CN110814050B

CN110814050B - 一种基于bp神经网络的轧机模型控制方法

Info

Publication number: CN110814050B
Application number: CN201911018054.XA
Authority: CN
Inventors: 李明宇; 李晓刚; 王映红; 胡运杰; 唐凤敏; 刘建华; 张科科; 么坤; 孙晓光
Original assignee: Tangshan Iron and Steel Group Co Ltd; HBIS Co Ltd Tangshan Branch
Current assignee: Tangshan Iron and Steel Group Co Ltd; HBIS Co Ltd Tangshan Branch
Priority date: 2019-10-24
Filing date: 2019-10-24
Publication date: 2021-07-09
Anticipated expiration: 2039-10-24
Also published as: CN110814050A

Abstract

本发明涉及一种基于BP神经网络的轧机模型控制方法，属于冶金自动化技术领域。技术方案是：设计神经网络层结构；神经网络的轧机模型输出层和输入层网络节点的确定；设定网络初始权值和神经网络学习率，初始权值选择较小的随机数,学习率选取0.01；神经网络的轧机模型的在线自适应控制和离线自适应控制，得到轧制力输出值，存入数据库。本发明有益效果：采用在线和离线相互结合的方式对轧机产线的轧机轧制力进行自适应调节，实现了对轧机轧制力的自动控制，有效提高了钢卷产品质量。

Description

一种基于BP神经网络的轧机模型控制方法

技术领域

本发明涉及一种基于BP神经网络的轧机模型控制方法，属于冶金自动化技术领域。

背景技术

冷轧钢卷是在热轧板卷的基础上加工轧制出来的，一般来讲是热轧、酸洗、冷轧这样的加工过程，冷轧板带用途很广，如汽车制造、电气产品、机车车辆、航空、精密仪表、食品罐头等。冷轧薄钢板是普通碳素结构钢冷轧板的简称，也称冷轧板。冷板是由普通碳素结构钢热轧钢带，经过进一步冷轧制成厚度小于4mm的钢板。由于在常温下轧制，不产生氧化铁皮，冷板表面质量好，尺寸精度高，再加之退火处理，其机械性能和工艺性能都优于热轧薄钢板，在许多领域里，特别是家电制造领域，已逐渐用它取代热轧薄钢板。冷轧的轧机工艺系统对冷轧板产品的精度板形和性能有着重要的影响，轧制力的计算直接影响着钢卷的质量和性能。已有技术轧制力计算采用人工计算张力的方法，人工计算的张力误差比较大，时间成本和人工成本比较高。

发明内容

本发明目的是提供一种基于BP神经网络的轧机模型控制方法，建立了基于BP神经网络的轧机模型，确定了神经网络的网络结构、输入层节点、输出层节点和网络权值的组成；采用在线和离线相互结合的方式对轧机产线的轧机轧制力进行自适应调节，实现了对轧机轧制力的自动控制，有效提高了钢卷产品质量，解决现有技术中存在的上述技术问题。

本发明技术方案是：

一种基于BP神经网络的轧机模型控制方法，包括如下步骤：

步骤a、设计神经网络层结构，采用包含输入层、隐含层和输出层的三层网络结构；

步骤b、神经网络的轧机模型输出层和输入层网络节点的确定，选取轧辊的直径、钢卷的入口厚度、钢卷的出口厚度、钢卷的宽度、张力系数和摩擦系数样本，作为神经网络的轧机模型输入层节点，选择轧制力作为输出层节点；

步骤c、设定网络初始权值和神经网络学习率，初始权值选择较小的随机数,学习率选取0.01；

步骤d、神经网络的轧机模型的在线自适应控制和离线自适应控制，得到轧制力输出值，存入数据库；

步骤e、将数据库中轧制力传输给现场轧机产线进行生产应用。

本发明在轧机过程控制系统中采用C#语言进行开发，把BP神经网络自适应控制和轧机模型相互结合。

所述步骤a中，采用神经网络输入层、隐含层和输出层的三层BP网络结构，三层BP神经网络可以以任意精度逼近任何连续函数，对轧机模型具有非常好的模拟效果。

所述步骤b中，根据现场实际情况，选取了对轧机模型有影响的轧辊的直径、钢卷的入口厚度、钢卷的出口厚度、钢卷的宽度、张力系数、摩擦系数作为神经网络的输入节点，选取轧制力作为输出节点。

所述步骤c中，根据梯度下降法原理，选取初始权值选择较小的随机数,学习率选取0.01，此设定能保证系统误差收敛速度和网络训练速度达到控制需求。

所述步骤d中，采用在线和离线相互结合的方式，离线控制对系统起精确调节作用，当系统在线运行时，如果发现系统输出结果出现较大偏差，系统将对权值进行在线调整，让系统输出在短期内调整到误差范围内，在线和离线相互结合的方式实现了对轧机轧制力进行自适应控制调节。

本发明特点是： 1、降低了现场人工计算轧制力值时产生计算误差，提高了成品钢卷质量。2、减少了现场人工计算轧制力值产生的人工成本。3、实现了在线和离线相互结合的方式对轧机产线的轧机轧制力进行自适应调节，得到了轧机生产的轧制力最优值。4、通用性强，其他轧机产线可以直接移植。

现场操作人员可通过本发明不需要人工计算直接得到轧机产线生产需要的轧制力值信息，本发明得到轧制力值计算结果快速而且准确，保证了成品钢卷质量。

本发明有益效果：建立了基于BP神经网络的轧机模型，确定了神经网络的网络结构、输入层节点、输出层节点和网络权值的组成；采用在线和离线相互结合的方式对轧机产线的轧机轧制力进行自适应调节，实现了对轧机轧制力的自动控制，有效提高了钢卷产品质量。

附图说明

图1是本发明实施例的神经网络模型结构图；

图2是本发明实施例网络误差控制示意图；

图3是本发明实施例的控制流程示意图；

图4是本发明实施例的成果展示图。

具体实施方式

以下结合附图，通过实施例对本发明做进一步说明。

一种基于BP神经网络的轧机模型控制方法，包括如下步骤：

实施例中，采用BP神经网络建立轧机模型计算轧制力，参见图1-图4，在轧机过程控制系统中应用C#程序进行开发实现，包括如下步骤：

步骤a、建立神经网络层结构，包含输入层、隐含层和输出层的三层网络结构；主要代码如下：

%BP based Control

clear all;

close all;

xite=0.20;

S=2; %Signal type

IN=6;H=4;Out=1; %NN Structure

wo_1=wo;wo_2=wo;wo_3=wo;

end

x=[0,0,0];

du_1=0;

u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;

y_1=0;y_2=0;y_3=0;

步骤b、根据轧机现场生产时的轧制力影响因素确定神经网络的轧机模型输出层和输入层网络节点，选取轧辊的直径、钢卷的入口厚度、钢卷的出口厚度、钢卷的宽度、张力系数和摩擦系数等样本作为神经网络的轧机模型输入层节点，选择轧制力作为输出层节点；主要代码如下：

Oh=zeros(H,1); %Output from NN middle layer

I=Oh; %Input to NN middle layer

error_2=0;

error_1=0;

ts=0.001;

for k=1:1:6000

time(k)=k*ts;

if S==1

rin(k)=1.0;

elseif S==2

rin(k)=sin(1*2*pi*k*ts);

end

%Unlinear model

a(k)=1.2*(1-0.8*exp(-0.1*k));

yout(k)=a(k)*y_1/(1+y_1^2)+u_1;

error(k)=rin(k)-yout(k);

xi=[rin(k),yout(k),error(k),1];

x(1)=error(k)-error_1;

x(2)=error(k);

x(3)=error(k)-2*error_1+error_2;

epid=[x(1);x(2);x(3)];

I=xi*wi';

for j=1:1:H

Oh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle Layer

end

K=wo*Oh; %Output Layer

for l=1:1:Out

K(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kd

end

kp(k)=K(1);ki(k)=K(2);kd(k)=K(3);

ka(k)=K(4);ks(k)=K(5);ke(k)=K(6);

K=[kp(k),ki(k),kd(k)];

du(k)=K*epid;

u(k)=u_1+du(k);

dyu(k)=sign((yout(k)-y_1)/(du(k)-du_1+0.0001));

步骤c设定网络初始权值和神经网络学习率，初始权值选择较小的随机数,学习率选取0.01，此设定能保证系统误差收敛速度和网络训练速度达到控制要求；主要代码如下：

alfa=0.01;

if S==1 %Step Signal

wi=[-0.6394 -0.2696 -0.3756 -0.7023;

-0.8603 -0.2013 -0.5024 -0.2596;

-1.0749 0.5543 -1.6820 -0.5437;

-0.3625 -0.0724 -0.6463 -0.2859;

0.1425 0.0279 -0.5406 -0.7660];

%wi=0.50*rands(H,IN);

wi_1=wi;wi_2=wi;wi_3=wi;

wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325;

-0.1146 0.2949 0.8352 0.2205 0.4508;

0.7201 0.4566 0.7672 0.4962 0.3632];

%wo=0.50*rands(Out,H);

wo_1=wo;wo_2=wo;wo_3=wo;

end

if S==2 %Sine Signal

wi=[-0.2846 0.2193 -0.5097 -1.0668;

-0.7484 -0.1210 -0.4708 0.0988;

-0.7176 0.8297 -1.6000 0.2049;

-0.0858 0.1925 -0.6346 0.0347;

0.4358 0.2369 -0.4564 -0.1324];

%wi=0.50*rands(H,IN);

wi_1=wi;wi_2=wi;wi_3=wi;

wo=[1.0438 0.5478 0.8682 0.1446 0.1537;

0.1716 0.5811 1.1214 0.5067 0.7370;

1.0063 0.7428 1.0534 0.7824 0.6494];

%wo=0.50*rands(Out,H);

wo_1=wo;wo_2=wo;wo_3=wo;

end

步骤d、采用在线和离线相互结合的方式，得到轧制力输出值，存入数据库。

离线控制对系统起精确调节作用，当系统在线运行时，如果发现系统输出结果出现较大偏差，系统将对权值进行在线调整，让系统在短期内恢复到误差范围内，在线和离线相互结合的方式实现了对轧机轧制力进行自适应控制调节；主要代码如下：

for j=1:1:Out

dK(j)=2/(exp(K(j))+exp(-K(j)))^2;

end

for l=1:1:Out

delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);

end

for l=1:1:Out

for i=1:1:H

d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);

end

wo=wo_1+d_wo+alfa*(wo_1-wo_2);

%Hidden layer

for i=1:1:H

dO(i)=4/(exp(I(i))+exp(-I(i)))^2;

end

segma=delta3*wo;

for i=1:1:H

delta2(i)=dO(i)*segma(i);

end

d_wi=xite*delta2'*xi;

wi=wi_1+d_wi+alfa*(wi_1-wi_2);

%Parameters Update

du_1=du(k);

u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);

y_2=y_1;y_1=yout(k);

wo_3=wo_2;

wo_2=wo_1;

wo_1=wo;

wi_3=wi_2;

wi_2=wi_1;

wi_1=wi;

error_2=error_1;

error_1=error(k);

end

figure(1);

plot(time,rin,'r',time,yout,'b');

xlabel('time(s)');ylabel('rin,yout');

figure(2);

plot(time,error,'r');

xlabel('time(s)');ylabel('error');

figure(3);

plot(time,u,'r');

xlabel('time(s)');ylabel('u');

figure(4);

subplot(311);

plot(time,kp,'r');

xlabel('time(s)');ylabel(' yout ');

本发明包含轧机产线神经网络模型结构的设计、轧机产线神经网络模型样本的选取方法、轧机产线神经网络模型的网络初始权值、轧机产线神经网络模型的学习率和轧机产线神经网络模型的自适应学习方法。在轧机产线生产时，系统将自动分别对轧机产线进行长期自适应学习和短期自适应学习。当轧机系统输出值误差超出设定值时，系统将自动进行短期在线调整，对系统进行范围性粗调，根据现场在线数据对神经网络权值进行调整。在生产结束后，系统将采取样本信息输入值进行离线学习，对系统进行精确调整，以缩小输出值的误差范围。本发明基于BP神经网络的自适应学习方法，实现了对轧机轧制力的自动控制，对轧机产线的自动化生产具有重要意义。

Claims

1.一种基于BP神经网络的轧机模型控制方法，其特征在于包括如下步骤：

步骤e、将数据库中轧制力传输给现场轧机产线进行生产应用；

2.根据权利要求1所述的一种基于BP神经网络的轧机模型控制方法，其特征在于：所述步骤a中，采用神经网络输入层、隐含层和输出层的三层BP网络结构，三层BP神经网络可以以任意精度逼近任何连续函数。