中厚板轧机轧制力调整在线自适应神经网络的应用.doc

中厚板轧机轧制力调整在线自适应神经网络的应用（完整版）实用资料
(可以直接使用，可编辑完整版实用资料，欢迎下载）
中厚板轧机轧制力调整在线自适应神经网络的应用摘要:本文介绍了一种在中厚板轧机上应用的,用于提高模型对轧制力预测能力的神经网络系统。由于厚度精度高度依赖于轧制力的精确程度,所以轧制力预测精度的改善是非常重要的。传统方法使用简单的数学模型和粗略的自学习方案,这些并不能够保证轧制力的精确预测,因为轧制力的相关变量具有高度非线性和时变性,在线自适应神经网络的应用则减轻了这些问题。神经网络系统基本上能够补偿非线性模型的不足之处,它的在线“训练”降低了时变轧制条件所造成的预测误差。在浦项2号轧机上的现场试验表明,该方法提高了30%的预测能力。
关键词:中厚板;轧制;神经网络;自学习;轧制力
1.引言
最近,市场对高品质热轧产品的要求越来越严格,尤其是在轧制过程中对于厚度精度的要求比其它要求更加严格。而良好的厚度精度又高度依赖于较高的轧制力预测精度(金兹堡,1989年,所以对于轧制力的预测应尽可能准确。传统的轧制力预测方法主要是通过以热机械理论(奥罗万,1943年,西姆斯,1954年,福特和亚历山大,1963-64为基础的数学模型来实现。然而其预测能力是有限的,它不能很好地描述所有的物理现象,因为象摩擦、屈服应力和系统干扰等现象都具有高度的非线性、复杂性和数据不可测量性。为提高轧制力的预测能力,众多学者提出了各种方法。其中最流行的一种方法是开发新的更先进的用于轧制力预测的物理模型(BarnettandJonas,1997;Kirihataetal.,1998;Kwaketal.,2000,另一种广泛使用的方法是开发有效的自学习模型,对物理模型的缺陷进行补偿(Choetal.,1997;HaganandMenhaj,1994;LeeandLee,2002;Lu,1998;Nishinoetal.,2000。本文将详细讨论第二种方法在中厚板轧机上的应用。
在第二种方法中常用的技术是使用简单的纠正措施对模型进行补偿,该纠正措施是通过对轧制力比例使用指数平滑法得到一个指数。而轧制力比例是按照轧件的尺寸和化学成分分类的,其数值保存在数据库中以备调用。然而这种方法也有其缺点:第一,随着分类数目的增加,自学习参数也不断增加,这使得维护和操作愈加困难。第二,当产品批变化频繁的时候自学习效率降低(这里的批次是指对于尺寸和成分相似的一批板的轧制。第三,由于预测误差的来源是多方面的,如果仅靠轧制力比例来进行补偿,则外部干扰的大小将在很大程度上影响预测误差的大小。
作为改进,Poliak等人(1998提出了线性回归法来对轧制力模型进行补偿。

他们表示当使用一阶回归模型后,统计对比结果显示,在预测精确度上这种方法
比较传统方法有了较大改善。
此外,许多学者也进行了人工神经网络的研究及其应用。
Portmann等人(1995提出在轧机控制系统中应用神经网络自学习模型的方案。一般情况下,最有效的执行方案并不是只使用神经网络本身,而是使神经网络与经典的以物理为基础的数学模型相结合。
LeeandLee(2002提出使用神经网络进行长期学习以提高热连轧中厚度精度的方案。他们指出轧件批次的频繁改变与轧制力的大的预测误差是相关的,这表明在轧件批次发生改变时,使用有纠正功能的神经网络比传统方法更为有效。
Lu(1998应用与数学模型相结合的BP神经网络系统来预测热连轧精轧机架的轧制力。Lu采用遗传算法对神经网络系统的结构和参数进行了优化,并通过改变系统与模型的结合来得到系统预测能力的变化系数。
Cho等人(1997采用带有纠正功能的BP神经网络系统对浦项钢厂的冷连轧轧制力进行了预测。这一模型不仅使用了数学模型的输入,而且还可以输入一系列附加信息,例如带卷的化学成分、卷曲温度和每卷带加工后的重量。但是该系统的权重是离线“训练”的。
Pican等人(1996提出在平整机上使用人工神经网络系统对轧制力进行预设。在这个例子中,Pican使用新的连接模型来取代现有的数学模型。而且他试图通过在一个域内使用并行神经网络系统来解决在异常点处的网络性能退化。
然而这些以前的研究成果普遍关注的是网络自学习的效果和设计方法。其中多数采用静态网络系统,通过离线仿真来检查其性能。然而由于工作条件的频繁改变及轧制过程的时变非线性特点,故静态网络系统不足以保证良好的预测精度。考虑到此因素,在实际生产中采用在线自适应网络系统是必须的。因此,本文对在线自适应网络系统进行了研究,并对神经网络的结构、输入项、短期和长期自学习、“训练”、发展环境以及测试结果等关键问题进行了讨论。
本文主要内容如下:第二部分介绍了中厚板生产线及在轧制过程中的控制次序;第三部分通过一个例子更加详细地介绍了过程控制次序,并且展