基于BP神經網絡對鋁板帶熱精軋軋制力的預報

摘要：考慮到鋁板帶熱精軋加工是一個復雜的塑性成形過程，影響軋制力大小的因素非常多，而準確預測軋制力對軋制規程的制定具有重要意義。本論文綜合考慮了傳統數學模型與BP神經網絡在軋制力預報中的優缺點，采用將二者結合起來的方式對軋制力進行預測。計算結果表明，采用此方法能大大提高軋制力預測精度。

關鍵詞：軋制力；BP神經網絡；加法模型

0 引言

BP神經網絡屬于人工智能方法，而人工智能方法與傳統軋制理論不同，它是模擬人腦，以已經發生了的實實在在的事情為依據來指導軋制生產 [1]。目前將人工智能的方法引入到軋制生產中已經成為軋制發展的趨勢。

1 數學模型與BP神經網絡結合實現對軋制力的預報

目前神經網絡用于軋制力預報主要兩種方式[2]，一種是直接用神經網絡去預報軋制力。另一種是采取神經網絡和傳統數學模型結合來預報軋制力。而將神經網絡和數學模型結合起來，能夠發揮二者的優勢。目前結合方式有加法模型和乘法模型[3]，本論文擬選用加法模型，即用傳統軋制力模型算出軋制力的主值，用神經網絡來預測傳統模型計算誤差，以二者的和做為最后的輸出。

2 BP神經網絡設計

BP神經網絡結構的設計包括輸入、輸出層節點數，隱含層層數和隱含層節點數的確定，神經網絡訓練算法的選取等。

1）網絡輸入、輸出變量的確定

選用入口板厚、出口板厚、軋制溫度、軋制速度、摩擦系數為神經網絡輸入，以實際軋制力與傳統模型預測軋制力之間差值為神經網絡輸出。

2）隱含層數數目和隱含層節點數的確定

一般來說，先根據經驗公式初步確定隱含層節點數，然后經過多次試算，綜合考慮逼近精度、泛化能力和訓練時間，確定最終的隱含層節點數。本論文通過多次試算，最后確定網絡結構為5-9-14-1，即輸入值為2，隱含層數為2，第一、二隱含層節點數分別為9、14。

3 樣本數據的選擇以及預處理

1）BP神經網絡訓練和測試數據的選取學習樣本數量與網絡結構存在如下關系[4]：

式中，n、m分別為神經網絡輸入、輸出變量數目；h為隱含層節點數目；p為學習樣本數目；

以某公司"1+4"鋁熱連軋現場采集的實測數據為訓練樣本，剔除掉不穩定軋制階段數據和奇異點數據，從三卷實測數據中選取200組數據用于神經網絡訓練，選取第二卷、第三卷數據中100組數據用于神經網絡測試。

2）數據歸一化處理

由于網絡一般含有多個輸入，而每個輸入在數值上可能相差很大從而導致輸入變量之間不具有可比性。而對數S形函數的值域為[0，1]，在靠近0和1兩端函數變化非常緩慢接近直線。為了防止大數將小數淹沒的情況發生，一般要對原訓練數據進行歸一化處理。本論文將原數據歸一化到[0.1，0.9]區間，公式如下：

4 神經網絡修正軋制力過程

考慮到有四個機架，而每個機架具有相同的物理結構，構造4個具有相同結構的BP神經網絡模型。從第一卷現場采集數據中讀取相關數據后，采用經典軋制理論模型計算軋制力、軋制溫度和摩擦系數，然后進行歸一化處理以確定神經網絡的訓練輸入、輸出數據。然后讀取第二卷數據，以傳統軋制力模型計算軋制力主項，以神經網絡預測模型誤差，得到網絡輸出后進行反歸一化處理然后與軋制力主項相加，得到最終的軋制力。

5 神經網絡軋制力修正結果與分析

以第一機架軋制力計算為例，將神經網絡用選取的樣本數據訓練好后，用測試數據對神經網絡進行測試，以檢測神經網絡的泛化能力，驗證神經網絡的有效性。其中，用第一卷軋制數據作為樣本數據對神經網絡進行訓練，用第二卷軋制數據對神經網絡模型進行驗證。神經網絡對傳統模型軋制力進行修正后預報情況圖1、2所示，從圖中可以看出，采用神經網絡對傳統軋制力模型進行修正后，軋制力預報精度得到提高。采用傳統模型計算軋制力，最大誤差為9.8380%，而采用神經網絡修正后，第二卷鋁軋制力預報最大誤差為2.7962%，可見修正后軋制力模型預報精度得到進一步的提高。

6 結論

本論文在考慮經典軋制力數學模型與BP神經網絡各自的優缺點的基礎上，采用BP神經網絡與傳統軋制力模型相結合的方式用于軋制力的預報。計算結果表明，將訓練好的神經網絡與傳統模型結合起來，可以在一定程度上提高軋制力預報模型計。

參考文獻

[1] 張小平，秦建平. 軋制理論 [M].北京，冶金工業出版社，2006： 111-120.

[2] 張延華，劉相華，王國棟. BP神經網絡和數學模型在中厚板板凸度預報中的綜合應用[J]. 塑性工程學報，2005，12（4）：58-61.

[3] 王秀梅，王國棟，劉相華. 人工神經網絡和數學模型在熱連機組軋制力預報中的綜合應用[J].鋼鐵，1999，34（3）：39-40.

[4] 謝文蘭.對提高BP神經網絡泛化能力的分析和總結 [J]. 廣東科技，2011，14：72-73

作者簡介：陽康（1988-）男， 湖南省衡東人，碩士研究生 ，國家知識產權局專利局專利審查協作廣東中心實審審查員，研究方向為鋁合金板帶軋制規程智能優化設計； E-mail： yk_python@126.com