CN106339020B - 基于神经网络的铝型材表面氧化自动控制系统 - Google Patents

Abstract

本发明基于神经网络的铝型材表面氧化自动控制系统，需要对每台氧化槽构建一个神经网络模型，神经网络模型分为向前传播和反向学习两部分。首先利用反向学习部分训练神经网络，将影响氧化时间的生产参数作为神经网络的输入参数，对应的氧化时间作为神经网络的输出，通过反向传播自适应地调整网络的加权系数，使得神经网络模型与氧化槽实际生产过程相吻合；然后给定所需的氧化膜厚度和相应的生产参数，用训练好的神经网络模型的向前传播方法计算出所需的氧化时间，当氧化时间到达时，通过控制电路模块自动停止氧化槽生产。不仅可以使得铝合金氧化膜厚度达到稳定工艺的要求，还可以减少由于过度氧化导致的能耗损失，达到节能减排的目的。

Description

基于神经网络的铝型材表面氧化自动控制系统

技术领域

本发明涉及一种铝型材表面氧化自动控制技术领域。

背景技术

铝合金型材阳极氧化过程是把铝放在电解液中，以铝型材作为阳极进行电解作用，使铝型材表面形成阳极氧化膜的过程，氧化膜能让铝合金制品获得让人满意的抗腐蚀能力。在这个过程中消耗大量的电能，属于高能耗生产制造。所以阳极氧化膜的成长厚度就成为了铝合金质量和节能的关键。阳极氧化膜的厚度从理论上按法拉弟第二定律导出如下公式：

δ＝KQ＝kit

式中δ——阳极氧化膜厚度，μm(微米).

i——电流密度，A/dm2(安培/分米2).

t——阳极氧化时间，min(分钟).

Q——单位面积上电解电量，C/dm2(库仑/平方分米).

K——成膜系数.

其中成膜系数K的取值不完全是固定的，主要决定于两方面，一个是阳极氧化电解过程中的电流效率，也就是通过的电量转化为Al2O3阳极氧化膜的比率η，这与机器的生产效率有关，另一个是氧化膜在电解液中的溶解程度，如果电流效率越高、膜溶解程度越低，则成膜系数就会越高。传统的铝型材表面氧化过程控制依赖于人工控制，即根据要生产的氧化膜厚度，人为地预计大致所需的氧化时间。然而，不同的氧化槽生产效率不一，成膜系数也不一样。这种做法极度依赖于工人的生产经验，一方面为了保证氧化膜厚而造成过度氧化，导致浪费大量电能；另一方面由于生产类型繁多，错误估计生产时间导致表面膜厚过薄而再次加工，降低了生产效率。此外，由于生产设备的新旧不一导致生产效率不同，在一台设备上获得的经验方法并不能适用于另一台设备。

铝合金表面氧化是一个非线性、多变量耦合、时变和大时滞的工业过程体系，其自身内部复杂的物理化学变化、各种外界条件以及作业的干扰决定了氧化槽运行过程中众多参数和变量的不确定性和不可连续测定性。这类系统用传统方法建立的控制方法不仅复杂，而且不能实现过程的最佳控制。实现铝型材表面氧化自适应控制需要一种具备自学习、自适应、拟合复杂非线性函数的方法。

神经网络是一种模拟人类大脑思维的非线性网络系统，具有分布式存储和并行协同处理能力，可以针对不同的复杂环境和多目标控制要求自适应的调整自身的网络加权系数，以任意精度逼近任意非线性函数，可以用于具有非线性、滞后性、高精度的控制对象，尤其适合于铝型材表面氧化这种影响因素众多、生产过程复杂的系统。

发明内容

本发明目的在于，提出一种基于神经网络的铝型材表面氧化自动控制方法及系统，系统首先利用数据训练模块的神经网络反向学习功能拟合氧化槽的表面氧化过程，所采用的训练数据来自于历史生产参数；然后从数据采集模块读取影响氧化过程时间的生产参数(如智能电表、在线pH值采集器、热电偶和测厚仪中的电流密度、电解液浓度、温度以及膜厚，从ERP中读取铝材种类、数量和氧化时间等数据)，作为数据计算模块的输入；再利用数据计算模块的神经网络向前传播功能，计算出相应的氧化时间；当氧化时间到达时，通过电气控制模块停止氧化槽生产。

为达此目的，本发明首先提供一个数据训练模块，数据训练模块具有神经网络的反向学习功能，用于拟合氧化槽具有非线性、多变量耦合、时变和大时滞特点的表面氧化生产过程。

神经网络具有输入层、隐含层和输出层，每个节点称之为神经元，同一层的神经元之间没有联系，不同层的神经元两两相连形成一个网络，相互之间的联系称为加权系数，通过加权系数逐层进行计算得到输出层的输出，其计算规则为：输入层->隐含层->输出层。输入层的输入变量对应铝材种类、数量、电流密度、电解液浓度、温度、膜厚等参数的历史生产参数，输出层的输出对应所需氧化时间的历史生产参数。

数据采集模块，用于读取影响氧化过程时间的生产参数(如智能电表、在线pH值采集器、热电偶和测厚仪中分别采集生产过程中的电流密度、电解液浓度、温度以及膜厚，从ERP中读取铝材种类、数量和氧化时间等数据)，所采集到的数据用于数据计算模块的输入。

数据计算模块，用于根据采集的实际生产参数，利用神经网络的向前传播功能计算出所需的氧化时间，所获得的氧化时间用于电气控制模块的输入。

电气控制模块，用于根据D/A转换器将氧化时间转为模拟信号，再通过电气控制板控制氧化槽电机的关闭。

本发明基于神经网络的铝型材表面氧化自动控制系统，包含氧化槽，其重点改进在于：

还包含数据采集模块、数据计算模块、数据训练模块、电气控制模块、数据服务器和神经网络；

其中，所述氧化槽通过电气控制模块控制，对每个氧化槽构建一个神经网络模型；

其中，所述数据采集模块读取影响氧化过程时间的历史生产参数，将读取到的历史生产参数存储于数据服务器；

其中，所述数据计算模块根据采集的实际生产参数，利用神经网络的向前传播功能计算出所需的氧化时间；

其中，所述数据训练模块通过历史生产参数利用神经网络反向学习功能拟合氧化槽的表面氧化过程；

氧化时间到达时，通过电气控制模块停止氧化槽生产。

其中，所述数据采集模块包含串口服务器、A/D转换器、智能电表、在线pH值采集器、热电偶、测厚仪；

所述智能电表、在线pH值采集器、热电偶、测厚仪与A/D转换器相连，将采集的模拟信号经A/D转换器转换为数字信号；

所述A/D转换器与串口服务器通过RS485总线相连，将数字信号传输至串口服务器；

所述串口服务器与数据服务器通过RJ45网络线路相连，串口服务器将数据通过互联网存储在数据服务器中。

进一步讲：根据采集的实际生产参数，利用神经网络的向前传播功能计算出所需的氧化时间，还包括：对神经网络模型进行初始化，并依次获取当前生产参数作为向前传播功能输入层的输入；根据输入层的输入计算隐含层的输出；根据隐含层的输出计算输出层的输出，得到所需的氧化时间。

其中，所述数据训练模块通过历史生产参数利用神经网络反向学习功能拟合氧化槽的表面氧化过程，还包括：根据神经网络向前传播计算的结果与历史数据的输出结果进行比较，得到误差函数；采用梯度下降法，迭代求解使得误差函数最小；比较当前计算结果的误差，如果误差达到要求的精度，则停止迭代，否则返回继续计算。

上述方案中，氧化时间到达时，通过电气控制模块停止氧化槽生产，还包括：

将电气控制板通过串口RS485总线与计算机连接，在计算机中选择正确串口及串口波特率，通过电气控制板自带的软件即可与电气控制板进行通信；

用户点击软件中对应的串口，即可控制某一路继电器开关，从而控制相应氧化槽的开闭。

本发明的有益效果是：与传统的人工确定氧化时间相比较，基于神经网络的铝型材表面氧化自动控制方法根据生产的历史数据(铝材种类、数量、电流密度、电解液浓度、温度、膜厚、氧化时间等)，利用神经网络反向学习功能拟合不同设备的氧化过程，体现了不同设备的生产效率不一的特点；其次数据采集模块实现了参数的自动获取，再根据神经网络向前传播计算功能当前状态下的氧化时间，采用电气控制模块实现氧化过程自动控制。该方法不仅有效地避免了人工设定氧化时间所带来的经验误差，还有效地减少了能源损耗，实现节能减排。

附图说明

图1是本发明实施例的基于神经网络的铝型材表面氧化自动控制系统结构图。

图2是本发明神经网络向前传播功能实现的一个具体实施例。

图3是本发明神经网络反向学习功能实现的一个具体实施例。

图4是本发明电气控制模块实现的一个具体实施例。

图5是本发明的一个实施例提供的神经网络控制与人工控制氧化膜厚度曲线对比图。

具体实施方式

下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

本发明的基于神经网络的铝型材表面氧化自动控制系统由数据采集模块1、数据训练模块2、数据计算模块3和电气控制模块4四部分组成。

所述数据采集模块1包含数据服务器10、串口服务器11、A/D转换器12、智能电表13、在线pH值采集器14、热电偶15、测厚仪16等设备，所述智能电表13、在线pH值采集器14、热电偶15、测厚仪16等设备与A/D转换器相连12，将采集的模拟信号经A/D转换器12转换为数字信号，所述A/D转换器12与第一串口服务器11通过RS485总线相连，所述第一串口服务器11与数据服务器10通过RJ45网络线路相连，用于将数据通过互联网(企业局域网)存储在数据服务器10中。

所述数据训练模块3包含神经网络的反向学习功能，模块的输入数据为数据服务器中的历史生产参数；所述数据计算模块2包含神经网络的向前传播功能，模块的输入数据为数据采集模块所采集的当前实际生产参数；所述电气控制模4块包括D/A转换器40、电气控制板41和继电器开关42组成，D/A转换器40与电气控制板42相连，电气控制板41与继电器开关42相连，模块的输入数据为数据计算模块的氧化时间。

图1是本发明实施例提供的基于神经网络的铝型材表面氧化自动控制系统的结构图，所述数据训练模块1和数据计算模块2与数据采集模块2、电气控制模块4采用RJ45网络线路与企业局域网相连。所述D/A转换器40、电气控制板41通过RS485连接于第二串口服务器43；所述A/D转换器12连接于智能电表13、在线pH值采集器14、热电偶15、测厚仪16；所述电气控制板41连接于继电器开关42；所述智能电表13、在线pH值采集器14、热电偶15、测厚仪16、继电器开关42连接于氧化槽5。

智能电表13、在线pH值采集器14、热电偶15、测厚仪16分别对氧化槽5的电流密度、电解液浓度、温度、膜厚进行实时测量并将采集到的数据转化为电压信号，电压信号经A/D模块ICP-7017转换为数据服务器可识别的数字信号，通过串口服务器传输到数据服务器进行存储，其他参数(铝材类型、数量)则直接在数据服务器中进行录入。神经网络从数据服务器中读取生产的历史数据(包括输入参数如铝材种类、数量、电流密度、电解液浓度、温度、膜厚等等，以及对应的输出参数氧化时间等)，用反向传播功能训练神经网络，实现对该氧化槽生产过程的仿真建模。实际生产时，根据数据采集模块得到影响氧化时间的铝材种类、数量、电流密度、电解液浓度、温度、膜厚等数据，通过神经网络的向前传播功能计算得到氧化时间，当氧化槽运行时间到达计算的氧化时间时，通过电气控制板控制继电器开关停止氧化槽。

图2是本发明神经网络向前传播功能实现的一个具体实施例。如图2所示，本实施例提供的方法具体包括如下步骤：

步骤201，对神经网络模型进行初始化，并依次获取当前生产参数作为向前传播功能输入层的输入。

神经网络具有输入层、隐含层和输出层，每层由若干个结点组成，每个结点称之为神经元，同一层的神经元之间没有联系，不同层的神经元两两相连形成一个网络，相互之间的联系称为加权系数，初始化加权系数为(-1,1)之间的随机值。每一层的神经元输出只对下一层的神经元的输入产生影响。神经元的输出激活函数采用非负对称的Sigmoid函数，表示：(神经网络下的非线性作用函数，公知函数)

初始化一个由n个神经元的输入层，p个神经元的隐含层，q个神经元的输出层组成的神经网络结构，其中n表示输入参数(例如铝材种类、数量、电流密度、电解液浓度、温度、膜厚等等)的个数，q表示输出参数(氧化时间)的个数，定义其变量如下：

输入层的输入向量：x_i,i＝1,2,...,n

隐含层的输入变量：h1_j,j＝1,2,...,p

隐含层的输出变量：h2_j,j＝1,2,...,p

输出层的输入变量：y1_k,k＝1,2,...,q

输出层的输出变量：y2_k,k＝1,2,...,q

给定的期望输出变量：d_k,k＝1,2,...,q

输入层的输入变量对应铝材种类、数量、电流密度、电解液浓度、温度、膜厚等参数的历史生产参数。输出层的输出是根据神经网络逐层进行计算得到的，其计算规则为：输入层->隐含层->输出层。

步骤202，根据输入层的输入计算隐含层的输出。

首先，隐含层的输入通过输入层的输出计算得到，计算公式为：x_i,i＝1,2,...,n表示输入层的输入向量，h1_j,j＝1,2,...,p表示隐含层的输入变量，w_ij表示输入层第i个神经元与隐含层第j个神经元的加权系数，即隐含层的输入是输入层输出的一个线性加权结果。

然后，采用Sigmoid激活函数计算隐含层的输出，计算公式为：h2_j＝f(h1_j)，其中f表示为Sigmoid函数。

步骤203，根据隐含层的输出计算输出层的输出氧化时间。

首先，输出层的输入通过隐含层的输出计算得到，计算公式为：h2_j,j＝1,2,...,p表示隐含层的输出向量，y1_k,k＝1,2,...,q表示输出层的输入，w_jk表示隐含层第j个神经元与输出层第k个神经元的加权系数。

然后，采用Sigmoid激活函数计算输出层的输出，计算公式为：y2_k＝f(y1_k)，其中f表示为Sigmoid函数。

图3是本发明神经网络反向学习功能实现的一个具体实施例，反向学习功能使得神经网络可以拟合氧化槽的生产过程，反向学习通过输出层-隐含层-输入层逐层计算各神经元的偏导数，修正隐含层神经元的加权系数。如图3所示，本实施例提供的方法具体包括如下步骤：

步骤301，根据神经网络向前传播计算的结果y2_k与历史数据的输出结果d_k进行比较，得到误差函数e，误差结果越大，表示神经网络拟合效果越差，需要调整的神经元加权系数越多。

步骤302，采用梯度下降法，迭代求解使得误差函数最小。每次迭代修正隐含层的神经元加权系数Δw_ij(t+1)和输出层的神经元加权系数Δw_jk(t+1)，t表示第t次迭代，修正的计算过程如下：

Δw_jk(t+1)＝α[d_k(t+1)-y2_k(t+1)]h2_j(t)+βΔw_jk(t) (2)

Δw_ij(t+1)＝α[d_k(t+1)-y2_k(t+1)]f'(h1_j(t))w_jk(t)h2_j(t)+βΔw_ij(t)

α∈(0,1)表示学习率，学习率越大，则加权系数改变越大，但是容易引起系统震荡，β∈(0,1)表示惯性系数，惯性系数越大，上一次迭代结果保留越多，惯性系数用于避免学习过程中的震荡，加速系统收敛。

步骤303，比较当前计算结果的误差e，如果误差达到要求的精度，则停止迭代，否则返回步骤302继续修正神经元加权系数。

图4是本发明电气控制模块实现的一个具体实施例。将电气控制板通过串口RS485总线与计算机连接，在计算机中选择正确串口及串口波特率，通过电气控制板自带的软件即可与电气控制板进行通信，用户点击软件中对应的串口，即可控制某一路继电器开关，从而控制相应氧化槽的开闭。

图5所示是本发明一个实施例的神经网络控制与人工控制曲线对比图，横坐标是加工采样的次数，纵坐标是膜厚值，系列1是膜厚的期望值，系列2是人工控制氧化时间得到的膜厚值，系列3按照神经网络输出的氧化时间得到的膜厚值，从图中可以看出，系列1曲线和系列3曲线吻合度很高，这说明神经网络方法计算得到的氧化时间与期望膜厚所需要的氧化时间大致相同，正确体现了该氧化槽的氧化效率；相比较系列2人工控制曲线，许多采样明显可以看出过度氧化和氧化不足的情况，过度氧化导致了能源的浪费，而氧化不足导致返工。

上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于神经网络的铝型材表面氧化自动控制系统，包含氧化槽，其特征在于：还包含数据采集模块、数据计算模块、数据训练模块、电气控制模块、数据服务器和神经网络；

其中，所述氧化槽通过电气控制模块控制，对每个氧化槽构建一个神经网络模型；

其中，所述数据采集模块读取影响氧化过程时间的历史生产参数，将读取到的历史生产参数存储于数据服务器；

其中，所述数据计算模块根据采集的实际生产参数，利用神经网络的向前传播功能计算出所需的氧化时间；

其中，所述数据训练模块通过历史生产参数利用神经网络反向学习功能拟合氧化槽的表面氧化过程；

氧化时间到达时，通过电气控制模块停止氧化槽生产；

所述数据采集模块包含串口服务器、A/D转换器、智能电表、在线pH值采集器、热电偶、测厚仪；

所述智能电表、在线pH值采集器、热电偶、测厚仪与A/D转换器相连，将采集的模拟信号经A/D转换器转换为数字信号；

所述A/D转换器与串口服务器通过RS485总线相连，将数字信号传输至串口服务器；

所述串口服务器与数据服务器通过RJ45网络线路相连，串口服务器将数据通过互联网存储在数据服务器中；

根据采集的实际生产参数，利用神经网络的向前传播功能计算出所需的氧化时间，还包括：

对神经网络模型进行初始化，并依次获取当前生产参数作为向前传播功能输入层的输入；

根据输入层的输入计算隐含层的输出；

根据隐含层的输出计算输出层的输出，得到所需的氧化时间；

所述数据训练模块通过历史生产参数利用神经网络反向学习功能拟合氧化槽的表面氧化过程，还包括：

根据神经网络向前传播计算的结果与历史数据的输出结果进行比较，得到误差函数；

采用梯度下降法，迭代求解使得误差函数最小；

比较当前计算结果的误差，如果误差达到要求的精度，则停止迭代，否则返回继续计算；

氧化时间到达时，通过电气控制模块停止氧化槽生产，还包括：

将电气控制板通过串口RS485总线与计算机连接，在计算机中选择正确串口及串口波特率，通过电气控制板自带的软件即可与电气控制板进行通信；

用户点击软件中对应的串口，即可控制某一路继电器开关，从而控制相应氧化槽的开闭。