基于神經(jīng)網(wǎng)絡(luò)的矯直機(jī)壓下量自學(xué)習(xí)控制系統(tǒng)*

尉建龍

(太原重工股份有限公司 技術(shù)中心 礦山采掘裝備及智能制造國家重點(diǎn)實(shí)驗(yàn)室，山西 太原 030024)

0 引言

輥式熱矯直機(jī)是鋼鐵企業(yè)中板材生產(chǎn)線上很重要的生產(chǎn)設(shè)備，隨著國家在戰(zhàn)略層面對智能化的規(guī)劃，鋼鐵企業(yè)也需要進(jìn)行智能化的升級改造。壓下量模型是實(shí)現(xiàn)精確矯直過程自動化的關(guān)鍵技術(shù)，在原有模型上增加智能化算法，即增加自學(xué)習(xí)模型管理模塊，改善模型，以達(dá)到矯直機(jī)壓下量的自適應(yīng)控制。智能控制的設(shè)計(jì)方法有專家系統(tǒng)、模糊控制、神經(jīng)網(wǎng)絡(luò)和遺傳算法，其中神經(jīng)網(wǎng)絡(luò)算法具有自學(xué)習(xí)和自適應(yīng)的典型特點(diǎn)，具有較強(qiáng)的自適應(yīng)能力，不依賴模型。板材矯直過程是非線性、多變量耦合的不確定過程，因此采用神經(jīng)網(wǎng)絡(luò)算法對矯直過程進(jìn)行自適應(yīng)控制，相比其他控制算法具有天然的優(yōu)勢。

1 矯直機(jī)壓下量工藝模型

矯直機(jī)工藝模型主要依據(jù)材料變形的物理學(xué)原理，在接收到軋線二級計(jì)算機(jī)傳輸?shù)陌迮鲾?shù)據(jù)后，根據(jù)設(shè)備設(shè)計(jì)載荷及約束條件完成輥縫、壓下量、矯直速度、矯直力等參數(shù)的設(shè)定計(jì)算。

板坯初始數(shù)據(jù)主要有板坯編號(ID)、鋼種、板坯厚度、板坯寬度、板坯入口前測量溫度、板坯速度、鋼級和板坯條件等。矯直機(jī)的設(shè)備數(shù)據(jù)(幾何尺寸、機(jī)架剛度等)存儲于矯直機(jī)模型的數(shù)據(jù)庫/數(shù)據(jù)表中。

矯直機(jī)工藝模型計(jì)算流程如圖1所示。

圖1 矯直機(jī)工藝模型計(jì)算流程

以十一輥矯直機(jī)為例，經(jīng)過現(xiàn)場驗(yàn)證，入口與出口矯直輥的壓下量即第二輥(上排輥)、第三輥(下排輥)與第十輥壓下量[1-3]計(jì)算公式分別為：

(1)

(2)

(3)

其中：K為通過試驗(yàn)得到的修正系數(shù)；K′為系數(shù)，根據(jù)原始曲率的大小可具體確定數(shù)值;(0～1)具體值的選取根據(jù)原始曲率的大小查詢相應(yīng)的經(jīng)驗(yàn)值；σs為板材屈服強(qiáng)度；l為矯直輥輥距；E為板材的彈性模量；h為板材厚度。

當(dāng)入口與出口矯直輥的壓下量確定后，上排其余各矯直輥的壓下量為：

(4)

其中：t為常數(shù)，隨著i取值變化而變化，i=4,6,8,t=3,2,1。

盡管下排輥的位置不變，但板材矯直過程在經(jīng)過下排輥時(shí)同樣會產(chǎn)生彎曲及撓度，因此下排輥具有相對壓彎量。下排輥的相對壓彎量為:

(5)

2 基于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)模型實(shí)現(xiàn)

通過神經(jīng)網(wǎng)絡(luò)算法建立自學(xué)習(xí)模塊，形成壓下量自學(xué)習(xí)控制系統(tǒng)。神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱藏層、輸出層、損失層幾部分組成。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中，若預(yù)測正確，來自于損失層的反饋會強(qiáng)化產(chǎn)生該預(yù)測結(jié)果的激活路徑；若預(yù)測錯(cuò)誤，則錯(cuò)誤會沿著路徑逆向返回，這條路徑上神經(jīng)元的激活條件就會被重新調(diào)整，以減少錯(cuò)誤。

鋼種為Q235，板坯厚度為75 mm，板寬為4 200 mm，屈服應(yīng)力為35 MPa，彈性模量為100 000 MPa，殘缺程度為中度(B級)的矯直機(jī)壓下量34組實(shí)測數(shù)據(jù)如表1所示。

表1 矯直機(jī)壓下量實(shí)測數(shù)據(jù)

首先創(chuàng)建一個(gè)多層神經(jīng)網(wǎng)絡(luò)，采用S形激活函數(shù)，其中輸入層采用1個(gè)神經(jīng)元，輸出層采用1個(gè)神經(jīng)元，隱含層采用16個(gè)神經(jīng)元。實(shí)現(xiàn)過程為：network_ AdjRoll=new ActivationNetwork(new BipolarSigmoidFunction(3),1,16,1)。

然后創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)過程為：teacher_ AdjRoll =new BackPropagationLearning(network_AdjRoll)。

最后設(shè)置學(xué)習(xí)率和沖量系數(shù)，實(shí)現(xiàn)過程為：teacher_AdjRoll.LearningRate =0.05;teacher_AdjRoll.Momentum=0。

對初始數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，生成壓下量訓(xùn)練數(shù)據(jù)，C#語言代碼如下：

StreamWriter train_AdjRoll =new StreamWriter("訓(xùn)練數(shù)據(jù)(壓下量).txt");

{

string temp =null;

temp +=iniYearData_AdjRoll[i + j].data + ' ';

train_AdjRoll.WriteLine(temp);

}

train_AdjRoll.Close();

{

trainInput_AdjRoll [i][0] =premnmx(trainInput_AdjRoll[i][0],min_AdjRoll,max_AdjRoll);

trainOutput_AdjRoll[i][0] =premnmx(trainOutput_AdjRoll[i][0],min_AdjRoll,max_AdjRoll);

}

使用C#語言實(shí)現(xiàn)基于神經(jīng)網(wǎng)絡(luò)的矯直機(jī)壓下量自學(xué)習(xí)控制系統(tǒng)，采用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練數(shù)據(jù)進(jìn)行測試。在初始訓(xùn)練過程中我們發(fā)現(xiàn)：壓下量的預(yù)測值與實(shí)際值之間的誤差波動還是偏大，隨著訓(xùn)練次數(shù)的增加，誤差值波動已經(jīng)很小，基本達(dá)到了預(yù)期的訓(xùn)練要求。軟件實(shí)現(xiàn)前臺顯示界面如圖2所示，包括對網(wǎng)絡(luò)的訓(xùn)練以及測試網(wǎng)絡(luò)的過程。

圖2 軟件實(shí)現(xiàn)前臺顯示界面

在矯直過程中，模型具有自學(xué)習(xí)功能，并根據(jù)現(xiàn)場實(shí)測數(shù)據(jù)進(jìn)行設(shè)置參數(shù)的動態(tài)優(yōu)化，提高了矯直效果。

自學(xué)習(xí)功能的建立實(shí)現(xiàn)了矯直機(jī)系統(tǒng)自適應(yīng)調(diào)整功能，大大降低了操作人員的勞動強(qiáng)度，具有調(diào)整精度高、速度快的特點(diǎn)，滿足了現(xiàn)場的工藝要求，同時(shí)提高了矯鋼的速度和成材率，并降低了設(shè)備的設(shè)備率；使矯直機(jī)區(qū)域各控制設(shè)備的運(yùn)行參數(shù)更優(yōu)化、效率更高、設(shè)備運(yùn)轉(zhuǎn)更安全，對今后矯直機(jī)自動化控制系統(tǒng)的設(shè)計(jì)、應(yīng)用和技術(shù)改進(jìn)都有非常重要的意義[4-6]。

3 結(jié)語

本文通過介紹矯直機(jī)壓下量工藝模型，分析神經(jīng)網(wǎng)絡(luò)算法在該模型上的優(yōu)勢，利用C#語言編寫程序?qū)崿F(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的矯直機(jī)壓下量自學(xué)習(xí)控制系統(tǒng)，并使用實(shí)測數(shù)據(jù)進(jìn)行仿真驗(yàn)證，經(jīng)驗(yàn)證，該算法能有效地對數(shù)據(jù)進(jìn)行自學(xué)習(xí)和預(yù)測。