基于BP和Kohonen神经网络结合的铸坯在线质量评估

安　波， 闫　彬， 刘永姜

(1. 山西林业职业技术学院 信息工程系， 山西 太原 030009； 2. 西北机电工程研究所舰炮研究室， 陕西 咸阳 712099；3. 中北大学 机械与动力工程学院， 山西 太原 030051)



基于BP和Kohonen神经网络结合的铸坯在线质量评估

安波1， 闫彬2， 刘永姜3

(1. 山西林业职业技术学院 信息工程系， 山西 太原 030009； 2. 西北机电工程研究所舰炮研究室， 陕西 咸阳 712099；3. 中北大学 机械与动力工程学院， 山西 太原 030051)

摘要:针对连铸坯铸造在线质量评估中存在的实时性和准确性评判误差较大等问题， 提出一种基于人工智能神经元网络技术的在线质量评估方法. 通过获取训练样本和进行独立实验， 分析和研究了铸造材料中主要元素对在线连铸坯质量的影响. 将收敛速度快、 评判准确率高的BP神经网络模型和Kohonen自组织特征映射神经网络模型相结合， 在评估过程中两者并行运算， 评判结果相互融合， 实现了对连铸坯在线质量的准确判定. MATLAB仿真结果表明， 融合运算后的在线质量评估平均相对误差小于10%.

关键词:连铸坯； BP神经网络； Kohonen神经网络； 在线质量评估

0引言

随着我国铸造产业的发展， 连铸流程在其工艺、 设备和技能方面不断进步. 在连铸坯自动化生产过程中， 传统质量评估的方法是抽样， 但这种方法无法实现实时在线生产中铸造坯质量问题的确定和闭环控制处理， 如有质量问题的铸坯及时回炉. 要满足闭环实时控制和处理， 需建立线性分析模型， 主要原因在于铸造坯质量判定因素的多样性. 那么， 基于多样性的工艺参数和铸坯质量方面缺陷的关系， 采用人工智能的方法和手段， 尤其是不断发展的神经网络技术， 完成连铸坯智能化在线质量评估， 可以在连铸坯铸造过程中质量评估满足实时性要求的同时， 设计实现提高评估准确性， 减少误差.

神经网络不同于当前的基本逻辑学和符号学思维， 而是在添加数据的基础上， 以学习和推理相结合的方式更为直接地实现了信息分析和挖掘， 实现了与专家系统相同的功能， 而二者的结合将实现从知识获取、 知识学习到知识推理简化了的完整过程[1-4].

通过研究发现， 采用BP神经网络和Kohonen自组织特征映射网络结合可以快速并较为准确地实现连铸坯在线质量的评判. 通过对工艺参数到质量缺陷因素地分析和推断， 确定铸坯质量评估依据， 选用和构建神经网络评估算法模型， 由MATLAB工具对铸坯的合格与不合格包括多种缺陷进行在线聚类分析和判断. 在降低成本、 改进产品质量、 实现实时在线评估、 提高连铸生产效率方面具有重要的现实意义.

1BP网络模型与Kohonen网络模型

神经网络应用一般包含3个过程： 数据采集和整理， 评估能力学习和性能优化， 实际评估.

1.1BP网络

BP网络是多层前向传递和反向映射的神经元网络运算模型. 网络包括输入层、 隐藏层和输出层. 网络拓扑结构受前馈约束， 实质上是一种梯度下降的最小化方法[5-7]. 该过程通过权重的选择来极小化网络输出和实际输出之间的误差.

BP网络模型通常以网络输出误差平方和的最小值作为网络训练的理想结果. 其中ω为权重向量， F(xi,ω)为神经网络的输出映射函数， (xi,yi)为训练数据集合.

(1)

主要步骤为：

Step1初始化权重向量ω， 并令μ=1.2,β=1.15,α=0.05,η=0.02,E0=0.05,λ=1,k=0.

Step 2k←k+1.

Step 3根据下列两式调整权值ω.

Step4根据式(2)计算误差Ek.

(2)

Step5如果K

Step 8结束.

根据上述步骤进行网络的训练学习， 首先输入信号从输入层经隐藏层逐层处理， 如果输出层得不到期望输出， 则转入方向映射， 根据预测误差调整网络权值和阀值， 在调整后的网络输出逼近期望输出时， 网络具有了记忆和预测能力[8]. 接下来， 具有预测能力的网络被用来实现铸坯质量的在线预评估. 其拓扑结构见图 1 所示.

隐藏层由多个单隐藏层组成. 多隐藏层结构较单隐藏层网络泛化能力强， 预测精度高， 但训练时间长[9]. 因此， 隐藏层结构设计往往成为网络优化的关键.

1.2Kohonen网络模型

Kohonen网络是无监督竞争性学习网络， 能根据环境自动训练聚类. 网络只有输入层和输出层， 输出层也称为竞争层[10]. 网络结构将N个输入神经元映射到1或2维度的离散神经元映射空间中.

基本思想是： 输入空间中彼此相近的模式在输出映射中也应彼此相近[11]. 当N个维数的向量作为样本输入网络时， 竞争层上的神经元计算输入样本与竞争层神经元之间的距离， 其中最小距离的神经元为获胜神经元. 通过反复训练， 调整获胜神经元和相邻神经元连接权值， 使最终输出层神经元的连接权值具有一定的分布， 同类神经元具有相近的权值[12]. 网络训练后输出层神经元被划分为不同响应特征的区域.

2基于BP和Kohonen网络铸坯质量评估模型

评估实现需经过样本采集、 神经元网络学习、 运用网络测评. 在连铸制作过程中， 可通过实时跟踪来计算设备和连铸工艺的参数， 对连铸质量进行估测和控制.

2.1样本采集

根据铸坯生产的基本原理， 连铸坯质量问题可以从三个缺陷方面问题判断， 即连铸坯几何形状、 表面质量、 内部质量. 发生上述质量方面的问题与钢水凝固点以及连铸设备和工艺有关.

通过人工经验获得多组工艺参数和质量判断结果， 当然这是较为复杂的过程， 需要从大量的数据中提取相关信息.

本次研究提取训练样本及测试数据工作， 引入铸造设备和工艺相关26个参数构造26维输入向量， 提取抽样检查数据近6 000组； 输出参数为3维输出向量， 取8组值反应具体质量问题， 归一处理后取值如下： 1为有缺陷(有质量问题)， 0为无缺陷(无质量问题).

2.2学习训练

1) BP网络采用训练样本， 归一化处理后通过26维向量到3维向量的运算， 得到训练后的网络拓扑； 训练时采用的样本数量和收敛能力决定最终采用的网络拓扑[13].

经过试验尝试4种网络架构， 因收敛速度最快， BP网络结构采用26-11-5-3， 即26维节点的输入层， 2个隐藏层分别是11节点和5节点， 3维节点输出层， 见表 2.

图 3 所示为上述BP神经网络训练误差， 从图中可以看出在迭代9 656次时达到了要求的误差精度.

2) 同样使用Kohonen自组织特征映射神经网络输入训练样本在线学习， 归一化处理后通过26维向量到8个不同响应特征区域的运算， 得到训练后的网络拓扑； 训练时采用的样本数量和收敛能力决定最终采用的网络拓扑.

经过试验尝试3种网络架构， 因收敛速度最快， 竞争层上的神经元采用1维结构， 节点数取120， 见表 3.

2.3运用网络测评

2.3.1综合测评方法

BP网络和Kohonen网络对输出结果计算预测误差， 在设定阀值基础上， 判断各自计算输出预测值， 判定铸坯几何形状、 表面、 内部结果： 用1和0表示有缺陷和无缺陷.

BP网络输出判定值： {x1,x2,x3}； Kohonen网络输出判定值： {y1,y2,y3}； {x1,x2,x3}和{y1,y2,y3}逐位或运算， 得出{Z1,Z2,Z3}； 如 0 0 1与1 0 0逐位或运算结果1 0 1.

通过{Z1,Z2,Z3}取值， 在线综合判断铸坯是否存在质量问题及存在哪方面的缺陷.

2.3.2综合测评模型

标准的BP算法是一种梯度下降学习算法. 没有考虑到以前积累的经验， 即以前时刻的梯度方向， 常常使学习过程发生振荡， 通常易陷入局部极小值等方面的缺陷[14]. 因此， 通过BP网络和Kohonen网络两种测评模型的融合， 并行评估可减小评判误差， 提高准确性. 具体融合模型见图 4.

3仿真实验结果分析

经过长期数据采集、 算法分析、 测试的仿真实验后， 实验结果表明： BP和Kohonen网络结合实现的铸坯质量评估方法， 利用了2种网络快速收敛的特征， 降低了知识学习的复杂性， 提高了质量判断的准确度， 减少了误判率.

两种神经网络的预测结果对比总结如表 4 所示.

从相关系数、 平均相对误差两个衡量指标来看， BP网络预测值与实测值的相关系数都在0.91以上， Kohonen网络预测值与实测值的相关系数都在0.92以上， 融合运算后的平均相对误差都小于10%. 仿真系统通过现有数据， 发现评测无缝钢铸胚质量方面的准确度达到92%. 从实时性测试工艺上看， 在线铸坯铸成间隔时间为90 s， 通过测试， 系统实际生产中参量的采集、 运算和判定时间小于3 s， 即可完成评测结果所需的数据采集和评估,完全满足实时性要求[15].

4结论

BP神经网络和Kohonen网络相结合可在线对铸造过程中铸坯质量进行有效的预测评估， 更好地辅助铸坯生产和质量管理. 使用BP神经网络和Kohonen自组织特征映射神经网络在线学习可以分别实现知识学习的基本样本训练， 但无法持续进行不受监视地适应性学习. 为提高准确率， 在实际操作系统中， 应考虑并加强适应性方法的研究.

参考文献:

[1]王磊， 袁慎芳. Kohonen神经网络在复合材料损伤主动监测技术中的应用[J]. 材料科学与工程， 2002， 20(4)： 513-516.

Wang Lei, Yuan Shenfang. Application of Kohonen neural network in the active monitoring technology of composite material damage[J]. Materials Science and Engineering, 2002, 20(4)： 513-516. (in Chinese)

[2]马野， 李楠. 应用自组织映射神经网络进行模拟电路故障诊断的仿真研究[J]. 系统仿真学报， 2001， 13(5)： 582-584.

Ma Ye, Li Nan. Simulation of fault diagnosis of analog circuits using self organizing map neural network[J]. Simulata Systematica Sinica, 2001, 13(5)： 582-584. (in Chinese)

[3]俸世洲， 周尚波. SOM神经网络在独立学院招生决策中的应用[J]. 计算机工程与科学， 2011， 33(5)： 136-140.

Feng Shizhou, Zhou Shangbo. Application of SOM neural network in the decision making of independent colleges[J]. Computer Engineering & Science， 2011， 33(5)： 136-140. (in Chinese)

[4]张可， 柴毅， 匡金骏. 基于征兆邻搜索优化聚类和自组织映射神经网络的多病害诊断[J]. 农业工程学报， 2011， 27(1)： 215-222.

Zhang Ke， Chai Yi， Kuang Jinjun. Multi disease diagnosis of neural network based on the optimal clustering and self organizing map for the optimal clustering and self organizing map[J]. Transactions of the Chinese Society of Agricultural Engineering， 2011， 27(1)： 215-222. (in Chinese)

[5]冯利利， 王华奎， 韩应征, 等. 基于K-means算法改进的SOM神经网络调制识别分类器[J]. 电脑开发与应用， 2011， 24(1)： 8-10.

Feng Lili， Wang Huakui， Han Yingzheng, et al. Improved SOM neural network modulation recognition classifier based on K-means algorithm[J]. Computer Development & Applications， 2011， 24(1)： 8-10. (in Chinese)

[6]王杰， 闫东伟. 提高预测精度的ELMAN和SOM神经网络组合[J]. 系统工程与电子技术. 2004(12)： 1943-1945.

Wang Jie， Yan Dongwei. The combination of ELMAN and SOM neural network to improve prediction precision[J]. Systems Engineering and Electronics， 2004(12)： 1943-1945. (in Chinese)

[7]傅军栋， 喻勇， 黎丹. BP神经网络在解决电力消耗问题中的应用[J]. 华东交通大学学报， 2015， 32(2)： 123-128.

Fu Jundong， Yu Yong， Li Dan. Application of BP neural network in solving the problem of electric power consumption[J]. Journal of East China Jiaotong University， 2015： 32(2)： 123-128. (in Chinese)

[8]徐小华， 李坤， 胡忠旭. 基于虚拟仪器和BP神经网络的语音识别系统的设计[J]. 新余学院学报， 2014， 19(6)： 9-10.

Xu Xiaohua， Li Kun， Hu Zhongxu. Design of speech recognition system based on virtual instrument and BP neural network[J]. Journal of Xinyu University， 2014， 19(6)： 9-10. (in Chinese)

[9]杨洋， 陶歆. 基于遗传算法BP人工神经网络的热轧带钢力学性能预报模型[J]. 柳钢科技， 2014(3)： 35-38.

Yang Yang， Tao Xin. Prediction model of mechanical properties of hot rolled strip based on genetic algorithm BP artificial neural network[J]. Science and Technology of Liuzhou Steel， 2014(3)： 35-38. (in Chinese)

[10]谢超凡, 徐鲁雄, 徐琳. 基于神经网络的教学评分系统模型[J]. 内江师范学院学报， 2016， 31(2)： 8-11.

Xie Chaofan， Xu Luxiong， Xu Lin. Teaching evaluation system model based on Neural Network[J]. Journal of Neijiang Normal University， 2016， 31(2)： 8-11. (in Chinese)

[11]Xiang Changsheng, Zhou ZiYing. A new music classification method based on BP neural network[J]. International Journal of Digital Content Technology and its Applications， 2011, 5(6)： 85-94.

[12]Matsuda， Nobuo Laaksonen， Jorma; Tajima， Fumiaki; Sato， Hideaki. Classification of fundus images for diagnosing glaucoma by self-organizing map and learning vector quantization[J]. Lecture Notes in Computer Science v 5507 LNCS， n PART 2， 2009: 703-710.

[13]Ma Yinglong, Zhang Jinlong, Wu Haijiang, et al. An approach to ontology information mining based on relational database[J]. International Journal of Digital Content Technology and its Applications， 2011, 5(10)： 285-295.

[14]Dong Jiaqiang, Du Yajun, Feng Mingli. A novel strategy for constructing user ontology[J]. International Journal of Digital Content Technology and its Applications， 2011, 5(5)： 149-156.

[15]Jiang Jing， Hua Yang， Zhang Honglei. Applying rough sets and BP neural networks to detect network intrusions[J]. International Journal of Advancements in Computing Technology， 2012, 4(7): 299-307.

The Online Quality Evaluation of Continuous Casting Billet Based on BP and Kohonen Neural Network

AN Bo1, YAN Bin2, LIU Yong-jiang3

(1. Dept. of Information Engineering, Shanxi Forestry Vocational and Technical College, Taiyuan 030009, China;2. Naval Research Office of Northwest Institute of Mechanical & Electrical Engineering, Xianyang 712099, China;3. School of Mechanical Engineering, North University of China, Taiyuan 030051, China)

Key words:continuous casting billet; BP neural network; Kohonen neural network; online quality evaluation

Abstract:In the process of online quality evaluation of continuous casting billet,there existed great error in instantaneity and accuracy. An online quality evaluation method based on the neural network technology of artificial intelligence was proposed.The influence of main elements in cast material on on-line continuous casting billet quality were analyzed and studied by obtaining the training samples and independent experiments. Due to its high convergence speed and high evaluation accuracy, the BP neural network model and the Kohonen self-organizing feature map neural network model had been combined and selected. In the process of evaluation, the two models were computing parallelly and evaluation results of the two models were fusing mutually to realize the accurate online judgment of quality of the defective casting billet. The simulation experimental results of MATLAB showed the average relative error was less than 10% after fusion operation.

文章编号:1673-3193(2016)03-0268-05

收稿日期:2015-12-19

作者简介：安波(1967-)， 男， 讲师， 主要从事计算机教学教法研究.

中图分类号:TJ765.2

文献标识码:A

doi:10.3969/j.issn.1673-3193.2016.03.012