神经网络在热轧机组轧制力预报模型中的应用

近年来，随着轧钢技术的发展，汽车、机械制造、电器及电子工业对于钢产品质量尤其是厚度精度的要求越来越严格。由于轧制力模型的设定精度对带钢厚度精度有至关重要的影响，而轧制力数学模型的预报精度，又直接影响设定控制的精度和效果。所以提高轧制力模型的预报精度成为解决带钢厚度精度的关键所在。由于轧制过程非常复杂，影响轧制力的因素很多，而且在实际生产条件下，由于轧制条件和状态不断变化，各因素的变动范围也较大，所以如果将传统的轧制理论计算公式直接用于轧制力的预报具有一定的局限性。因此，我们有必要通过探索和研究，采用新的轧制力建模方法，使之能更精确的预报各种工艺条件和钢种条件下的轧制力，提高控制精度和产品质量。在这方面，采用包括神经网络（Neural Network）、模糊控制（Fuzzy Control）以及专家系统（Expert System）在内的人工智能（Artificial Intelligent，AI）技术，不失为一种最佳的选择[1-2]。

传统轧制力模型研究

影响轧制力的因素数量多且关系复杂，如：轧件的化学成分、轧制温度、速度、轧辊直径等。这些因素与轧制力之间多数为复杂的非线性关系；其中主要由是变形区长度与轧件厚度的比值决定的。

国内某厂热轧机组采用的是经典的轧制力数学模型，其基本形式为[3]

RBF（Radial Basis Function）网络，即径向基函数神经网络，是由J.Moody和C.Darken于20世纪80年代提出的一种神经网络，它是具有单隐层的三层前馈网络，其结构如图4所示。

在MATLAB中，径向基函数（RBF）网络的设计采用的是神经网络工具箱中的newrb（）函数。仿真是同BP网络仿真所用的函数一样，用函数sim（）实现的。

在MATLAB仿真过程中，采用与BP网络模型同样的输入项、输出项，最小误差为0.005，扩散速度为0.8，最大神经元数为12。

本文依据传统轧制力公式对国内某连轧厂的热连轧机组轧制力进行了理论计算，并且通过数据的采集、处理确立了输入样本。接着相继建立了基于BP神经网络的轧制力模型和基于RBF神经网络轧制力模型，并在此基础上利用MATLAB软件进行了仿真。通过对仿真结果进行比较分析，可以得出以下结论：

由图3.4、图3.2和图2.1的对比，可以看出基于神经网络（BP网络和RBF网络）的轧制力模型的预报精度大大高于传统理论模型的预报精度，可以较好地满足轧制力预报要求。但是，建立神经网络轧制力模型需要解决如何合理选择各参数和如何提高预报精度的问题，并存在如何选择轧制力影响因素作为输入量以提高模型精度的问题。

由图3.4和图3.2对比，可以看出RBF神经网络预报模型的预报精度总体来说高于BP神经网络预报模型的预报精度。

由仿真结果对比可知，RBF神经网络预报模型偏差的平均值要比BP网络模型小20%，而BP神经网络预报模型的均方差比RBF网络模型小2%，绝对最大偏差小12%；换句话说，RBF网络预报模型的预报精度要高些，而BP网络预报模型的“平滑度”要比RBF好些。

由于BP网络在训练过程中极易陷入局部极小，所以在达到最大训练次数时，7个机架BP网络预报模型的训练时间为107.86秒，而同样情况下，RBF网络预报模型的训练时间仅为4.016秒。所以使用RBF神经网络可以大大缩短模型的训练时间。

[1]P.G.J.1isboa编著，邢春颍等泽.现代神经网络应用，北京：电子工业出版社，1996 Siemens AG.Intelligent answer to HSM control problems.Steel Times International.1996

[2]Kumpati S Narendra，Kannan Parthasarathy，Identification and Control of Dynamical Systems Using Neural Networks，IEEE Trans.on Neural Networks.1990

[3]邹家样.轧制机械（修订本）.北京：冶金工业出版社，1989

[4]胡贤磊等.结合模型自学习的BP神经元网络的轧制力预报.东北大学学报（自然科学版），2002.11