此，现阶段要想在线应用BP神经网络，必须对原过程机程序不做修改或少做修改。正是基于上述考虑，提出了BP神经网络在线预报轧制力的方案(如图2)。在过程机外附加一台服务器或微机，使附加计算机和过程机之间能进行数据交换，附加计算机包括离线预计算模块、数据处理模块、BP神经网络训练样本数据库、BP神经网络训练模块，BP神经网络预报
12、模块等。数据处理模块对从过程机传来的已轧带钢的实际数据进行分析、处理，排除仪器检测误差较大的数据，把好的数据保留下来，存在训练样本数据库中。BP神经网络训练模块定期从中读取数据进行训练，得到的权值和阈值供BP神经网络预报模块使用。离线预计算模块是在线预计算模块的翻版，微机C语言版本已经编制完成，其计算结果与在线预计算结果完全相同。过程机对一块带钢预设定之前，先把已知量传给附加计算机，由附加计算机计算出轧制力神经网络预报值F，如果把此值直接传回过程机程序中，图 2BP神经网络预报轧制力在线应用方案Fig.2A proposal of application of predicting separ
13、atingrolling load on-line需对原程序作较大修改，现阶段实现有一定困难，因此，把F和离线模型轧制力F0的比值a传回过程机，取代遗传因数文件中该块带钢对应的遗传因数。过程机在线计算轧制力时即选用此遗传因数乘以在线模型轧制力F0，由于F0F0，这样，得到的结果就是离线BP神经网络预报的轧制力F。5结论神经网络是过程机设定控制有效的辅助手段，它可以提高预设定精度，减少产品尺寸公差。在实际应用时，应开发一些配套的方法和技术，通过神经网络和数学模型的结合，达到在线控制的要求。全面考虑神经网络输入项并把训练样本按主要影响因素进行划分，可显著提高BP神经网络预报精度。提出的在线应用方案符合现场要求，并进行了一些前期工作，具有实际应用价值。参考文献1李元，刘文仲，孙一康.神经网络在热连轧精轧机组轧制力预报的应用.钢铁，1996，31(1)：5457.2Nicklaus F,Portmann,Dieter Lindhoff,et al.Application of Neural Networks in Rolling Mill Automation.Iron and Steel Engineer,1995,(2):3336.联系人：吕程，博士研究生，沈阳（110006）东北大学轧制技术及连轧自动化国家重点实验室
