神經(jīng)網(wǎng)絡(luò)在熱連軋模型計(jì)算中的應(yīng)用

馬 峰

（山西太鋼不銹鋼股份有限公司，山西 太原030003）

1 神經(jīng)網(wǎng)絡(luò)概述

生物神經(jīng)網(wǎng)絡(luò)指生物通過觸覺、大腦神經(jīng)元、組織細(xì)胞等組成的網(wǎng)絡(luò)，用于產(chǎn)生生物的思考意識(shí)和行動(dòng)反應(yīng)。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）簡稱為神經(jīng)網(wǎng)絡(luò)（NNs）是一種模仿生物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是一個(gè)并行的信息處理系統(tǒng)，外部信息傳送到神經(jīng)元的第一層，經(jīng)過處理后再傳到神經(jīng)元的第二層，依此類推，直至將結(jié)果傳回外界（見圖1）。

圖1 神經(jīng)網(wǎng)絡(luò)工作原理

隨著計(jì)算機(jī)技術(shù)的發(fā)展，運(yùn)算能力速度的大幅提高，神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理、分布式存儲(chǔ)、高度冗余和非線性運(yùn)算等優(yōu)勢(shì)，在廣闊的領(lǐng)域獲得了重要的應(yīng)用。

神經(jīng)網(wǎng)絡(luò)是一個(gè)具有學(xué)習(xí)能力和自適應(yīng)能力的系統(tǒng)，經(jīng)過學(xué)習(xí)訓(xùn)練（利用給定的樣本標(biāo)準(zhǔn)進(jìn)行分類或模仿）后，神經(jīng)網(wǎng)絡(luò)會(huì)根據(jù)系統(tǒng)所處環(huán)境（即輸入信號(hào)情況），自動(dòng)發(fā)現(xiàn)環(huán)境特征和規(guī)律性，能夠識(shí)別錯(cuò)誤，不斷提高系統(tǒng)本身的決策識(shí)別能力，從而使自己更加適應(yīng)應(yīng)用環(huán)境。

與神經(jīng)網(wǎng)絡(luò)相關(guān)的方法有：人工智能（AI），軟計(jì)算，神經(jīng)信息，專家系統(tǒng)，模糊邏輯，神經(jīng)模糊，遺傳算法，混沌論等。

神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)模型包括多層感知系統(tǒng)，它包含輸入層、隱藏層和輸出層。相鄰層的神經(jīng)元互相連接，神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果計(jì)算如下：

式中：Ii表示輸入矢量；O1j表示隱藏層的輸出矢量；O2k表示輸出層的輸出矢量；W1ij表示輸入層和隱藏層間的權(quán)重矩陣；W2jk表示隱藏層和輸出層間的權(quán)重矩陣；B1j表示隱藏層的偏差矢量；B2k表示輸出層的偏差矢量。

目前，神經(jīng)網(wǎng)絡(luò)主要應(yīng)用在模式識(shí)別及函數(shù)近似上。函數(shù)近似是使用示例進(jìn)行學(xué)習(xí)后，得到一個(gè)潛在的函數(shù)，有時(shí)也稱作數(shù)據(jù)挖掘建模過程。神經(jīng)網(wǎng)絡(luò)根據(jù)輸入數(shù)據(jù)，得到函數(shù)的輸出值（模擬輸出）。其優(yōu)點(diǎn)是，可以不知道這個(gè)函數(shù)，或者這個(gè)函數(shù)是完全非線性的。熱連軋機(jī)過程控制系統(tǒng)就是函數(shù)近似的一個(gè)應(yīng)用領(lǐng)域。

2 神經(jīng)網(wǎng)絡(luò)在熱連軋模型計(jì)算中的應(yīng)用

熱連軋過程控制自動(dòng)化（二級(jí)）的任務(wù)是在材質(zhì)進(jìn)入軋機(jī)前為軋機(jī)計(jì)算和提供設(shè)定值。基礎(chǔ)自動(dòng)化（一級(jí)）的任務(wù)是在帶鋼軋制過程中，根據(jù)給定的設(shè)定值進(jìn)行實(shí)時(shí)控制。帶鋼軋制完成后，過程自動(dòng)化接收一級(jí)傳來的實(shí)測值，供后計(jì)算功能使用。后計(jì)算功能的目的是，對(duì)預(yù)計(jì)算功能中的模型參數(shù)進(jìn)行自學(xué)習(xí)，以此改善后續(xù)帶鋼的設(shè)定精度（見下頁圖2）。

2.1 軋制壓力的預(yù)報(bào)模型計(jì)算

軋制過程的一個(gè)重要因素是材質(zhì)的強(qiáng)度，反映到過程參數(shù)就是軋制壓力，由于生產(chǎn)過程的千差萬別，因此不可能用單一的數(shù)學(xué)模型根據(jù)化學(xué)成分等材料特性預(yù)報(bào)計(jì)算出實(shí)際的軋制壓力。而根據(jù)經(jīng)驗(yàn)得到的某種材料的材質(zhì)壓力曲線，只適合幾種特定材質(zhì)。因此，必須根據(jù)實(shí)測的軋制壓力來預(yù)估計(jì)算后續(xù)的軋制壓力。在神經(jīng)網(wǎng)絡(luò)使用之前的系統(tǒng)中，模型計(jì)算缺點(diǎn)：

對(duì)于新材質(zhì)，只能使用一個(gè)共用的平均值；不使用化學(xué)成分信息；若較長時(shí)間不軋制某種材質(zhì)，則相應(yīng)的數(shù)據(jù)不再適合當(dāng)前的軋機(jī)狀態(tài)；需要?jiǎng)?chuàng)建和維護(hù)大量的歷史文件。

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行軋制壓力模型計(jì)算中，每個(gè)機(jī)架各有一條神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)該架軋機(jī)的軋制壓力預(yù)報(bào)，共建立7條軋制壓力修正系數(shù)神經(jīng)網(wǎng)（見圖3）。

圖2 過程控制自動(dòng)化工作過程

圖3 軋制壓力神經(jīng)網(wǎng)絡(luò)

利用神經(jīng)網(wǎng)絡(luò)可以不斷修正軋制壓力計(jì)算公式的錯(cuò)誤，它具有數(shù)學(xué)模型的精確性，特別是經(jīng)過不斷訓(xùn)練，其結(jié)果會(huì)變得越來越好，模型計(jì)算精度會(huì)越來越高。

2.2 帶鋼溫度的預(yù)報(bào)模型計(jì)算

熱連軋過程自動(dòng)化中控制的一個(gè)重要質(zhì)量參數(shù)是終軋溫度。這個(gè)溫度事先根據(jù)工藝要求制定。如何確保終軋溫度對(duì)于軋制壓力的計(jì)算也是十分重要的。溫度計(jì)算模型中包括一個(gè)KDT參數(shù)，它用來調(diào)整溫度計(jì)算值，使之與實(shí)測值相吻合。也可以將KDT理解為溫度從帶鋼傳到輥?zhàn)佣鸬哪Ｐ陀?jì)算錯(cuò)誤，因?yàn)闇囟葥p失是溫度模型中一個(gè)最不確定的因素。

圖4 顯示了自2012年12月至2013年5月使用神經(jīng)網(wǎng)絡(luò)進(jìn)行溫度預(yù)報(bào)的精度，從顯示圖表可以看出使用神經(jīng)網(wǎng)絡(luò)具有長期的穩(wěn)定性，且預(yù)報(bào)精度較高。

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的溫度控制精度

3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及維護(hù)

在熱連軋模型系統(tǒng)中，模型自學(xué)習(xí)修正功能通過采用德國西門子公司研究開發(fā)的專用于軋鋼自動(dòng)化中的神經(jīng)網(wǎng)絡(luò)工具箱(Siemens ATD Neural Network Simulation Toolbox，SIANS)進(jìn)行計(jì)算的，它將神經(jīng)網(wǎng)絡(luò)集成于軋鋼過程自動(dòng)化中，采用在線及離線兩種訓(xùn)練方法，不斷根據(jù)輸入的變化計(jì)算各修正參數(shù)，從而有效地提高了過程參數(shù)設(shè)定值的控制精度。

SIANS工具箱中增加了神經(jīng)網(wǎng)絡(luò)與外部程序的接口功能模塊(Application Programming Interface，API)，使得通過外部程序或人機(jī)接口調(diào)用神經(jīng)網(wǎng)絡(luò)各功能更加方便實(shí)用，主要功能函數(shù)如表1所示。

表1 API主要功能函數(shù)

每生產(chǎn)一塊帶鋼，必須通過SIANS工具箱中的功能函數(shù)調(diào)用神經(jīng)網(wǎng)絡(luò)計(jì)算功能，從而得到修正系數(shù)。每軋制完成一塊帶鋼，均要SIANS工具箱中的功能函數(shù)調(diào)用神經(jīng)網(wǎng)絡(luò)再進(jìn)行訓(xùn)練，從而不斷提升修正系數(shù)的準(zhǔn)確性。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練分在線訓(xùn)練及離線訓(xùn)練兩種。在線訓(xùn)練在軋制過程中進(jìn)行，即每塊鋼軋制完成后，根據(jù)實(shí)測值進(jìn)行計(jì)算，計(jì)算完成后通過調(diào)用adapt_net()函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并且將訓(xùn)練后得到的修正系數(shù)寫到預(yù)計(jì)算使用的文件中，而當(dāng)下塊鋼進(jìn)行預(yù)計(jì)算時(shí)，再通過調(diào)用call_net()函數(shù)讀取相應(yīng)的神經(jīng)網(wǎng)絡(luò)修正系數(shù)；離線訓(xùn)練是指當(dāng)神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)達(dá)到一定數(shù)量后(一般為三萬條記錄)，為增強(qiáng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，一般在停車時(shí)利用備用計(jì)算機(jī)進(jìn)行一次離線訓(xùn)練，同時(shí)清除之前的原始輸入記錄。4 結(jié)論

神經(jīng)網(wǎng)絡(luò)在熱連軋廠過程控制模型計(jì)算中已經(jīng)應(yīng)用多年，運(yùn)行情況良好，經(jīng)過學(xué)習(xí)訓(xùn)練后，壓力預(yù)報(bào)與溫度預(yù)報(bào)的準(zhǔn)確率平均在97.5%以上，對(duì)模型預(yù)設(shè)定計(jì)算精度的提高起了決定性的作用，極大提高了熱軋產(chǎn)品的產(chǎn)量及質(zhì)量。