基于神经网络的中厚板凸度预报.pdf

第5 9 卷第2 期 2 0 07 年5 月 有色金 属 N O r l f e r r o u sM e Z a l s V o I ．5 9 ．N o ．2 M a y 2 0 0 7 基于神经网络的中厚板凸度预报 王冬菊1 ，姚晓兰2 1 ．安徽师范大学电子系，安徽芜湖 2 4 10 0 0 ； 2 ．北京理工大学信息科学技术学院，北京 10 0 0 8 1 摘要应用改进B P 神经网络建立中厚板凸度预报的三层神经网络预报模型，用自适应学习速率法和附加动量法两种改 进B P 算法结合起来训练神经网络模型。试验仿真结果表明，该模型对测试数据预报结果均在3 ％之内，精度高，训练速度较快，具 有很好的实用性。 关键词金属材料中厚板凸度预报；B P 改进算法；神经网络 中图分类号T P 3 9 1 ．9 ；T G 3 3 5 ．5文献标识码A 文章编号1 0 0 1 0 2 1 1 2 0 0 7 0 2 0 0 4 1 0 3 随着我国经济的飞速发展，对钢板的质量要求 越来越高，凸度是衡量钢板质量的一个重要指标。 目前不少研究者建立了很多预报钢板凸度的数学模 型，但是由于轧钢过程的随机性和复杂性，致使很多 数学模型精度不高，不能满足凸度控制的要求。基 于B P 神经网络建立了中厚板凸度预报模型，综合 B P 改进算法训练网络权值，最终确立了满足实时性 和精确度的预报模型。 1B P 网络及其算法 1 ．1B P 网络和B P 算法 B P 网络同于多层感知机网络，网络采用反向传 播算法一B P 算法。典型的B P 网络由输入层、隐藏 层和输出层组成，各层之间没有反馈连接。 B P 算法是有导师的监督式的学习算法，属于艿 算法。通过连续不断地在相对于误差函数斜率下降 的方向上计算网络权值和偏差的变化而逐渐逼近目 标。每一次权值和偏差的变化都与网络误差的影响 成正比，并以反向传播的方式传递到每一层，直至使 网络输出层的误差平方和达到预期目标。 训练网络的指标函数如式 1 所示，式中P 是 训练用标准样本数，f 础是网络的实际输出，O 矾是 网络的期望输出。采用梯度下降法使式 1 最小，权 值修正项是式 2 ，式中△w ，i 7 “ 1 1 是本次的权值 修正量，A W “咒 是上一次的权值修正量，叩是学习 因子，口是惯性因子，两参数取值均在 0 ，1 之间。 收稿日期2 0 0 5 1 2 2 9 作者简介王冬菊 1 9 7 9 一 ，女，安徽寿县人，硕士，主要从事复杂 系统建模与算法应用等方面的研究。 W p 1 ／2 p - ∑∑ ￡坤一0 艇 2 1 △V 矿赶 n 1 叩O E ／O ’矿e i 口’A W o ” 2 虽然理论上三层B P 网络可以以任意精度逼近 实际的非线性网络，但是B P 算法主要也存在着以 下问题需要较长的训练时间，主要是由于学习速率 太小造成的；完全不能训练，主要表现在网络出现的 麻痹现象上，当权值调得过大，会使激活函数的输人 工作在S 型转移函数的饱和区，致使对网络的权值 的调节过程几乎停顿下来；局部极小值，B P 算法采 用的是梯度下降法，有可能陷入局部极小解。 1 ．2B P 的改进算法 为了解决B P 算法出现的问题，研究人员做了 深入的研究，提出了许多改进算法，常用的主要有两 种算法。 附加动量法。该方法有助于使网络从误差曲面 的局部极小值中跳出。它是在反向传播法的基础上 在每一个权值的变化上加上一项正比于前次权值变 化量的值，并根据反向传播法来产生新的权值变化。 带有附加动量因子的权值调节公式为式 3 和式 4 ，其中k 为训练次数，m c 为动量因子，一般取 0 ．9 5 左右。 A W i i k 1 1 一”，c 垆i P i 7 ”c △I 矿i k 3 A b i k 1 1 一”z c 垆i m c , △b i k 4 自适应学习速率法。在训练过程中，自动调整学 习率。通常调节学习速率的准则是如果权值的修正 值降低了误差函数，则所选择的学习率偏小，可以对 其增加一个量，若相反，而产生了过调，就应该减小 学习速率的值。通常的自适应学习速率的调整公式 万方数据 4 2有色金属第5 9 卷 为式 5 。式中L 1 为递增乘因子 大于1 ，L 2 为递 减乘因子 小于1 ，L 3 为误差速率，初始学习率 r ／ 0 的选取范围可以有很大的随意性。 印 点 1 L 1 叩 走 S S E 走 i L 3 S S E K ；印 走 1 叩 走 其他 5 2根据B P 网络原理建立中厚板凸度 预报模型 采用三层B P 网络，输入层参数由影响凸度的 主要因素确定，确定B P 网络输入是轧件宽度，轧件 入口厚度，轧件出口厚度，轧件入口温度，轧件出口 温度，轧件的原始凸度，轧辊的入口温度，轧辊的出 口温度八个参数，隐藏层取1 4 个节点，网络输出层 参数是钢板出口凸度。考虑到动量法和自适应学习 率的各自优点，采取把两者结合起来的混合算法来 训练网络。用M a t l a b 编写程序，训练样本通过调用 输入函数获取，训练好的权值存储起来作为文件，然 后调用其对测试样本进行测试。 3对凸度预报模型的仿真结果 利用中厚板厂轧机计算机控制系统获得数据构 成训练样本集和测试样本集，并将数据均归一化，在 给定误差精度下调用训练程序对B P 网络进行训 练。将训练好的网络的权值和阀值存储为测试文 件，调用测试样本集测试网络。 随机抽取训练样本集中的一组包括1 6 组数据 的已训练过的样本输入已训练好的网络，其实际输 出和期望输出及误差如表1 所示。 经过训练后的凸度预报模型对测试样本集的测 试结果和期望结果及误差如表2 所示。 从表1 和表2 可以看出，建立的中厚板凸度预 报模型对已训练样本和测试样本均能给出误差在 参考文献 3 ％之内的数据输出，模型对中厚板凸度预报具有很 好的预测精度。 表1 模型对已训练样本的实际输出 和期望输出及误差 T a b l e1 O u t p u to ft h em o d e lf o rt h et r a i n e ds a m p l e s 期望输出实际输出误差期望输出实际输出误差 0 ．2 5 2 50 ．2 5 8 80 ．0 0 6 3 0 ．2 4 8 7 0 ．2 3 9 30 ．0 0 9 4 0 ．2 7 9 30 ．2 7 5 70 ．0 0 3 60 ．2 7 4 60 ．2 6 4 80 ．0 0 9 8 0 ．3 0 8 90 ．3 1 8 90 ．0 1 0 00 ．3 0 6 00 ．3 1 3 00 ．0 0 7 0 0 ．1 9 5 70 ．1 9 6 20 ．0 0 0 50 ．2 0 8 80 ．2 0 6 70 ．0 0 2 1 0 ．2 1 4 30 ．2 2 2 10 ．0 0 7 8O ．2 4 1 l0 ．2 4 1 30 ．0 0 0 2 0 ．2 1 0 80 ．2 1 3 30 ．0 0 2 50 ．2 3 6 70 ．2 3 1 00 ．0 0 5 7 表2 模型对测试样本的实际输出和期望输出及误差 T a b l e2O u t p u to ft h em o d e lf o rt h et e s ts a m p l e s 期望输出实际输出误差期望输出实际输出误差 0 ．2 5 0 60 ．2 4 5 60 ．0 0 5 00 ．2 5 2 50 ．2 5 2 10 ．0 0 0 4 0 ．2 7 6 90 ．2 7 0 10 ．0 0 6 80 ．2 7 9 30 ．2 7 5 60 ．0 0 3 7 0 ．3 0 9 00 ．3 1 7 80 ．0 0 8 80 ．3 0 8 90 ．3 1 8 90 ．0 1 0 0 0 ．3 1 6 00 ．3 0 9 20 ．0 0 6 80 ．3 1 4 80 ．3 0 8 70 ．0 0 6 1 0 ．3 1 7 00 ．2 9 8 80 ．0 1 8 20 ．3 1 6 90 ．2 9 8 00 ．0 1 8 9 0 ．1 8 7 90 ．1 9 6 90 ．0 0 9 00 ．1 6 3 50 ．1 8 5 20 ．0 2 1 7 0 ．1 3 2 10 ．1 3 8 30 ．0 0 6 20 ．1 3 2 10 ．1 3 3 00 ．0 0 0 9 4结语 基于神经网络建立的中厚板凸度预报模型，结 合B P 两种改进算法一附加动量法和变学习率法训 练其网络权阀值使得模型对中厚板凸度的预报精度 很高，可以替代传统的精度不高的数学预报模型。 而且神经网络的训练速度较快，在实际现场轧制过 程中，可以利用现场采集到的数据进行离线训练，在 线预报。该模型也可以用于反馈控制，具有很强的 实用性。 [ 1 ] 丛爽．面向M A T L A B 工具箱的神经网络理论与应用[ M ] ．合肥中国科学技术大学出版社，1 9 9 8 6 2 7 0 ． [ 2 ] 蒋宗礼．人工神经网络导论[ M ] ．北京高等教育出版社，2 0 0 1 4 0 4 5 ． [ 3 ] 胡小平，毛征宇，胡燕平．基于人工神经网络的一种板形反馈控制[ J ] ．制造业自动，2 0 0 1 ，2 3 3 4 l 一4 5 ． [ 4 ] 华建新．人工神经网络在板形缺陷识别中的应用[ J ] ．宝钢技术，1 9 9 8 ， 3 4 5 4 9 ． 下转第4 9 页，C o n t i n u e dO i lp ．4 9 万方数据 第2 期廖亚龙等辉锑矿氯化浸出制取焦锑酸钠的工艺研究4 9 8 ] 9 ] 1 0 1 1 1 2 1 3 冯新中．钾盐法焦锑酸钠生产工艺[ J ] ．贵州化工，2 0 0 0 ，2 5 1 2 2 2 3 ． 张永战，刘金盾，张香平，等．一步法合成锑酸钠的研究[ J ] ．河南化工，1 9 9 8 ，1 5 2 2 2 2 6 ． 杨天足，唐建军，宾万达，等．焦锑酸钠生产工艺及研究进展[ J ] ．无机盐工业，1 9 9 9 ，3 1 1 2 0 一2 2 ． 张之洁，华东发，丁芝虎，等．辉锑矿湿法生产焦锑酸钠工艺研究[ j ] ．无机盐工业，1 9 9 8 ，3 0 1 5 6 ． 柳巧越，孙文粹，李承鹏，等．三氯化铁溶液浸取辉锑矿制取锑白工艺过程研究[ J ] ．无机盐工业，1 9 9 1 ， 2 2 5 赵天从．锑[ M ] ．北京冶金工业出版社，1 9 8 7 6 0 6 9 ． I n v e s t i g a t i o no nT e c h n o l o g yo fS o d i u mA n t i m o n a t eS y n t h e s i sf r o m A n t i m o n yC o n c e n t r a t eb yC h l o r i d i z i n gL e a c h i n gP r o c e s s L I A OY a - l o n g ．L 儿，Z h o n g - h u a F a c u l t yo fM a t e r i a l sa n dM e t a l l u r g i c a lE n g i n e e r i n g ，K u n m i n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y ，K u n m i n g6 5 0 0 9 3 ，C h i n a A b s t r a c t T h es y n t h e s i so fs o d i u ma n t i m o n a t ef r o ma n t i m o n yc o n c e n t r a t e sb yc h l o r i d i z i n gl c a c h i n g o x i d a t i o na n dh y d r o l y s i sd e c o m p o s i t i o n a l k a l is y n t h e s i sp r o c e s si si n v e s t i g a t e d ．T h el e a c h i n ge f f i c i e n c yo fa n t i m o n yi sa b o v e9 8 ％ w h e nc h l o r i n ed o s a g ei S9 0 ％o ft h eo r ei nw e i g h t ．T h eF ec o n t e n ti nt h ef i n a lp r o d u c t sc a nb ec o n t r o l l e db e l o w 0 ．0 6 ％a n dt h ed i r e c t l yy i e l do ft h ea n t i m o n yt r a n s i t i n gi n t ot h es o d i u ma n t i m o n i t er e a c h e st o9 0 ％～9 5 ％b y o x i d a t i o nw i t ha1 i t t l ea d d i t i o no fH 2 0 2o rl i q u i dc h l o r i n ei nt h el c a c h i n gs o l u t i o na n du n d e rt h ep r o p e rh y d r o l y s i s c o n d i t i o n ．T h es u l p h u ri nt h ec o n c e n t r a t er e m a i n si nt h el e a c h i n gr e s i d u ew i t ht h ef o r mo fe l e m e n t a ls u l p h u r ． K e y w o r d s m e t a l l u r g i c a lt e c h n o l o g y ；a n t i m o n yc o n c e n t r a t e s ；e h l o r i d i z i n gl e a c h i n g ；s o d i u ma n t i m o n a t e 上接第4 2 页，C o n t i n u e df r o mP ．4 2 C r o w nP r e d i c t i o no fM e d i aa n dH e a v yP l a t eB a s e do nN e u r a lN e t w o r k W A N GD o n g - j u1 ，Y A OX i a o - l a n 2 1 ．E l e c t r o n i cD e p a r t m e n t ，A n h u iN o r m a lU n i v e r s i t y ，W u h u2 4 1 0 0 0 ，A n h u i ，C h i n a ； 2 ．S c h o o lo fI n f o r m a t i o nS c i e n c ea n dT e c h n o l o g y ，B e i j i n gI n s t i t u t eo fT e c h n o l o g y ，B e O i n g1 0 0 0 8 1 ，C h i n a A b s t r a c t At h r e e l a y e r e dn e u r a ln e t w o r kp r e d i c t i v em o d e lf o rc r o w np r e d i c t i o no fm e d i aa n dh e a v yp l a t ei se s t a b l i s h e d b yi m p r o v e dn e u r a ln e t w o r k ．T h em o d e li st r a i n e dw i t hB Pa l g o r i t h mm o d i f i e dw i t ha d a p t i v el e a r n r a t ea l g o r i t h ma n da d d i t i o n a lm o m e n t u ma l g o r i t h m ．I ti si n d i c a t e db yt h es i m u l a t i o nr e s u l t st h a tt h ep r e d i c t i v em o d e li s o fg o o du t i l i t yw i t hh i g hp r e c i s i o na n dt r a i n s p e e d ，t h ee r r o ro ft h ep r e d i c t i v er e s u l t sf o rt h et e s td a t ai sa l lw i t h i n3 ％． K e y w o r d s m e t a lm a t e r i a l ；c r o w np r e d i c t i o no fm e d i aa n dh e a v yp l a t e ；i m p r o v e dB Pm e t h o d ； n e u r a ln e t w o r k 万方数据