神經網絡在熱連軋模型計算中的應用

馬 峰

（山西太鋼不銹鋼股份有限公司，山西 太原030003）

1 神經網絡概述

生物神經網絡指生物通過觸覺、大腦神經元、組織細胞等組成的網絡，用于產生生物的思考意識和行動反應。

人工神經網絡（Artificial Neural Networks，簡寫為ANNs）簡稱為神經網絡（NNs）是一種模仿生物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。神經網絡是一個并行的信息處理系統，外部信息傳送到神經元的第一層，經過處理后再傳到神經元的第二層，依此類推，直至將結果傳回外界（見圖1）。

圖1 神經網絡工作原理

隨著計算機技術的發展，運算能力速度的大幅提高，神經網絡的大規模并行處理、分布式存儲、高度冗余和非線性運算等優勢，在廣闊的領域獲得了重要的應用。

神經網絡是一個具有學習能力和自適應能力的系統，經過學習訓練（利用給定的樣本標準進行分類或模仿）后，神經網絡會根據系統所處環境（即輸入信號情況），自動發現環境特征和規律性，能夠識別錯誤，不斷提高系統本身的決策識別能力，從而使自己更加適應應用環境。

與神經網絡相關的方法有：人工智能（AI），軟計算，神經信息，專家系統，模糊邏輯，神經模糊，遺傳算法，混沌論等。

神經網絡設計模型包括多層感知系統，它包含輸入層、隱藏層和輸出層。相鄰層的神經元互相連接，神經網絡模型的輸出結果計算如下：

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重矩陣；W2jk表示隱藏層和輸出層間的權重矩陣；B1j表示隱藏層的偏差矢量；B2k表示輸出層的偏差矢量。

目前，神經網絡主要應用在模式識別及函數近似上。函數近似是使用示例進行學習后，得到一個潛在的函數，有時也稱作數據挖掘建模過程。神經網絡根據輸入數據，得到函數的輸出值（模擬輸出）。其優點是，可以不知道這個函數，或者這個函數是完全非線性的。熱連軋機過程控制系統就是函數近似的一個應用領域。

2 神經網絡在熱連軋模型計算中的應用

熱連軋過程控制自動化（二級）的任務是在材質進入軋機前為軋機計算和提供設定值。基礎自動化（一級）的任務是在帶鋼軋制過程中，根據給定的設定值進行實時控制。帶鋼軋制完成后，過程自動化接收一級傳來的實測值，供后計算功能使用。后計算功能的目的是，對預計算功能中的模型參數進行自學習，以此改善后續帶鋼的設定精度（見下頁圖2）。

2.1 軋制壓力的預報模型計算

軋制過程的一個重要因素是材質的強度，反映到過程參數就是軋制壓力，由于生產過程的千差萬別，因此不可能用單一的數學模型根據化學成分等材料特性預報計算出實際的軋制壓力。而根據經驗得到的某種材料的材質壓力曲線，只適合幾種特定材質。因此，必須根據實測的軋制壓力來預估計算后續的軋制壓力。在神經網絡使用之前的系統中，模型計算缺點：

對于新材質，只能使用一個共用的平均值；不使用化學成分信息；若較長時間不軋制某種材質，則相應的數據不再適合當前的軋機狀態；需要創建和維護大量的歷史文件。

使用神經網絡進行軋制壓力模型計算中，每個機架各有一條神經網絡對應該架軋機的軋制壓力預報，共建立7條軋制壓力修正系數神經網（見圖3）。

圖2 過程控制自動化工作過程

圖3 軋制壓力神經網絡

利用神經網絡可以不斷修正軋制壓力計算公式的錯誤，它具有數學模型的精確性，特別是經過不斷訓練，其結果會變得越來越好，模型計算精度會越來越高。

2.2 帶鋼溫度的預報模型計算

熱連軋過程自動化中控制的一個重要質量參數是終軋溫度。這個溫度事先根據工藝要求制定。如何確保終軋溫度對于軋制壓力的計算也是十分重要的。溫度計算模型中包括一個KDT參數，它用來調整溫度計算值，使之與實測值相吻合。也可以將KDT理解為溫度從帶鋼傳到輥子而引起的模型計算錯誤，因為溫度損失是溫度模型中一個最不確定的因素。

圖4 顯示了自2012年12月至2013年5月使用神經網絡進行溫度預報的精度，從顯示圖表可以看出使用神經網絡具有長期的穩定性，且預報精度較高。

圖4 神經網絡訓練后的溫度控制精度

3 神經網絡的訓練及維護

在熱連軋模型系統中，模型自學習修正功能通過采用德國西門子公司研究開發的專用于軋鋼自動化中的神經網絡工具箱(Siemens ATD Neural Network Simulation Toolbox，SIANS)進行計算的，它將神經網絡集成于軋鋼過程自動化中，采用在線及離線兩種訓練方法，不斷根據輸入的變化計算各修正參數，從而有效地提高了過程參數設定值的控制精度。

SIANS工具箱中增加了神經網絡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接口調用神經網絡各功能更加方便實用，主要功能函數如表1所示。

表1 API主要功能函數

每生產一塊帶鋼，必須通過SIANS工具箱中的功能函數調用神經網絡計算功能，從而得到修正系數。每軋制完成一塊帶鋼，均要SIANS工具箱中的功能函數調用神經網絡再進行訓練，從而不斷提升修正系數的準確性。

神經網絡的訓練分在線訓練及離線訓練兩種。在線訓練在軋制過程中進行，即每塊鋼軋制完成后，根據實測值進行計算，計算完成后通過調用adapt_net()函數對神經網絡進行訓練，并且將訓練后得到的修正系數寫到預計算使用的文件中，而當下塊鋼進行預計算時，再通過調用call_net()函數讀取相應的神經網絡修正系數；離線訓練是指當神經網絡輸入數據達到一定數量后(一般為三萬條記錄)，為增強神經網絡的學習能力，一般在停車時利用備用計算機進行一次離線訓練，同時清除之前的原始輸入記錄。4 結論

神經網絡在熱連軋廠過程控制模型計算中已經應用多年，運行情況良好，經過學習訓練后，壓力預報與溫度預報的準確率平均在97.5%以上，對模型預設定計算精度的提高起了決定性的作用，極大提高了熱軋產品的產量及質量。