,500 北京科技大学学报 第31卷 快,抗突发冲击噪声能力强 sin(92),os(晚)…,sin(rh,2),cos(rh,2) 1基于神经网络的偏心信号的检测 sin(9空),cos(),…,sin(rn,咬),cos(rh,)] 偏心信号是与轧辊转动速度相关的周期信号, (2) 它可以分解成一系列正弦和余弦信号的叠加 其中,H1=W十2rn,TA,9年1=2+2πnw2TA, f)=8+ [a,os(n)十6sin(n)】 快+1=2十2π,TA,+1=嚯+2π,TA:9 是工作辊w1在kTA时刻已经转过的角度,同理 (1) 其中,f(t)是偏心信号,Ω是偏心信号对应的角速 9?、吹和?表示轧辊w2和支撑辊b1、b2在kTA 度. 时刻已经转过的角度,整数Tw1、Tw2、Tb1和Tb2分别 基于神经网络的偏心信号检测原理为:经网络 是四个轧辊w1、w2、b1和b2的神经网络输入信号中 滤波器的输入信号由参考产生器提供,参考产生器 谐波的最高次数 的输入采自实际轧制系统偏心信号发生源(对应为 2设定记忆长度的在线BP算法 基波和不同的谐波)·图1是典型的基于神经网络 的四辊轧机偏心滤波器的检测系统结构框图.图1 在控制应用中,神经网络根据外界信号实时调 中的矢量V,神经网络滤波器的输出信号为P。,P。 整模型参数过程中,收敛速度慢是制约其应用的主 代表神经网络滤波器检测出的偏心信息,将P。与 要因素[叮. 轧制系统中被测轧辊的实际信号P的残差对神经 轧辊偏心信号在线检测系统中,快速检测偏心 网络进行学习和训练[],最后稳定后的输出为测得 信号,能为控制系统提供控制依据,最终减少轧辊偏 的轧辊偏心值 心对带钢质量造成的影响⑧].通过设定记忆长度, 使网络输出尽可能地逼近记忆长度内的所有样本, 轧制系统 并且每次迭代都将当前采样得到的最新样本加入进 来,从而使网络具有泛化能力和跟踪时变系统的能 力,提高了网络的在线学习收敛速度 带钢 支撑辊 设L为记忆长度,{x(t),u(t)}为第t次采样 工作银 得到的样本,其中x(t)为参考产生器输出的神经网 络输入样本,u(t)为神经网络输入样本x(t)对应 的理想输出,即第t次采样得到的包含偏心信号的 学习训练 神经网络总输出信号.X(t)为第t次迭代时记忆 长度为L的输入样本序列,F为神经网络的性能函 神经网络参考产生器十 滤波器系统」 数,X(t)和F的表示见下式: {x(r)=-L+,t≥L 图1神经网络滤波器偏心信号检测系统结构 X(t)= (3) x(r)=1 <L Fig.1 Neural network filter system for eccentricity signal detection 神经网络偏心信号检测系统中,V=[nw1,nw2, 1,2],分别为测量得到的工作辊w1和w2、支撑 -≥L 辊b1和b2的角速度,神经网络的输入信号x∈R”. 设k为采样次数,TA为采样时间间隔,则kTA时刻 22- t<L 神经网络的输入样本为x(k),因为轧辊是典型的转 (4) 动系统,所以x(k)可以用周期信号表示,如下式 神经网络每次迭代时,根据网络性能函数对最 所示: 近L次采样得到的L个样本的平均梯度来调整参 x(k)T=[sin(9),cos(92),…, 数,第t次迭代的算法如下 sin(),cos(), (1)采样得到第t个样本{x(t),u(t)}. (2)将记忆长度内的输入样本前向传播,计算 sin(),cos(),.sin(rwa ),cos(r), 神经网络的实际输出,快抗突发冲击噪声能力强. 1 基于神经网络的偏心信号的检测 偏心信号是与轧辊转动速度相关的周期信号 它可以分解成一系列正弦和余弦信号的叠加. f ( t)= a0 2 + ∑ ∞ n=1 [ ancos( nΩt)+bnsin( nΩt)] (1) 其中f ( t)是偏心信号Ω是偏心信号对应的角速 度[5]. 基于神经网络的偏心信号检测原理为:经网络 滤波器的输入信号由参考产生器提供参考产生器 的输入采自实际轧制系统偏心信号发生源(对应为 基波和不同的谐波).图1是典型的基于神经网络 的四辊轧机偏心滤波器的检测系统结构框图.图1 中的矢量 V神经网络滤波器的输出信号为 Pe.Pe 代表神经网络滤波器检测出的偏心信息将 Pe 与 轧制系统中被测轧辊的实际信号 P 的残差对神经 网络进行学习和训练[6]最后稳定后的输出为测得 的轧辊偏心值. 图1 神经网络滤波器偏心信号检测系统结构 Fig.1 Neural network filter system for eccentricity signal detection 神经网络偏心信号检测系统中V=[ nw1nw2 nb1nb2]分别为测量得到的工作辊 w1 和 w2、支撑 辊 b1 和 b2 的角速度神经网络的输入信号 x∈R n. 设 k 为采样次数T A 为采样时间间隔则 kT A 时刻 神经网络的输入样本为 x( k)因为轧辊是典型的转 动系统所以 x( k) T 可以用周期信号表示如下式 所示: x( k) T=[sin(φ w1 k )cos(φ w1 k )… sin( rw1φ w1 k )cos( rw1φ w1 k ) sin(φ w2 k )cos(φ w2 k )…sin( rw2φ w2 k )cos( rw2φ w2 k ) sin(φ b1 k )cos(φ b1 k )…sin( rb1φ b1 k )cos( rb1φ b1 k ) sin(φ b2 k )cos(φ b2 k )…sin( rb2φ b2 k )cos( rb2φ b2 k )] (2) 其中φ w1 k+1=φ w1 k +2πnw1 TAφ w2 k+1=φ w2 k +2πnw2 T A φ b1 k+1=φ b1 k +2πnb1 T Aφ b2 k+1=φ b2 k +2πnb2 T A.φ w1 k 是工作辊 w1 在 kT A 时刻已经转过的角度同理 φ w2 k 、φ b1 k 和φ b2 k 表示轧辊 w2 和支撑辊 b1、b2 在 kT A 时刻已经转过的角度整数 rw1、rw2、rb1和 rb2分别 是四个轧辊 w1、w2、b1 和 b2 的神经网络输入信号中 谐波的最高次数. 2 设定记忆长度的在线 BP 算法 在控制应用中神经网络根据外界信号实时调 整模型参数过程中收敛速度慢是制约其应用的主 要因素[7]. 轧辊偏心信号在线检测系统中快速检测偏心 信号能为控制系统提供控制依据最终减少轧辊偏 心对带钢质量造成的影响[8].通过设定记忆长度 使网络输出尽可能地逼近记忆长度内的所有样本 并且每次迭代都将当前采样得到的最新样本加入进 来从而使网络具有泛化能力和跟踪时变系统的能 力提高了网络的在线学习收敛速度. 设 L 为记忆长度{x( t)u( t)}为第 t 次采样 得到的样本其中 x( t)为参考产生器输出的神经网 络输入样本u( t)为神经网络输入样本 x( t)对应 的理想输出即第 t 次采样得到的包含偏心信号的 神经网络总输出信号.X( t)为第 t 次迭代时记忆 长度为 L 的输入样本序列F 为神经网络的性能函 数X( t)和 F 的表示见下式: X( t)= {x( r)}t r=t— L+1 t≥ L {x( r)}t r=1 t< L (3) F= 1 2L ∑ t r= t-L+1∑ NM i=1 [ u M i ( r)- o M i ( r)] 2 t ≥ L 1 2t∑ t r=1∑ NM i=1 [ u M i ( r)- o M i ( r)] 2 t < L (4) 神经网络每次迭代时根据网络性能函数对最 近 L 次采样得到的 L 个样本的平均梯度来调整参 数第 t 次迭代的算法如下. (1) 采样得到第 t 个样本{x( t)u( t)}. (2) 将记忆长度内的输入样本前向传播计算 神经网络的实际输出. ·500· 北 京 科 技 大 学 学 报 第31卷