基于西門子Simatic Manager平臺的冷軋板形控制神經(jīng)網(wǎng)絡(luò)效率自學(xué)習(xí)的實現(xiàn)及效果

包頭鋼鐵集團薄板坯連鑄連軋廠自動化部 周 鑫

西門子Simatic Manager軟件是西門子公司開發(fā)的自動化控制軟件。使用STEP7組態(tài)工具進行圖形化組態(tài)：連續(xù)功能圖(CFC)和順序功能圖(SFC)?？刂破饔布脚_使用西門子裝有64位CPU的TDC控制器，TDC(Techonlogy and Drive Control)是工藝和驅(qū)動自動化系統(tǒng)的簡稱。該系統(tǒng)具有模塊化的系統(tǒng)結(jié)構(gòu)，硬件可擴展。采樣時間間隔短，可達100sμ，特別適用動態(tài)控制任務(wù)。中央處理器采用64位結(jié)構(gòu)，可同步多處理器運行，而且具有分時多任務(wù)功能，可將運行任務(wù)分派到不同的時間片內(nèi)運行。由于平直度控制涉及大量高實時性的運算，所以單獨使用一個雙64位CPU的處理單元。

CFC編程工具是標(biāo)準(zhǔn)的圖形編程環(huán)境，具有強大的功能和使用便捷性，在設(shè)計時遵循模塊化設(shè)計的理念，有非常豐富的功能模塊，如位控邏輯、數(shù)學(xué)運算、通訊功能、輸入輸出通道、內(nèi)存管理、特殊的數(shù)據(jù)處理、物料追蹤處理、控制傳動模塊等。但對于平直度控制，由于其標(biāo)準(zhǔn)庫并沒有相應(yīng)的功能模塊，所以必須先開發(fā)。然后將控制功能封裝成標(biāo)準(zhǔn)模塊，在CFC編程環(huán)境中調(diào)用。在Simatic Manager平臺上，將NNI神經(jīng)網(wǎng)絡(luò)初始化、NNI自學(xué)習(xí)效率、從NNI中獲取效率以及計算執(zhí)行機構(gòu)設(shè)定值等功能實現(xiàn)后，封裝到功能庫fbaflc中，在西門子Simatic Manager開發(fā)平臺的CFC軟件設(shè)計工具中調(diào)用，以完成控制功能。

1.平直度神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)

圖1-1所示為平直度神經(jīng)網(wǎng)絡(luò)控制詳細結(jié)構(gòu)框圖。NNI為系統(tǒng)辨識器，用于識別執(zhí)行機構(gòu)改善的平直度偏差；Y為平直度檢測值，Ysr為平直度設(shè)定值；Y及Ysr均為包含80個元素的向量。Δσ為當(dāng)前的平直度偏差；Δiσ為前次激活控制時的平直度偏差；Nσ為NNI辯識的該執(zhí)行機構(gòu)能夠改善的平直度偏差；P-P為先驗的執(zhí)行機構(gòu)效率，是80個元素的向量；F為當(dāng)前的軋制力；W當(dāng)前軋制板帶的寬度；LP為執(zhí)行機構(gòu)的實際位置變化；g和P分別為平直度偏差加權(quán)因子和執(zhí)行機構(gòu)在板帶寬度方向上的效率，均為包含80個元素的向量。NCC為用數(shù)學(xué)方法構(gòu)成的控制器，向執(zhí)行機構(gòu)發(fā)出最優(yōu)設(shè)定值。E1為實際改善的平直度偏差，E為網(wǎng)絡(luò)辨識值輸出與實際期望值之間的偏差，用于訓(xùn)練網(wǎng)絡(luò)。

圖1 -1 平直度神經(jīng)網(wǎng)絡(luò)控制詳細結(jié)構(gòu)框圖

1.1 執(zhí)行機構(gòu)效率

因為平直度測量和第五架軋機之間存在著空間距離，所以必須預(yù)先計算出執(zhí)行機構(gòu)改善板形的能力。執(zhí)行機構(gòu)效率是指執(zhí)行機構(gòu)改善板形的能力，其數(shù)學(xué)公式為其中Niσ，為神經(jīng)網(wǎng)絡(luò)NNI計算的執(zhí)行機構(gòu)能夠改善的板帶寬度方向上第i位置的平直度偏差，U為在改善了Niσ偏差時的執(zhí)行機構(gòu)輸出值。因為在板帶寬度方向上共劃分了80個區(qū)域，所以執(zhí)行機構(gòu)效率是一個包含80個元素的向量。pi并不是網(wǎng)絡(luò)的直接輸出，是在網(wǎng)絡(luò)輸出的基礎(chǔ)上計算出來的。執(zhí)行機構(gòu)效率送入NCC用于計算執(zhí)行機構(gòu)的最優(yōu)設(shè)定值。[2]

1.2 NNI效率自學(xué)習(xí)算法

執(zhí)行機構(gòu)效率辯識器NNI采用的是BP算法下面介紹NNI的特征函數(shù)和改進的權(quán)值調(diào)節(jié)方法。

(1)特征函數(shù)。特征函數(shù)取S型函數(shù)，即：

F(x)=1/(1+e-x)

(2)改進的權(quán)值調(diào)節(jié)算法

網(wǎng)絡(luò)采用的BP算法是前向計算輸出和反向誤差傳播的權(quán)值調(diào)節(jié)過程。設(shè)網(wǎng)絡(luò)中第I層某個神經(jīng)元i與后一層第J層的連接權(quán)值為wij，對節(jié)點i來說，設(shè)輸入為xi，輸出為xi，xj為后一層中節(jié)點j對第I層神經(jīng)元1的輸入。由圖1-1可得：

誤差反傳用改進的Delta權(quán)值調(diào)整公式：

式中：η為學(xué)習(xí)率(取η=0.1-0.9)；α為動量系數(shù)(取α=0.1-0.8)；jδ為神經(jīng)元輸出誤差。[3]

2.執(zhí)行機構(gòu)效率自學(xué)習(xí)NNI的實現(xiàn)

2.1 執(zhí)行機構(gòu)自學(xué)習(xí)效率的獲取

執(zhí)行機構(gòu)效率在神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)作用下，逐步得到改善。但是，在CFC軟件內(nèi)怎樣取得效率呢?FBAFLC模塊庫提供了幾個此類模塊，用來完成這類任務(wù)。這個過程分為兩步，第一步，從NWA和NWE指向的數(shù)據(jù)區(qū)取得所有執(zhí)行機構(gòu)的效率，第二步，根據(jù)執(zhí)行機構(gòu)數(shù)目和每個執(zhí)行機構(gòu)效率的離散點數(shù)目取得每個執(zhí)行機構(gòu)的效率。上述第一步如圖2-1所示。上述第二步如圖2-2所示。

圖2 -1 根據(jù)類型取得所有執(zhí)行機構(gòu)效率

圖2 -2 取得某個執(zhí)行機構(gòu)效率

在圖2-1中，通過功能塊AEGET獲得所有執(zhí)行機構(gòu)的效率，當(dāng)輸入端TRG激活為1時，觸發(fā)此功能塊。輸入PRM是一個向量指針，該向量有兩個元素：當(dāng)前獲取效率板帶的寬度和軋制力類型。NWA和NWL是指向所有執(zhí)行機構(gòu)效率的指針。EFA輸出為指向所有執(zhí)行機構(gòu)先驗效率的指針，EFL輸出為指向所有執(zhí)行機構(gòu)自學(xué)習(xí)效率的指針。V2S20模塊輸出首地址為VX輸入，而偏移值從FE開始的20個向量元素值。其中離線和在線參數(shù)是指：當(dāng)前正在軋制的板帶類型參數(shù)是手工通過HMI輸入的還是接收二級系統(tǒng)設(shè)定的。

功能塊M2V從輸入端MX指向的向量空間取得各個不同執(zhí)行機構(gòu)的效率向量，此效率向量的元素數(shù)目為80，并將向量地址輸出到VY2-VY8上。它的輸入MX是圖2-1中的AEGET的輸出EFA或EFL，根據(jù)從HMI上選擇是使用先驗效率還是學(xué)習(xí)效率，將AEGET的輸出EFA或EFL連接到此處。圖中NOP8塊將輸入發(fā)送到輸出。

2.2 執(zhí)行機構(gòu)效率自學(xué)習(xí)的實現(xiàn)

執(zhí)行機構(gòu)效率自學(xué)習(xí)的實現(xiàn)也是通過在CFC軟件設(shè)計工具中調(diào)用封裝的學(xué)習(xí)算法模塊實現(xiàn)的。如圖2-3所示。

圖2 -3 執(zhí)行機構(gòu)效率的自學(xué)習(xí)

在圖2-3中，AELERN模塊實現(xiàn)了平直度執(zhí)行機構(gòu)效率的自學(xué)習(xí)，它內(nèi)部封裝了BP網(wǎng)絡(luò)的學(xué)習(xí)過程。當(dāng)觸發(fā)端TRG的輸入為1時，激活自學(xué)習(xí)功能。PRM為包含兩個元素向量，表明當(dāng)前學(xué)習(xí)執(zhí)行機構(gòu)效率時的板帶寬度和軋制力。DS為指向執(zhí)行機構(gòu)位置變化向量的指針，LDT為指向平直度變化向量的指針。VLN為執(zhí)行機構(gòu)效率自學(xué)習(xí)速度，在此處經(jīng)過調(diào)試設(shè)定為0.5。而自學(xué)習(xí)使用的執(zhí)行機構(gòu)最優(yōu)值通過內(nèi)部數(shù)據(jù)結(jié)構(gòu)獲得。TDH是一個向量指針，通過它可以在程序內(nèi)部查看學(xué)習(xí)效率，如圖2-3中的DIS020模塊。但更重要的是，它是一個內(nèi)部使用的全局數(shù)據(jù)指針，指向執(zhí)行機構(gòu)效率學(xué)習(xí)初始化模塊AECONF的MWA和MWL數(shù)據(jù)區(qū)。所以在開發(fā)CFC軟件時，必須注意AECONF和AELERN之間的一一對應(yīng)的關(guān)系和他們的唯一性。通過平直度的變化和執(zhí)行機構(gòu)的位置，AELERN模塊自學(xué)習(xí)對應(yīng)板帶寬度和軋制力類的執(zhí)行機構(gòu)效率，并把他們寫入TDH指向全局數(shù)據(jù)區(qū)的對應(yīng)位置。

3.平直度控制效果及總結(jié)

圖3-1所示的兩幅圖為經(jīng)過神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)進行辨識，控制執(zhí)行機構(gòu)，不斷改善的板形質(zhì)量對比，顏色越深為板形質(zhì)量越不好的區(qū)域?？梢姲逍钨|(zhì)量得到了明顯改善，但從第二幅圖目前的板形質(zhì)量圖可以看出帶鋼邊部板形仍存在較大缺陷，所以板形的神經(jīng)網(wǎng)絡(luò)控制仍有提高精度的潛力。

圖3 -1 帶鋼板形質(zhì)量改善情況對比

帶鋼平直度偏差經(jīng)過計算分析，可以表現(xiàn)為以下幾種(這幾種因素可能同時存在)。

(1)偏差值呈由大到小(或由小到大)順序的線性分布；(2)偏差值呈兩邊對稱的二次曲線分布；(3)偏差值呈對稱的四次曲線分布；(4)非對稱的局部偏差值。

支撐輥壓下傾斜僅影響平直度偏差的線性部分。中間輥的軸向竄動影響平直度偏差的二次曲線部分。而彎輥系統(tǒng)主要影響平直度偏差的四次曲線部分，這主要是因為彎輥調(diào)節(jié)時，對帶鋼的邊緣影響要比中間大的多。工作輥多區(qū)冷卻影響不對稱的局部的平直度偏差，但多區(qū)冷卻由于熱傳導(dǎo)的滯后性，所以控制結(jié)果在秒級才能生效，因而在設(shè)計它的控制器時將采用PI調(diào)節(jié)器。

采用神經(jīng)網(wǎng)絡(luò)控制方法對冷軋板形進行控制，較好的實現(xiàn)了控制精度和效果。

[1]Flantness Control FLC System Reference Manual for Cont.Pickling Line＆Tandem Mill[Z].Section 5.3.3.10.2004:1-128.

[2]周鑫.五機架CVC冷軋機板形檢測與神經(jīng)網(wǎng)絡(luò)控制[D].內(nèi)蒙古工業(yè)大學(xué)工程碩士學(xué)位論文,2008.

[3]徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M].北京:電子工業(yè)出版社,2003:55-72.