Vol.22 No.4 周晓敏等：基于BP神经网络的CVC冷连轧机板形预测控制模型 ·375· 网络的指标函数为： 控手段及热磨损凸度的各种因素；网络的输出 E=0226e-0 (1) 为板形的二次、四次和六次项，输出的节点数为 式中，p一训练用标准样本数；一网络的实际 3;隐含层取18个节点，这样确定BP网络结构 输出；O.一网络的期望输出 为18-18-3，如图1所示. 采用梯度下降法使式(1)最小，即采用6广 该BP网络将H(入口厚)，H,(出口厚)，eps 义规则算法，权值修正式为： (相对压下)，w(带宽)，F.(轧制力)，Fb(工作辊 E 弯辊)，Fb(中间辊弯辊)，Srn(工作辊抽辊)，Sr △形+1)=”apa:△W,(m） (2) (中间辊抽辊)，TCW(工作辊热凸度)，WCW(工 其中，△W.(+1)一该次的权值修正量；△W.(n一 作辊磨损凸度)，TCI(中间辊热凸度)，WCI(中间 上一次的权值修正量；a一惯性因子，取值(0,1) 辊磨损凸度)，TCB(支持辊热凸度)，WCB(支持 之间；”一学习因子，取值(0,1)之间. 辊磨损凸度)，DL2(入口板形的2次项部分)，DL 本文采用上述算法，用来建立神经网络板形 (入口板形的4次项部分)，DL6(入口板形的6次 预测模型 项部分)作为输入；将OUTz(出口板形的2次项 部分)，OUT4(出口板形的四次项部分)，OUT(出 2BP网络原理板形预测模型的建立 口板形的6次项部分)作为输出.采用VB5.0编 本文采用BP网络的3层模型，输入层单元 写计算程序，训练数据通过调用数据文件获取， 数由输入的板形影响因素个数确定，本文确定 训练结束建立的网络预测模型作为文件存储起 输入层节点数为18个，包括了影响板形的各调 来，此后可以调用该文件对未训练过的样本进 H H % F Fb。 OUT, TCw OUT OUT TCI wCI TCB 0 WCB C16 图1BP网络板形预测模型拓扑结构 Fig.1 The flatness predictive control model based on BP neural network 行预测. 的输入样本，在给定精度条件下对BP网终模型 进行训练，将训练所得的网络权值和各神经单 3 BP网络模型的板形预测结果 元的阈值存入权值文件，用检验样本集对网络 利用轧制过程中采集的记录数据分别构成 进行检验. 教师训练样本集和网络检验样本集，并将实测 用经过训练后的神经网络板形预测模型， 数据转换为(0,1.0)范围内的变量作为神经网络 对检验样本集进行预测和验证.随机抽取一组 已训练过的样本和一组未经训练过的样本输入、 b l . 2 2 N 0 . 4 周 晓敏等 : 基于 B P 神经 网络 的 C V C 冷连 轧机板 形预测控 制模型 . 37 5 . 网络 的指标函 数为 : “ 一 专菩干#(t 一 助 ’ ( l ) 式中 , 夕一一 训 练用标准样本数 ; 协一网 络的实际 输 出 ; 味一网络 的期 望 输 出 . 采用梯度 下 降法使式 ( l) 最小 , 即采 用 占广 义规则 算法 , 权值 修正 式为 : △: r `, ,卜 。 · 舞 二 △: ￡ ( · ) ( , ) 其 中 , △砚浅附 1卜一 该次的权值 修正 量 ;△不 , (n 卜 上一次 的权值修正 量;a 一惯性 因子 , 取 值 (0 , l) 之 间; 叮一学习 因 子 , 取值 (0 , 1) 之 间 . 本文 采用 上述算法 , 用来建立 神经 网络板形 预测 模型 . 2 B P 网络原理板形预测模型的建立 本文采用 B P 网络 的 3 层 模型 . 输入层 单元 数 由输入 的板形 影 响 因素 个数确定 , 本 文确 定 输入层节点数为 18 个 , 包 括了 影 响板 形 的 各调 控手段及热磨损 凸度 的各种 因素 ; 网络 的输 出 为 板形的 二 次 、 四次和 六 次项 , 输 出 的节 点数为 ;3 隐含层取 18 个节点 . 这样确定 B P 网络结构 为 18 一 1 8 一 3 , 如 图 1 所 示 . 该 B P 网络将0H ( 入 口 厚 ) , 私 ( 出 口 厚 ) , eP s ( 相对压 下 ) , w ( 带宽 ) , rF ( 轧制力 ) , Fbwr ( 工作辊 弯辊 ) , Fb * ( 中间辊弯辊 ) , Swr ( 工 作辊 抽辊 ) , rS * ( 中 间辊抽 辊 ) , T C W ( 工 作辊热 凸 度 ) , W C W ( 工 作辊磨损 凸度 ) , T CI ( 中间辊热 凸度 ) , W CI ( 中间 辊磨 损 凸度 ) , T C B ( 支 持辊热 凸度 ) , W C B ( 支持 辊 磨损 凸度 ) , D 1 2 ( 入 口 板形 的 2 次项 部分 ) , D 七 ( 入 口 板形 的 4 次 项 部 分 ) , D 以 入 口 板形 的 6 次 项部分 ) 作为输入 ; 将 O U T Z ( 出 口 板 形的 2 次项 部分 ) , O U T 4 ( 出 口 板形 的四次项部 分 ) , O U 毛 ( 出 口 板形 的 6 次项部分 ) 作为输 出 . 采用 V B S .0 编 写计算程序 . 训 练数据通过 调用数据文件获取 , 训 练结 束建立的网络预测模型 作为文 件存储起 来 , 此后 可 以调 用 该文 件对未 训练 过的样本进 0 UU TT 0H 私 eP S W rF F b 叭 bF 二 S瑞 S几 T C W W CW T C I WC I T C B WC B D 1 2 D I ` C I ` 图 1 B P 网络板形预测模型拓扑结构 F褚 . 1 T h e fla tn es s P r ed i e ivt e e o n t r o l m od e l b a s ed o n B P n e u r a l n ewt o r k 行预 测 . 3 B P 网络模型的板形预测结果 利用轧制过程 中采集 的记录数据分别构成 教师训 练样本集和 网络检验样 本集 , 并 将实测 数据转换 为 (0 , 1 . 0) 范 围 内的变量作为神经 网络 的输入样本 , 在给定精度条件下 对 B P 网 络模 型 进行训 练 , 将训 练所得 的网络权值和 各神经 单 元 的闽值存入权值文件 , 用 检验样本集对 网络 进行检验 . 用经 过训 练后 的神经 网 络板形 预 测 模型 , 对检验样本集进行预测 和 验证 . 随机抽取一 组 己训练过的样本和 一组 未经 训练过 的样本输入