D0I:10.13374/j.issn1001053x.2000.04.055 第22卷第4期 北京科技大学学报 Vol.22 No.4 2000年8月 Journal of University of Science and Technolcgy Beijing Ag,2000 基于BP神经网络的CVC冷连轧机 板形预测控制模型 周晓敏 张清东)王长松)陈守群)何汝迎) 许健勇) 1)北京科技大学机械工程学院，北京，1000832)宝山翻铁集团公司冷轧部，上海 摘要将BP神经网络建模方法与预测控制思想相结合用于宽带钢板形自动控制，研究并 建立了基于BP神经网络的板形预测控制数学模型.经用宝钢1420mm冷轧实测数据仿真验证 表明该模型具有很高的预测精度. 关键词神经网络：板形自动控制：预测控制系统 分类号TG335.12 板形控制是现代板带轧制中的关键问题， CVC冷连轧机，研究建立了基于神经网络的板 板形研究的目的在于解决板形质量问题，而解 形预测控制摸型. 决该问题的方向是实现完善的板形自动控制. 本文提出的BP神经网络考虑了多种影响 轧制过程涉及大量非线性因素，而且轧制过程 板形的因素，如板宽、热凸度及磨损凸度等.同 中的某些条件还具有时变特性，板形受诸如弯 时，BP网络可以离线进行训练，也可在线训练， 辊力、CVC、轧制力、来料条件，以及轧辊的初始 将二者结合起来，收敛速度会大大加快，完全可 辊形、磨损辊形和热辊形等因素的复杂影响.因 以满足工业现场的实时性要求， 此，板形控制数学模型的建立具有相当难度，也 是板形控制研究中的难点， 1BP网络 CVC技术是西马克(SMS)公司于1982年 BP网络同于多层感知机网络，由于网络的 提出的一种控制板形的新方法.CVC轧机将轧 学习采用误差反向传播算法(Back-Propagation 辊（工作辊或中间辊）磨成S形曲线，上辊和下 Algorithm),因此又称BP算法.标准的BP模型 辊的磨削形状相同，上下轧辊互相错位180°布 中有3个层次的神经元，即输入层、隐含层和输 置，形成一个对称的辊缝轮廓.CVC轧机的上 出层.相邻两层的神经元之间形成全互连接，每 下轧辊可沿轴向移动，其移动方向相反，通过横 层内的神经元则没有连接， 移轧辊，使轧辊的凸度在最大和最小值之间连 BP网络采用的是有监督的6学习规则，其 续（无级）可调.CVC轧机可以采用工作辊弯辊、 基本思想是：两神经元间的连接强度的变化量 中间辊弯辊、工作辊抽辊、中间辊抽辊等多种板 与教师信号d,(k)和网络实际o,输出信号之差 形控制手段，具有极强的板形控制能力. 成正比，与其输入单元的激励成正比.BP网络 但对于CVC轧机，建立板形控制数学模型， 的学习算法是有导师的误差反向传播学习算 仍存在着很多困难，这是因为各轧制因素有较 法，BP算法的学习过程由正向传播和反向传播 强的非线性、时变及相互耦合性特点，使得按传 组成.在正向传播过程中，输入信息由输入层经 统理论建立起来的数学模型难以达到理想的控 隐含层逐层传递，并传向输出层，这时如果在输 制效果；同时建立的数学模型结构也极其复杂， 出层的网络输出与所期望的输出相差较大，则 无法满足现场实时控制的要求，因此本文针对 转入反向传播，根据误差信号从输出层开始，反 向逐层逐个节点计算各连接权值的修正量，以 2000-01-03收稿周晓敏女，24岁，硕士 修改各层神经元的权值，使误差信号最小.训练 *国家A级课题“宝钢1420冷连轧机引进技术消化与研究”第 2 2 卷 第 4 期 2以 N, 年 8 月 北 京 科 技 大 学 学 报 J o u rn a l o f U n iv e sr iyt o f s e i e n e e a n d l’e c h n o l o gy B e ij in g V b l . 2 2 N o . 4 A u g . 2 0侧】 基于 B P 神经 网络的 C V C 冷连轧机 板形预测控制模型 周 晓敏 ` , 张清东 ` , 王 长松 ` , 陈守群 ” 何汝迎 2 , 1)北京科技大学机械工 程学院 , 北京 , 10 0 83 2) 宝 山钢铁集 团公司 冷轧部 ,上海 许健勇 ” 摘 要 将 B P 神 经 网 络建模 方法 与预测 控制思 想相结 合用 于宽带钢 板形 自动控制 , 研究 并 建立 了基 于 B P 神经 网络 的板形 预测控 制数学模 型 . 经 用宝钢 14 20 m m 冷 轧实测 数据 仿真验 证 表 明该模 型具 有很高 的预测 精度 . 关键 词 神经 网 络 ; 板形 自动控 制 ; 预 测控制 系统 分 类号 T G 3 3 5 . 1 2 板形 控制是 现代板 带轧 制 中的关键 问题 . 板形研究 的 目的在 于 解决板形 质量 问题 , 而 解 决 该 问题 的方 向是 实现 完善 的板形 自动控制 . 轧 制 过程 涉及 大量非 线性 因素 , 而 且 轧制过程 中的某些 条件还具 有时变特性 , 板形 受诸 如弯 辊力 、 C V C 、 轧制力 、 来料条件 , 以及 轧辊 的初始 辊形 、 磨损辊形 和热辊形等因 素的复杂影响 . 因 此 , 板形 控制数学模型 的 建立具有 相 当难度 , 也 是 板形 控制研究 中的难 点 . C V C 技术是 西 马克 ( SM S ) 公 司 于 1 9 8 2 年 提 出 的一 种控制板 形 的 新方 法 . C V C 轧 机将轧 辊 ( 工 作辊 或 中间 辊 ) 磨成 S 形 曲线 , 上 辊和 下 辊 的 磨削 形 状相 同 , 上下 轧 辊 互 相 错 位 1 8 0 布 置 , 形 成 一 个对称 的辊缝轮廓 . C V C 轧机 的上 下 轧辊可沿 轴 向移动 , 其移动方 向相 反 , 通过横 移轧辊 , 使轧辊的 凸 度在最 大和 最 小值之 间连 续 (无级 ) 可调 . C V C 轧机可 以采用 工 作辊弯辊 、 中 间辊弯 辊 、 工 作辊抽 辊 、 中间 辊抽 辊等多种板 形 控制手 段 , 具有 极 强 的 板形 控制 能 力 . 但对于 C V C 轧机 , 建立板形控制数学模 型 , 仍存 在着 很 多 困难 , 这 是 因 为各轧制因 素有较 强 的 非线性 、 时变及相 互祸 合性特 点 , 使得按传 统理论建立起来的数学模 型难 以达到理想 的控 制效果 ; 同 时 建立 的数学模型 结构 也 极其复 杂 , 无法满足现场 实时控制 的要求 . 因此本文针对 C V C 冷连轧机 , 研究建立 了基于 神经 网络 的板 形预测 控制 模型 . 本文提 出 的 B P 神经 网络考虑 了 多种 影 响 板形 的 因 素 , 如 板宽 、 热 凸度及磨损 凸度 等 . 同 时 , B P 网络可 以离 线进行训 练 , 也 可 在线训 练 , 将二者 结 合起来 , 收敛速度会大大加快 , 完全可 以满足工 业现场 的实时性要求 . 2 1洲洲卜01 一 0 3 收稿 周 晓敏 女 , 24 岁 , 硕 士 * 国家 A 级课题 “ 宝钢 14 20 冷连 轧机 引进 技术消 化与研究 ” 1 B P 网络 B P 网络同 于 多层 感知 机 网络 , 由于 网络的 学 习采用误差 反 向传播算法 ( B ac -k p r o p a g iat on A l g o ir th n 飞 ) , 因此又称 B P 算法 . 标准 的 B P 模型 中有 3 个层 次的神经元 , 即输入层 、 隐含层 和 输 出层 . 相邻两 层的神经元之间形成全互 连接 , 每 层 内的神经元 则没有连接 . B P 网络采用 的是有 监督的 占学习 规则 , 其 基 本思想 是 : 两 神经 元 间 的连接强 度 的变化 量 与教师信号 试( k) 和 网 络 实 际 口 , 输 出 信号 之差 成正 比 , 与 其输入单元 的激励成 正 比 . B P 网络 的学 习 算法 是 有 导师 的 误差 反 向传播 学 习算 法 , B P 算法 的学 习 过程 由正 向传播和 反 向传播 组成 . 在正 向传播过程中 , 输入信息 由输入 层经 隐含层 逐层 传递 , 并传 向输 出层 . 这时如果在输 出层 的网络输 出与所期 望 的输 出相 差 较大 , 则 转入反向传播 , 根据误 差 信号从输 出层开始 , 反 向逐层 逐个节点 计算各 连接权值 的修正 量 , 以 修改各层神经 元的权值 , 使误 差信号最 小 . 训练 DOI: 10. 13374 /j . issn1001 -053x. 2000. 04. 055