376 北京科技大 学学报 2000年第4期 20 30 ◇网络输出 ◇网络输出 20 口实际输出 10 口实际输出 兰 0 5 10 -1 0.5 0 0.5 -0.5 0.5 板宽 板宽 图2BP网络经过训练的样本预测结果验证 图3BP网络未经过训练的样本预测结果验证 Fig.2 The predictive results validation of BP network Fig.3 The predictive results validation of BP network trained sample untrained sample 训练好的网络，将网络输出拟合为板形曲线，网 的经验数据组成训练样本，对BP网络进行离线 络预测模型的预测值与实测值见图2和图3所 训练，使得网络具有一定的预测精度，在线使用 示.其中图2是经过训练的样本预测结果，图3 时，利用实时测得的数据，对BP网络进行在线 是未经过训练的样本预测结果.结果表明，板形 修正，使其能够适应当前的轧制条件，可以用于 预测模型具有较好的预测精度 实时反馈控制， 参考文献 4结束语 1周晓敏神经网络板形预测控制系统的研究：【硕士论 建立的神经网络板形预测模型用于轧制实 文]北京：北京科技大学，19993 际大大提高了板形的预测精度，可代替现有的 2胡守仁.神经网络应用技术.长沙：国防科技大学出版 基于板形生成理论的数学模型和连轧机板形预 杜，1993 3罗发龙，李衍达神经网络信号处理.北京：电子工业出 或再设定控制.同时利用在轧制过程中采集到 版社，1993 CVC Tandem Mill Flatness Predictive Control Model Based on BP Neural Networks ZHOU Xiaomin,ZHANG Qingdong",WANG Changsong,CHEN Shougun,HE Nuying, 1)Mechanical Engineering School,UST Beijing,Beijing 100083,China 2)Shanghai Baoshan Iron and Steel Company,Shanghai ABSTRACT The application of BP neural networks and predictive control algorithms to AFC(Auto Flat- ness Control)system is studied,and a predictive control algorithms based on BP neural networks are offered. Simulation by computer using data get from 1420mm CVC tandem mill of Shanghai Baoshan Iron and Steel Company is investigated.The results show that this algorithms can be applicated to AFC system and it's results are good. KEY WORDS neural networks;auto flatness control;predictive control system. 3 7 6 . 北 京 科 技 大 学 学 报 2 0 0 0 年 第 4 期 门ù气乙、 1 “八nCnU .11 侧到阵袂澎、 一卜卜 l l es l | l ù一ù令口 一.- 一. ó J 2 0 l 5 10 5 0 网 络输出 实际输 出 侧初澎工ú牛决 5 } { 一 1 0 . 5 0 0 . 5 板宽 图 2 B P 网 络经 过训 练的样 本预 测结果 验证 F褚 . 2 T b e P r e d i e d v e 溉 u l ts v a li d a tio n o f B P n e tw o r k tr a in ed sa m p le 屯_ 、 口 实 际输 出 / \ 嘛一~ 蕊扁Z 一 口 甘 甘 . 妞 、 , 护 , 产 , 门『 , 尸 ~ 一 1 一0 . 5 0 0 . 5 1 板宽 图 3 B P 网络未 经过训 练的样 本预测结 果验证 F 馆J T h e P r e d i c d v e re s u lts v a ild a itO n o f B p n e tW o rk u n t r a in el s a m P l e 训 练好 的 网络 , 将 网 络输 出拟 合 为板形 曲线 , 网 络预测模 型的预测 值与实测值 见 图 2 和 图 3 所 示 . 其 中图 2 是经过训 练 的样 本预测结果 , 图 3 是 未经过训 练 的样本预测 结果 . 结果表 明 , 板形 预测模 型具有较好的预测精度 . 的经验数据组成 训 练样本 , 对 B P 网 络进 行 离线 训 练 , 使得 网络具有一 定的预测精度 , 在线使用 时 , 利用实 时测得 的数据 , 对 B P 网 络进 行在线 修正 , 使其 能够适应当前的 轧制条件 , 可 以用于 实 时反馈控制 . 4 结束语 建立 的神经 网络 板 形预测 模型 用 于 轧制实 际 大大提高 了板形 的预测精度 , 可代替现有的 基于板 形 生成理论 的数学 模型 和 连轧 机板形 预 或再设定控制 . 同时 利用在 轧制过程 中采集到 参 考 文 献 1 周晓敏 . 神 经 网络 板形预 测控 制系 统的研 究: 【硕士论 文 ] . 北京 : 北 京科技 大学 , 19 9 .3 2 胡守仁 . 神 经网络应 用技术 . 长沙 : 国防科技 大学 出版 社 , 19 9 3 3 罗 发龙 , 李衍达 . 神经 网 络信 号处理 . 北京: 电子 工业 出 版社 , 19 93 C V C T’a n d e m M ill F l a ut e s s P r e d i e t i v e C o n t r o l M o d e l B a s e d o n B P N e ur a l N e t w o r k s Z 厅O U 」“ a o m in , ), Z月只 N G Qi n罗勿馆 , ), 砰还 N G hC a ” 95 0心 ), C HE N hS o u q u n , ), H E N协 夕动犷), l ) M ce h an i cal E n g in e inr g S e h o l , U S T B e ij in g , B e ij ign 10 0() 8 3 , Ch in a Z ) S h an gh ia B ao s h an l or n an d S te l C o m Pan y , Sh an hg a i A B S T R A C T hT e ap Pli e at i o n o f B P n e ur a l n e 七刀 o r ks an d rP e d i c it v e e o n tr o l a l g o ir t l l n l s t o A FC (A u t o Fl at - n e s s C o n tr o l ) sy s t e m 1 5 s ut d i e 成 an d a rP e d i e it v e e o n tr o l a l g o ir t hm s b a s e d on B P ne uar l n e 。那o ksr ar e o fe er d . S il n u liat on by e o m P u t e r u s l n g d a at g ct fr o m l 4 2 0 nmr C V C t a l1 de m m ill o f S h an gh a 1 B a o hs an ior n an d S et e l C o m Pan y i s i n v e st i g at e d . hT e r e sul t s s h o w ht at hit s a l g ior ht m s e an b e a PPli e at e d ot A F C s y s et m an d it , 5 r e s ult s aer g o o d . K E Y WO R D S n e ur a l n e幻刃。 r ks : a u t o if at n e s s e o n tr o l: p r e d i c t i v e c o n tr o l sy s t e m