D0I:10.13374/j.iss1001-053x.2001.01.040 第23卷第1期 北京科技大学学报 Vol.23 No.1 2001年2月 Journal of University of Science and Technology Beijing Feb.2001 宝钢F钢大生产产品性能预测 初元璋祁鹏张娅 北京科技大学材料科学与工程学院，北京100083 摘要以BP算法为基础开发了AN学习预测系统，用于宝钢F钢大生产产品性能预测. 同时，应用在宝钢F钢大生产数据对该系统进行了测试和分析，并与多元线性回归结果进行预 测精度比较.结果表明，ANN学习预测系统，除：误差较高(9.0%)外，，6，r和n值均<5.0%，且 比多线性回归方法精度高. 关键词BP算法；IF钢；性能预测 分类号TG335.5 自1995年宝钢F钢投入大生产以来，已达 冶金学研究和对F钢大生产数据分析的深人， 到年产10万t的水平.但是在F钢生产中还 以及F钢系列新品种的不断开发，对影响F钢 存在着一定问题，主要表现是产品的质量不稳 性能的因素和所关心的F钢的性能认识会有 定.由于F钢的生产过程中影响F钢最终产品 所变化四，这将会导致BP网络的输入、输出节点 性能的因素较多，而且各影响因素对性能的影 的个数和各个节点所代表的物理意义的变化. 响和各因素之间的相关作用复杂，目前还没有 因此，在设计BP网络的拓扑结构和数据结构 得到可靠的数学模型，无法在生产过程中准确 时，应使各层的节点数可以随所处理数据的组 地预测产品性能和产品可能会出现的性能问 成的变化而变化. 题，进而在后序生产过程中应采取相应的补救 F钢大生产过程中采集的数据量大，且不 措施. 断有新数据加入.因此，在设计BP网络时，应使 本文研究开发了预测精度较高的ANN系 其具有随时添加可学习样本的能力.此外，为了 统，采用较为合理的方法对这些数据进行处理， 尽可能地减小BP算法学习和预测的误差，在网 实现F钢大生产产品性能的预测，用于生产和 络的数据结构和拓扑结构设计中除了要便于误 产品质量的控制 差的计算和权值的修正外，还要设法使样本数 据的归一、样本随机排序简单易行. 1BP网络的设计与实现 为了实现上述目的，在实现BP网络时，采 BP网络作为最常用的一种人工神经元网 用了以下的处理方法： 络算法，具有很强的函数逼近能力和自学习、自 (1)所有样本数据和网络节点均采用链表 组织能力，可以在没有数学模型的条件下，根据 结构.例如，输人层每个节点就是输入层链表的 可靠的数据建立起自变量与因变量间的映射关 一个节点，其数据结构如图1所示. 系，因而比较适合于F钢大生产产品性能的预 这样，每个节点中记录了可以找到下一个 测.同时，BP网络是人工神经网络中应用最为 节点的信息，如果在程序中记下了输人层的第 成熟和广泛的一种算法，应用该算法解决F 一个节点，就可以按顺序找到每一个输人层节 钢大生产产品性能预测的问题是可行的. 点.同样，输入数据、输出数据、隐层节点、输出 F钢大生产中，影响最终产品性能的因素 层节点均采用类似的数据结构.这样既可以方 (包括：化学成分、各个工序工艺参数、产品规格 便、可靠地找到每一个数据，又可以方便地保证 等)很多，且关系复杂，随着对F钢生产过程的 各项数据信息的正确传递.图2所示就是从输 人数据到隐层节点的数据对应关系.从图中可 收稿日期：200007-04初元璋男，54岁，副教授 以着出，尽管各层和数据层面之间的对应关系 *国家“九五”攻关资助项目No.95-527-01-01-09)1 3 2 第 卷 第 期 1 2 2 年 月 0 0 北 京 科 技 大 学 学 报 J O u r n a l U o f n i v e r i t s y o f S e i c e e n n a 介 d e h o n l o g y B e i j i g n b 、 l . N 3 2 O 一 l F e b 。 1 2 0 0 I 宝钢 钢大生产产品性能预测 F 初元璋 祁 鹏 张 娅 北京科技大学材料科学与工程学 院 , 北京 10 0 0 83 摘 要 以 B P 算法 为基础开发 了 A N N 学习预 测 系统 , 用于 宝钢 IF 钢大生产 产 品性能 预测 ` 同时 , 应 用在宝 钢 IF 钢大生产 数据对该系统进行了测试和 分析 ,并与 多元线性回归结果进行预 测精度 比较 . 结果表 明 , A N N 学 习预 测 系统 ,除 a0 2 误差较高.(9 O% )外 , 巩 , 咨 , 尸 和 n 值均 5< .0 % , 且 比多 线性 回归 方法精度 高 . 关键 词 B P 算法 ; IF 钢 ; 性能 预测 分类号 T G 33 5 . 5 自 19 5 年宝钢 IF 钢投人大生 产 以来 , 已达 到年产 10 万 t 的水平 . 但 是在 IF 钢 生产 中还 存在着一 定问题 , 主要表 现是产 品的质 量不稳 定 . 由于 IF 钢的生产过 程 中影 响 IF 钢 最终产 品 性能 的因素较多 , 而且各影 响 因素对 性能 的影 响和各 因 素之间 的相 关作用复 杂 , 目前 还没有 得到可靠 的数学模 型 , 无法 在生产过程 中准确 地 预测 产 品 性 能 和 产 品 可 能会 出现 的性 能 问 题 , 进而在后序 生产过程 中应采取相应 的补救 措施 . 本文研究 开发 了预 测精度较 高的 A N N 系 统 , 采用较为合理 的方法对这些数据进行处理 , 实现 IF 钢大生 产产 品性 能的预 测 , 用 于生产和 产 品质量 的控制 . 1 B P 网络的设计与实现 B P 网络 作为最 常用 的一种人 工神经 元 网 络算法 , 具有很强 的函数逼近能力 和 自学 习 、 自 组织能力 , 可 以在没有数学模型 的条件下 , 根据 可靠的数据建 立起 自变量与 因变量间的映射关 系 , 因而 比较适 合于 IF 钢大生 产产 品性 能 的预 测 . 同时 , B P 网络 是人工神 经网 络 中应用 最为 成熟和 广泛 的 一种算法 〔3] , 应 用该算 法解决 IF 钢大生产产 品 性能预测 的问题是 可行 的 . IF 钢大生产 中 , 影 响最终产 品 性能 的 因素 (包 括 : 化学成 分 、 各个 工序工艺参数 、 产品 规格 等)很多 , 且关 系复杂 . 随着 对 lF 钢生产过 程的 收稿 日期 : 2 0 0刁 7刃4 初元璋 男 , 54 岁 , 副教授 * 国家 “ 九五 ” 攻关 资助 项 目(N 。 . 95 · 5 27 一 01 一 01 一 09 ) 冶金学研究和 对 IF 钢 大生产数据 分析 的深人 , 以及 IF 钢 系列新 品种 的不断 开发 , 对影响 IF 钢 性能 的因 素和所关 心 的 IF 钢 的性能认 识会有 所变化 l2] , 这将会导致 B P 网络 的输入 、 输 出节点 的个 数和各个 节点所 代表 的物理 意义 的变化 . 因此 , 在设计 B P 网络 的拓扑结构 和 数据结构 时 , 应 使各层 的节点数 可以 随所处理数据 的组 成 的变 化而变化 . IF 钢大 生产过程 中采集 的数 据量大 , 且不 断有新数据加人 . 因此 , 在设计 B P 网络时 , 应使 其具有随时添加可学 习样本的能力 . 此外 , 为了 尽可能地减小 B P 算法学习 和预测 的误差 , 在 网 络的数据结构和 拓扑结构设计 中除了要便于误 差 的计算 和权值 的修正外 , 还要设法 使样本数 据的归一 、 样 本随机排 序简单易行 , 为 了实 现上述 目的 , 在 实现 B P 网 络时 , 采 用 了 以下 的处理方法 : ( 1) 所有样 本数据 和 网 络节点均 采用链 表 结 构 . 例 如 , 输人层每个节点就是输人层链表的 一 个节点 , 其 数据结构 如图 1 所 示 . 这样 , 每个 节点 中记 录了 可 以找 到下一个 节点 的信 息 . 如果在程序 中记 下 了输人层 的第 一 个节点 , 就 可 以 按顺序找 到每一个输人层节 点 . 同样 , 输人 数据 、 输 出数 据 、 隐层节点 、 输 出 层 节点均采用 类似 的数 据结构 . 这样既可 以方 便 、 可靠地找到每一个数据 , 又 可 以方便地保证 各项 数据信息的正确传 递 . 图 2 所示就是从输 人数 据到 隐层 节点 的数 据对应关 系 . 从 图中可 以着出 , 尽 管各层和数 据层面之 间的对应关 系 DOI: 10. 13374 /j . issn1001 -053x. 2001. 01. 040