VoL.21 No.3 赵伦等：基于人工神经网络的扁钢轧制力模型 279· 2.3BP算法的改进 和控制轧制的要求，而传统理论计算误差达到 传统的BP算法存在学习时间长、网络收敛 10%. 慢的缺点.为了使所建模型响应快、精度高，需 在利用BP原理建立轧制力的模型时，应该 要在传统的BP算法的基础上进行改进，其方法 注意以下几点： 是：采取批处理的方式来修正网络模型的连接 (1)神经网络的构造直接影响到模型学习的 权值，即在所有学习样本都输入后计算系统的 系统误差核算法的收敛速度，所以所构造的网 总误差，若系统误差不满足要求则修正权值，以 络模型一定要符合所研究的对象. 保证系统误差在学习过程中总是向减小的方向 (2)建模采用批处理方式来修正网络连接权 变化，并加快系统的收敛速度.此外，计算时选 值，可以保证误差函数向减小的方向变化，这种 取(-1，+1)内的权值作为权值初始化范围. 方式可以加快训练的收敛速度 2.4计算结果与分析 (3)建模用的学习速率n和动量因子a对收 对数据进行归一化预处理后，用自行编制 敛速度影响很大，应该不断地变化， 的BP算法程序进行了计算，结果如表2所示. (④)在设计神经网络结构时，除使网络的训 图2型钢轧制力模型计算结果 练误差最小外，还要充分考虑网络的复杂性、归 实测值kN模型输出值N误差% 纳能力和容错性， 598.25 591.50 1.13 600.57 591.59 1.05 3结论 588.32 591.75 0.60 590.82 591.69 0.15 (1)将神经网络算法原理引入轧制领域，用 578.65 592.07 2.30 于轧制压力的建模是可行的， 580.95 591.78 1.90 (2)根据BP神经网络原理编制的算法程序 589.36 591.83 0.40 具有一定的通用性，针对不同的轧机和不同的 585.34 591.75 1.10 产品规格，只需改动相关的数据文件即可实现 588.36 591.59 0.54 建模 604.10 591.45 2.10 590.30 591.83 0.25 参考文献 570.40 591.92 3.77 1王邦文，杨光，徐蜂，等，基于人工神经网络铝箔轧机 579.68 591.73 2.10 轧制力模型.北京科技大学学报，1997,19(2)：173 从表2看出，所建的网络模型在计算轧制 2焦李成主编.神经网络计算.西安：西安电子科技大 学出版社，1993.10 力时，误差在4%以内，完全能够满足工程计算 Modeling of the Rolling Force Based on Artificial Neural Networks Zhao Lun,Wang Bangwen",Hai Sumer) 1)Mechanical Engineering School,UST Beijing,Beijing 100083,China 2)Beijing Mechanical School,Beijing 100045,China ABSTRACT Based on the principle of BP neural networks,the rolling force model is created after thor- oughly analyzing and processing the data of 400 mm mill.It states that the difference between the real value and the output of the model is in order of 4 percent.The model on basis of BPNN is practical and it reflects the real feature of the rolling process. KEY WORDS system modeling;neural networks;rolling force modell b V . 2 1 0 N . 赵伦等 3 : 基于人工神经网络 的扁钢轧制力模型 . 2 7 9 . 2 . 算法的 改进 B 3 P 传统 的 算法存在学 习 时 间长 B P 、 网络收敛 慢 的缺点 . 为 了使所建模型 响应快 、 精度高 , 需 要在传统的 B P 算法的基 础 上 进行改进 . 其 方法 是 : 采 取批处 理的方 式来修正 网络模型 的连接 权值 , 即在所有学习 样本都输入后 计算 系统的 总 误差 , 若系统误差 不满足要 求则修正权值 , 以 保证系统误差在学习过程中总是向减小 的方 向 变 化 , 并加快系统 的收敛速度 . 此外 , 计算时 选 取 ( 一 1 , +l ) 内的权值作为权值初始化范 围 . .2 4 计算结果 与分析 对数据进行归一 化预处 理后 , 用 自行编制 的 B P 算法程序进行 了计算 , 结果 如表 2 所示 . 图 2 型钢轧制 力模型计算结果 实测值 瓜 N 模型输 出值 /kN 误差 从 和控 制轧制 的要 求 , 而传统理 论计 算误 差 达到 10 % . 在利用 B P 原理建立轧制力 的模 型 时 , 应 该 注 意 以下 几 点 : ( 1)神经 网络 的 构造直接影 响到 模型 学 习 的 系统误差 核算 法 的 收敛速度 , 所 以所构造 的 网 络模 型 一 定 要 符 合 所 研究 的对 象 . (2 )建模采用 批处 理 方式来修正 网络连接权 值 , 可 以保证 误 差 函数 向减小的 方 向变化 , 这 种 方式 可 以加快训 练 的收敛速 度 . (3 )建模用 的 学 习速 率 叮和 动 量 因子 a 对 收 敛速 度影 响 很大 , 应该 不 断 地变化 . (4 ) 在设计 神经 网络 结 构时 , 除使网 络 的 训 练误差 最小 外 , 还 要充 分考虑 网络的 复 杂性 、 归 纳能力和 容错 性 . 5 9 8 . 25 6 0 0 . 5 7 588 . 32 5 90 . 82 5 7 8 . 65 5 8 0 . 9 5 5 8 9 . 3 6 5 8 5 . 3 4 5 8 8 . 3 6 6 0 4 . 1 0 5 9 0 . 3 0 57 0 . 4 0 5 7 9 . 6 8 5 9 1 . 50 5 9 1 . 5 9 5 9 1 . 7 5 5 9 1 . 69 5 9 2 . 0 7 5 9 1 . 7 8 5 9 1 . 8 3 1 . 13 1 . 0 5 0 . 60 0 . 15 2 . 30 1 . 90 0 . 4 0 1 . 1 0 0 . 5 4 2 . 1 0 0 . 2 5 3 . 7 7 2 . 1 0 从表 2 看 出 , 所 建的 网络模 型在计算 轧制 力 时 , 误差在 4 % 以 内 , 完全能够满 足工 程计 算 3 结论 ( 1) 将神经 网络算 法原理 引入 轧制领域 , 用 于 轧制压力 的建模 是 可 行的 . ( 2 )根据 B P 神经 网络原 理编 制 的算法程 序 具 有一 定 的通用性 , 针对不 同 的轧机和 不 同 的 产 品规格 , 只 需改动 相 关 的数据 文件 即 可 实现 建模 . 参 考 文 献 l 王邦 文 , 杨光 , 徐 峰 , 等 . 基 于人工神 经 网络 铝 箔轧机 轧 制 力模型 . 北京科 技大 学学报 , 1 9 97 , 1 9 (2) : 1 73 2 焦 李成 主 编 . 神经 网络 计算 . 西 安 : 西安 电子科 技大 学 出版社 , 19 93 . 10 755948327 99g 八C, ù、一à、ù一 M o d e l i n g o f ht e R o l l i n g F o r e e B a s e d o n A rt i if e i a l N e ur a l N e wt o kr s hZ a o L u n , ), 肠叮 B a ” g w e n , ), aH i uS m e尸, l ) M e e h an i e al E n g in e e inr g S e h o o l , U S T B e ij in g , B e ij i n g 10 0 0 8 3 , C h in a Z ) B e ij in g M e c h an i e al s e h o o l , B e ij in g l 0 0 0 4 5 , C h i n a A B S T R A C T B a s e d on ht e P irn e iPl e o f B P n e ur a l n e tw o r ks , t h e r o ll ign fo r e e m o de l 1 5 c r e at e d a ft e r ht o r - 叨沙l y an a ly inz g a n d Pr o e e s s i n g ht e d at o f 4 0 0 nu m ill . It s at t e s ht at ht e d i fe r e n c e b e wt e e n het er a l v a l u e an d t h e o u 中u t o f ht e m o d e l 1 5 i n o dr e r o f 4 P e r e e nt . hT e m o d e l o n b a s i s o f B PN N 1 5 rP a e t i e a l an d it er fl e e st 比e er a l fe a tL 双 e o f ht e or llin g Pr o e e s s . K E Y W O R D S sy s t e m m o d e lin g : n e aur l n e wt o r k s : r o llin g fo r e e m o d e l