專利名稱：基于人工神經(jīng)網(wǎng)絡(luò)的鑄坯質(zhì)量在線預(yù)報(bào)的控制方法
技術(shù)領(lǐng)域：
本發(fā)明屬于冶金自動(dòng)控制技術(shù)領(lǐng)域，特別涉及一種鑄坯質(zhì)量在線預(yù)報(bào)的控制方法，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)鑄坯質(zhì)量在線預(yù)測和預(yù)報(bào)。
背景技術(shù)：
近幾十年來，連鑄坯熱送熱裝以及連鑄坯連軋技術(shù)使連鑄成為最活躍的研究領(lǐng)域，這些技術(shù)的發(fā)展大幅度降低了 設(shè)備投入及生產(chǎn)成本，提高了產(chǎn)品競爭力。熱送、熱裝、直接軋制技術(shù)優(yōu)點(diǎn)多多，但要求生產(chǎn)線上生產(chǎn)的是無缺陷鑄坯，即鑄坯的表面質(zhì)量和內(nèi)部質(zhì)量基本上能不經(jīng)清理就能滿足直接軋制的要求。過去，連鑄機(jī)生產(chǎn)的鑄坯質(zhì)量主要以冷態(tài)下鑄坯的質(zhì)量來評(píng)定。但這種冷態(tài)取樣和檢查的傳統(tǒng)鑄坯質(zhì)量控制方法顯然不能滿足熱送、熱裝和直接軋制工藝的要求。對(duì)缺陷鑄坯進(jìn)行檢測判定并生產(chǎn)中及時(shí)在線預(yù)報(bào)和檢測鑄坯質(zhì)量，對(duì)確保生產(chǎn)的連續(xù)性、提高產(chǎn)品質(zhì)量及降低生產(chǎn)成本具有重要的意義。目前鑄坯質(zhì)量預(yù)報(bào)方法主要為(I)基于物理手段的檢測判定，要包括渦流檢測、光學(xué)檢測、感應(yīng)加熱檢測、電磁超聲波測試法等，這些方法可檢測出的缺陷定量描述參數(shù)和缺陷種類都十分有限，無法綜合評(píng)估產(chǎn)品的表面質(zhì)量狀況。(2)質(zhì)量判定專家系統(tǒng)，通過對(duì)冶金專家知識(shí)(包括現(xiàn)場經(jīng)驗(yàn)和數(shù)據(jù)挖掘規(guī)則)、構(gòu)建知識(shí)庫，并設(shè)計(jì)推理機(jī)制建立連鑄板坯判定專家系統(tǒng)。同時(shí)利用解釋接口對(duì)專家系統(tǒng)的判定進(jìn)行理解，進(jìn)而指導(dǎo)板坯質(zhì)量的控制。而知識(shí)的質(zhì)量和數(shù)量又是決定專家系統(tǒng)性能的關(guān)鍵因素，需要對(duì)長期生產(chǎn)經(jīng)驗(yàn)的歸納總結(jié)。對(duì)于鑄坯質(zhì)量來說，影響并產(chǎn)生質(zhì)量缺陷的因素太多，且各因素之間存在著非線性關(guān)系，很難用準(zhǔn)確的數(shù)學(xué)方程進(jìn)行描述，因此，引進(jìn)人工智能技術(shù)來對(duì)鑄坯質(zhì)量進(jìn)行在線預(yù)報(bào)，對(duì)鑄坯質(zhì)量各特性參數(shù)的非線性、不確定性和復(fù)雜性進(jìn)行有效的檢測和預(yù)報(bào)顯得非
常必要。人工神經(jīng)網(wǎng)絡(luò)是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)上，模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。它利用非線性處理單元來模擬生物神經(jīng)元，用多層、多個(gè)處理單元的網(wǎng)絡(luò)構(gòu)成一個(gè)大規(guī)模并行的非線性系統(tǒng)，適合于表達(dá)多影響因子的非線性復(fù)雜因果規(guī)律。神經(jīng)網(wǎng)絡(luò)可以在不建立數(shù)學(xué)模型的條件下，通過訓(xùn)練學(xué)習(xí)建立輸入集與輸出集之間的映射關(guān)系，適合于處理需要同時(shí)考慮許多因素和條件不確定以及模糊的信息問題。因此利用人工神經(jīng)網(wǎng)絡(luò)來建立質(zhì)量預(yù)報(bào)模型具有非常顯著的優(yōu)勢。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是提供一種基于人工神經(jīng)網(wǎng)絡(luò)的鑄坯質(zhì)量在線預(yù)報(bào)的控制方法，能夠及時(shí)準(zhǔn)確的在線對(duì)鑄坯質(zhì)量進(jìn)行預(yù)測和預(yù)報(bào)。為解決上述技術(shù)問題，本發(fā)明采取的技術(shù)方案是
基于人工神經(jīng)網(wǎng)絡(luò)的鑄坯質(zhì)量在線預(yù)報(bào)的控制方法，其特征在于該方法包括如下步驟步驟I :首先選擇預(yù)測模型變量，建立神經(jīng)網(wǎng)絡(luò)模型；設(shè)定具體的鑄坯質(zhì)量缺陷預(yù)測目標(biāo)，并將影響該預(yù)測目標(biāo)的相應(yīng)的工藝設(shè)備參數(shù)變量作為輸入層的節(jié)點(diǎn)；然后確定中間層和輸出層變量、輸入層至中間層以及中間層至輸入層的各連接權(quán)值、中間層以及輸出層的閾值，建立由輸入層、隱含層、輸出層構(gòu)成的三層BP神經(jīng)網(wǎng)絡(luò)模型；三層BP網(wǎng)絡(luò)模型的結(jié)構(gòu)為輸入 層η個(gè)輸入神經(jīng)元分別代表影響設(shè)定為預(yù)測目標(biāo)的鑄坯質(zhì)量缺陷的η個(gè)主要工藝和設(shè)備參數(shù)，隱含層q個(gè)隱含神經(jīng)元作為中間層各單元，輸出層I個(gè)輸出神經(jīng)元代表鑄坯質(zhì)量缺陷預(yù)測目標(biāo)的質(zhì)量缺陷等級(jí)；輸入層與隱含層之間通過輸入層至中間層的連接權(quán)值相關(guān)聯(lián)；隱含層和輸出層通過中間層至輸入層的連接權(quán)值關(guān)聯(lián)；設(shè)定為預(yù)測目標(biāo)的鑄坯質(zhì)量缺陷為鑄坯純凈度、表面橫裂紋、表面縱裂紋、角部裂紋、中心裂紋、中間裂紋、三角區(qū)裂紋、中心偏析和疏松中的一項(xiàng)或多項(xiàng)；步驟2 :在確定了網(wǎng)絡(luò)模型的結(jié)構(gòu)和目標(biāo)誤差以后，選擇訓(xùn)練樣本對(duì)步驟I中建立的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，在網(wǎng)絡(luò)輸出層誤差滿足要求后，保存權(quán)值和閾值；然后重新利用預(yù)測樣本對(duì)已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測，如果預(yù)測結(jié)果準(zhǔn)確，則說明網(wǎng)絡(luò)設(shè)計(jì)成功，能夠應(yīng)用在實(shí)際生產(chǎn)中，否則，返回訓(xùn)練階段，調(diào)整各個(gè)參數(shù)，重新訓(xùn)練網(wǎng)絡(luò)；并通過訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)預(yù)測驗(yàn)證，得到訓(xùn)練和驗(yàn)證好的網(wǎng)絡(luò)模型；步驟3 :利用步驟2中訓(xùn)練和驗(yàn)證好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)連鑄板坯中間裂紋進(jìn)行在線預(yù)測的控制。按上述技術(shù)方案，步驟2主要包括初始化各變量、權(quán)值和閾值；設(shè)定學(xué)習(xí)速率和目標(biāo)輸出誤差；讀取訓(xùn)練樣本數(shù)據(jù)；通過不斷的調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直到得到合適的輸入輸出關(guān)系，并保存權(quán)值和閾值，網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練過程結(jié)束。按上述技術(shù)方案，步驟3中，在模型的輸入端口在線跟蹤作為η個(gè)輸入神經(jīng)元的η個(gè)工藝設(shè)備參數(shù)值；網(wǎng)絡(luò)的中間層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)輸入值對(duì)中間層的輸入、輸出值進(jìn)行計(jì)算同時(shí)網(wǎng)絡(luò)的輸出層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)中間層傳遞來的數(shù)據(jù)對(duì)輸出層的輸入、輸出值進(jìn)行計(jì)算；網(wǎng)絡(luò)輸出層的輸出值即為具體的鑄坯質(zhì)量缺陷預(yù)測目標(biāo)的等級(jí)結(jié)果。按上述技術(shù)方案，所述的具體的鑄坯質(zhì)量缺陷預(yù)測目標(biāo)為板坯中間裂紋預(yù)測；影響板坯中間裂紋預(yù)測的工藝設(shè)備參數(shù)主要包括鋼中硫含量、錳硫比、鋼水過熱度、鑄坯拉速、輥縫誤差、輥?zhàn)訉?duì)中；預(yù)測板坯中間裂紋在線預(yù)測的三層BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為6個(gè)輸入神經(jīng)元分別代表影響板坯中間裂紋的6個(gè)主要工藝設(shè)備參數(shù)值，19個(gè)隱含神經(jīng)元或中間層神經(jīng)元，I個(gè)輸出神經(jīng)元代表板坯中間裂紋結(jié)果；選定的各權(quán)值的區(qū)間為(0，O. 5)，選定O I之間隨機(jī)賦予各閾值；學(xué)習(xí)速率和動(dòng)量因子賦值區(qū)間分別為(O. 25，0. 8)，在學(xué)習(xí)初期采用較大目標(biāo)誤差以加速學(xué)習(xí)，然后逐步減小目標(biāo)誤差以提聞精度，目標(biāo)誤差或控制精度E的取值范圍O. 001 O. I ;選擇近期的20組200個(gè)有效的樣本數(shù)據(jù)對(duì)其訓(xùn)練，通過不斷的調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直到得到合適的輸入輸出關(guān)系，并保存權(quán)值和閾值，網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練以及預(yù)測驗(yàn)證過程結(jié)束；最后，利用上述訓(xùn)練和驗(yàn)證好的網(wǎng)絡(luò)進(jìn)行連鑄板坯中間裂紋的在線預(yù)報(bào)，在程序的輸入端口在線跟蹤所設(shè)置的6個(gè)工藝設(shè)備參數(shù)值，網(wǎng)絡(luò)的中間層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)輸入值對(duì)中間層的輸入、輸出值進(jìn)行計(jì)算，同時(shí)網(wǎng)絡(luò)的輸出層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)中間層傳遞來的數(shù)據(jù)對(duì)輸出層的輸入、輸出值進(jìn)行計(jì)算，網(wǎng)絡(luò)輸出層的輸出值即為板坯中間裂紋的等級(jí)。本發(fā)明的原理為BP網(wǎng)絡(luò)算法的學(xué)習(xí)和訓(xùn)練過程由下面4個(gè)過程組成(I)模式正向傳播輸入值由輸入層經(jīng)隱含層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)；(2)誤差反向傳播如果在輸出層不能得到預(yù)期的結(jié)果，則將輸出誤差由輸出層向輸入層逐層修正連接權(quán)；(3)迭代訓(xùn)練過程由正向傳播和反向傳播的反復(fù)交替進(jìn)行網(wǎng)絡(luò)的訓(xùn)練、記憶；(4)收斂過程網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的過 程。根據(jù)對(duì)鑄坯質(zhì)量缺陷的形成機(jī)理和影響因素分析，選用三層BP網(wǎng)絡(luò)為原型，建立BP神經(jīng)網(wǎng)絡(luò)模型分別對(duì)各種具體的質(zhì)量缺陷等級(jí)進(jìn)行預(yù)測，選擇影響鑄坯質(zhì)量的主要工藝、設(shè)備參數(shù)作為輸入層的節(jié)點(diǎn)，主要參數(shù)如拉速、過熱度、二冷水量、輥縫偏差等。同時(shí)確定三層網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)。本發(fā)明用BP神經(jīng)網(wǎng)絡(luò)預(yù)測鑄坯質(zhì)量缺陷，利用了神經(jīng)網(wǎng)絡(luò)的分類能力，而這種能力是通過對(duì)訓(xùn)練樣本集的學(xué)習(xí)獲得的。通過比較預(yù)測值和實(shí)測值的差別來評(píng)定網(wǎng)絡(luò)模型的預(yù)測效果，保證了模型的預(yù)測精度。采用本發(fā)明，實(shí)現(xiàn)了連鑄生產(chǎn)過程的鑄坯質(zhì)量的在線自動(dòng)預(yù)測，操作簡單，可預(yù)測鑄坯質(zhì)量缺陷的類型及缺陷等級(jí)，用于指導(dǎo)現(xiàn)場生產(chǎn)。


圖I為三層BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖中=Xi表示輸入層第i個(gè)節(jié)點(diǎn)的輸入，i = I, . . . , η ；Wij表示隱含層第j個(gè)節(jié)點(diǎn)到輸入層第i個(gè)節(jié)點(diǎn)之間的權(quán)值；Θ j表示隱含層第j個(gè)節(jié)點(diǎn)的閾值；f(x)表示隱含層的激勵(lì)函數(shù)；Vj表示輸出層節(jié)點(diǎn)到隱含層第j個(gè)節(jié)點(diǎn)之間的權(quán)值，j = I, . . . , q ；t = I ；a表不輸出層節(jié)點(diǎn)的閾值，φ (χ)表示輸出層的激勵(lì)函數(shù)；C表不輸出層節(jié)點(diǎn)的輸出。圖2為根據(jù)本發(fā)明實(shí)施的方法的網(wǎng)絡(luò)學(xué)習(xí)過程流程圖；圖3為根據(jù)本發(fā)明實(shí)施的方法的預(yù)測過程流程圖。
具體實(shí)施例方式以下結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明，但不限定本發(fā)明。三層BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖I所示。三層BP網(wǎng)絡(luò)模型的結(jié)構(gòu)為輸入層η個(gè)輸入神經(jīng)元分別代表影響質(zhì)量缺陷的η個(gè)主要工藝、設(shè)備參數(shù)，中間層或隱含層q個(gè)隱含神經(jīng)元，輸出層I個(gè)輸出神經(jīng)元代表鑄坯缺陷研究對(duì)象的某種質(zhì)量缺陷等級(jí)。步驟I :首先選擇預(yù)測模型變量，初步建立模型
建立由輸入層、隱含層、輸出層構(gòu)成的三層BP神經(jīng)網(wǎng)絡(luò)模型；各參數(shù)說明如下網(wǎng)絡(luò)輸入變量Pk = (x1； X2, ... , xn);網(wǎng)絡(luò)目標(biāo)變量Tk = y ;隱含層單元輸入變量Sk= (Sl，s2，..，sq)，輸出變量Bk= (b1；b2,.. ,bq);輸出層單元輸入變量Lk= I ;輸出變量Ck = c ;隱含層第j個(gè)節(jié)點(diǎn)到輸入層第i個(gè)節(jié)點(diǎn)之間的連接權(quán)值Wij, i = I, 2,... n, j = I,2,. . q ;隱含層第j個(gè)節(jié)點(diǎn)到輸出層節(jié)點(diǎn)之間的連接權(quán)值Vj，j = 1,2,. . q ;隱含層第j個(gè)節(jié)點(diǎn)的閾值Θ j，j = 1,2,. .q ;輸出層節(jié)點(diǎn)的閾值a ;訓(xùn)練或?qū)W習(xí)樣本的序號(hào)k = 1,2,. . . ,m,其中m為學(xué)習(xí)樣本的組數(shù)；步驟2 :從質(zhì)量監(jiān)測系統(tǒng)中選擇數(shù)量足夠多且典型性好、精度高的近期質(zhì)量工藝數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)；然后利用選定的訓(xùn)練樣本對(duì)建立的網(wǎng)絡(luò)進(jìn)行訓(xùn)練或?qū)W習(xí)；待網(wǎng)絡(luò)結(jié)構(gòu)確定后，重新利用該訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)測驗(yàn)證；預(yù)測驗(yàn)證合格則說明網(wǎng)絡(luò)模型建立成功，可以轉(zhuǎn)為實(shí)際預(yù)測，否則重新進(jìn)行網(wǎng)絡(luò)訓(xùn)練直到最終預(yù)測驗(yàn)證合格；如圖2所示，具體步驟如下(I)初始化。給每個(gè)連接權(quán)值、閾值Θ j、a賦予區(qū)間(-1，1)內(nèi)的隨機(jī)值。(2)隨機(jī)從m組學(xué)習(xí)樣本中選取一組作為輸入變量和目標(biāo)變量提供給網(wǎng)絡(luò)，即設(shè)定網(wǎng)絡(luò)輸入樣本G = ( ，...，Y )和網(wǎng)絡(luò)目標(biāo)樣本Tk=yk，參數(shù)k = 1，2，. . .，m，為學(xué)習(xí)樣本序號(hào)。(3)用輸入樣本巧=( ...，x:)、隱含層第j個(gè)節(jié)點(diǎn)到輸入層第i個(gè)節(jié)點(diǎn)之間的連接權(quán)值和隱含層第j個(gè)節(jié)點(diǎn)的閾值Θ j計(jì)算隱含層各單元的輸入值Sp然后用通過激勵(lì)函數(shù)計(jì)算隱含層各單元的輸出值h ；j為隱含層單元序號(hào)，bj為隱含層第j個(gè)單元；其中
權(quán)利要求
1.基于人工神經(jīng)網(wǎng)絡(luò)的鑄坯質(zhì)量在線預(yù)報(bào)的控制方法，其特征在于該方法包括如下步驟 步驟I:首先選擇預(yù)測模型變量，建立神經(jīng)網(wǎng)絡(luò)模型； 設(shè)定具體的鑄坯質(zhì)量缺陷預(yù)測目標(biāo)，并將影響該預(yù)測目標(biāo)的相應(yīng)的工藝設(shè)備參數(shù)變量作為輸入層的節(jié)點(diǎn)；然后確定中間層和輸出層變量、輸入層至中間層以及中間層至輸入層的各連接權(quán)值、中間層以及輸出層的閾值，建立由輸入層、隱含層、輸出層構(gòu)成的三層BP神經(jīng)網(wǎng)絡(luò)模型； 三層BP網(wǎng)絡(luò)模型的結(jié)構(gòu)為輸入層η個(gè)輸入神經(jīng)元分別代表影響設(shè)定為預(yù)測目標(biāo)的鑄坯質(zhì)量缺陷的η個(gè)主要工藝和設(shè)備參數(shù)，隱含層q個(gè)隱含神經(jīng)元作為中間層各單元，輸出層I個(gè)輸出神經(jīng)元代表鑄坯質(zhì)量缺陷預(yù)測目標(biāo)的質(zhì)量缺陷等級(jí)；輸入層與隱含層之間通過輸入層至中間層的連接權(quán)值相關(guān)聯(lián)；隱含層和輸出層通過中間層至輸入層的連接權(quán)值關(guān)聯(lián)； 設(shè)定為預(yù)測目標(biāo)的鑄坯質(zhì)量缺陷為鑄坯純凈度、表面橫裂紋、表面縱裂紋、角部裂紋、中心裂紋、中間裂紋、三角區(qū)裂紋、中心偏析和疏松中的一項(xiàng)或多項(xiàng)； 步驟2 :在確定了網(wǎng)絡(luò)模型的結(jié)構(gòu)和目標(biāo)誤差以后，選擇訓(xùn)練樣本對(duì)步驟I中建立的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，在網(wǎng)絡(luò)輸出層誤差滿足要求后，保存權(quán)值和閾值；然后重新利用預(yù)測樣本對(duì)已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測，如果預(yù)測結(jié)果準(zhǔn)確，則說明網(wǎng)絡(luò)設(shè)計(jì)成功，能夠應(yīng)用在實(shí)際生產(chǎn)中，否則，返回訓(xùn)練階段，調(diào)整各個(gè)參數(shù)，重新訓(xùn)練網(wǎng)絡(luò)；并通過訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)預(yù)測驗(yàn)證，得到訓(xùn)練和驗(yàn)證好的網(wǎng)絡(luò)模型； 步驟3 :利用步驟2中訓(xùn)練和驗(yàn)證好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)連鑄板坯中間裂紋進(jìn)行在線預(yù)測的控制。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于步驟2主要包括初始化各變量、權(quán)值和閾值；設(shè)定學(xué)習(xí)速率和目標(biāo)輸出誤差；讀取訓(xùn)練樣本數(shù)據(jù)；通過不斷的調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直到得到合適的輸入輸出關(guān)系，并保存權(quán)值和閾值，網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練過程結(jié)束。
3.根據(jù)權(quán)利要求I或2所述的方法，其特征在于步驟3中，在模型的輸入端口在線跟蹤作為η個(gè)輸入神經(jīng)元的η個(gè)工藝設(shè)備參數(shù)值；網(wǎng)絡(luò)的中間層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)輸入值對(duì)中間層的輸入、輸出值進(jìn)行計(jì)算同時(shí)網(wǎng)絡(luò)的輸出層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)中間層傳遞來的數(shù)據(jù)對(duì)輸出層的輸入、輸出值進(jìn)行計(jì)算；網(wǎng)絡(luò)輸出層的輸出值即為具體的鑄坯質(zhì)量缺陷預(yù)測目標(biāo)的等級(jí)結(jié)果。
4.根據(jù)權(quán)利要求I或2所述的方法，其特征在于所述的具體的鑄坯質(zhì)量缺陷預(yù)測目標(biāo)為板坯中間裂紋預(yù)測；影響板坯中間裂紋預(yù)測的工藝設(shè)備參數(shù)主要包括鋼中硫含量、錳硫比、鋼水過熱度、鑄坯拉速、輥縫誤差、輥?zhàn)訉?duì)中；預(yù)測板坯中間裂紋在線預(yù)測的三層BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為6個(gè)輸入神經(jīng)元分別代表影響板坯中間裂紋的6個(gè)主要工藝設(shè)備參數(shù)值，19個(gè)隱含神經(jīng)元或中間層神經(jīng)元，I個(gè)輸出神經(jīng)元代表板坯中間裂紋結(jié)果; 選定的各權(quán)值的區(qū)間為(O，O. 5)，選定O I之間隨機(jī)賦予各閾值；學(xué)習(xí)速率和動(dòng)量因子賦值區(qū)間分別為(O. 25，0. 8)，在學(xué)習(xí)初期采用較大目標(biāo)誤差以加速學(xué)習(xí)，然后逐步減小目標(biāo)誤差以提高精度，目標(biāo)誤差或控制精度E的取值范圍O. OOl O. I ; 選擇近期的20組200個(gè)有效的樣本數(shù)據(jù)對(duì)其訓(xùn)練，通過不斷的調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直到得到合適的輸入輸出關(guān)系，并保存權(quán)值和閾值，網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練以及預(yù)測驗(yàn)證過程結(jié)束； 最后，利用上述訓(xùn)練和驗(yàn)證好的網(wǎng)絡(luò)進(jìn)行連鑄板坯中間裂紋的在線預(yù)報(bào)，在程序的輸入端口在線跟蹤所設(shè)置的6個(gè)工藝設(shè)備參數(shù)值，網(wǎng)絡(luò)的中間層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)輸入值對(duì)中間層的輸入、輸出值進(jìn)行計(jì)算，同時(shí)網(wǎng)絡(luò)的輸出層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)中間層傳遞來的數(shù)據(jù)對(duì)輸出層的輸入、輸出值進(jìn)行計(jì)算，網(wǎng)絡(luò)輸出層的輸出值即為板坯中間裂紋的等級(jí)。
5.根據(jù)權(quán)利要求3所述的方法，其特征在于所述的具體的鑄坯質(zhì)量缺陷預(yù)測目標(biāo)為板坯中間裂紋預(yù)測；影響板坯中間裂紋預(yù)測的工藝設(shè)備參數(shù)主要包括鋼中硫含量、錳硫t匕、鋼水過熱度、鑄坯拉速、輥縫誤差、輥?zhàn)訉?duì)中；預(yù)測板坯中間裂紋在線預(yù)測的三層BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為6個(gè)輸入神經(jīng)元分別代表影響板坯中間裂紋的6個(gè)主要工藝設(shè)備參 數(shù)值，19個(gè)隱含神經(jīng)元或中間層神經(jīng)元，I個(gè)輸出神經(jīng)元代表板坯中間裂紋結(jié)果； 選定的各權(quán)值的區(qū)間為(O，O. 5)，選定O I之間隨機(jī)賦予各閾值；學(xué)習(xí)速率和動(dòng)量因子賦值區(qū)間分別為(O. 25，0. 8)，在學(xué)習(xí)初期采用較大目標(biāo)誤差以加速學(xué)習(xí)，然后逐步減小目標(biāo)誤差以提高精度，目標(biāo)誤差或控制精度E的取值范圍O. OOl O. I ; 選擇近期的20組200個(gè)有效的樣本數(shù)據(jù)對(duì)其訓(xùn)練，通過不斷的調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直到得到合適的輸入輸出關(guān)系，并保存權(quán)值和閾值，網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練以及預(yù)測驗(yàn)證過程結(jié)束； 最后，利用上述訓(xùn)練和驗(yàn)證好的網(wǎng)絡(luò)進(jìn)行連鑄板坯中間裂紋的在線預(yù)報(bào)，在程序的輸入端口在線跟蹤所設(shè)置的6個(gè)工藝設(shè)備參數(shù)值，網(wǎng)絡(luò)的中間層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)輸入值對(duì)中間層的輸入、輸出值進(jìn)行計(jì)算，同時(shí)網(wǎng)絡(luò)的輸出層神經(jīng)元用訓(xùn)練好的權(quán)值和閾值，根據(jù)中間層傳遞來的數(shù)據(jù)對(duì)輸出層的輸入、輸出值進(jìn)行計(jì)算，網(wǎng)絡(luò)輸出層的輸出值即為板坯中間裂紋的等級(jí)。
全文摘要
本發(fā)明涉及基于人工神經(jīng)網(wǎng)絡(luò)的鑄坯質(zhì)量在線預(yù)報(bào)的控制方法，包括如下步驟首先選擇預(yù)測模型變量，建立神經(jīng)網(wǎng)絡(luò)模型；在確定了網(wǎng)絡(luò)模型的結(jié)構(gòu)和目標(biāo)誤差以后，選擇訓(xùn)練樣本對(duì)建立的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，在網(wǎng)絡(luò)輸出層誤差滿足要求后，保存權(quán)值和閾值；得到訓(xùn)練和驗(yàn)證好的網(wǎng)絡(luò)模型；利用訓(xùn)練和驗(yàn)證好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)連鑄板坯中間裂紋進(jìn)行在線預(yù)測的控制。本發(fā)明利用了神經(jīng)網(wǎng)絡(luò)的分類能力，通過比較預(yù)測值和實(shí)測值的差別來評(píng)定網(wǎng)絡(luò)模型的預(yù)測效果，保證了模型的預(yù)測精度。采用本發(fā)明，實(shí)現(xiàn)了連鑄生產(chǎn)過程的鑄坯質(zhì)量的在線自動(dòng)預(yù)測，操作簡單，可預(yù)測鑄坯質(zhì)量缺陷的類型及缺陷等級(jí)，用于指導(dǎo)現(xiàn)場生產(chǎn)。
文檔編號(hào)G05B13/04GK102937784SQ20121042638
公開日2013年2月20日 申請日期2012年10月30日 優(yōu)先權(quán)日2012年10月30日
發(fā)明者幸偉, 馬春武, 徐永斌, 徐海倫, 陳洪智, 邵遠(yuǎn)敬, 葉理德, 袁德玉 申請人:中冶南方工程技術(shù)有限公司