基于神经网络的矫直机压下量自学习控制系统*

尉建龙

(太原重工股份有限公司 技术中心 矿山采掘装备及智能制造国家重点实验室，山西 太原 030024)

0 引言

辊式热矫直机是钢铁企业中板材生产线上很重要的生产设备，随着国家在战略层面对智能化的规划，钢铁企业也需要进行智能化的升级改造。压下量模型是实现精确矫直过程自动化的关键技术，在原有模型上增加智能化算法，即增加自学习模型管理模块，改善模型，以达到矫直机压下量的自适应控制。智能控制的设计方法有专家系统、模糊控制、神经网络和遗传算法，其中神经网络算法具有自学习和自适应的典型特点，具有较强的自适应能力，不依赖模型。板材矫直过程是非线性、多变量耦合的不确定过程，因此采用神经网络算法对矫直过程进行自适应控制，相比其他控制算法具有天然的优势。

1 矫直机压下量工艺模型

矫直机工艺模型主要依据材料变形的物理学原理，在接收到轧线二级计算机传输的板坯数据后，根据设备设计载荷及约束条件完成辊缝、压下量、矫直速度、矫直力等参数的设定计算。

板坯初始数据主要有板坯编号(ID)、钢种、板坯厚度、板坯宽度、板坯入口前测量温度、板坯速度、钢级和板坯条件等。矫直机的设备数据(几何尺寸、机架刚度等)存储于矫直机模型的数据库/数据表中。

矫直机工艺模型计算流程如图1所示。

图1 矫直机工艺模型计算流程

以十一辊矫直机为例，经过现场验证，入口与出口矫直辊的压下量即第二辊(上排辊)、第三辊(下排辊)与第十辊压下量[1-3]计算公式分别为：

(1)

(2)

(3)

其中：K为通过试验得到的修正系数；K′为系数，根据原始曲率的大小可具体确定数值;(0～1)具体值的选取根据原始曲率的大小查询相应的经验值；σs为板材屈服强度；l为矫直辊辊距；E为板材的弹性模量；h为板材厚度。

当入口与出口矫直辊的压下量确定后，上排其余各矫直辊的压下量为：

(4)

其中：t为常数，随着i取值变化而变化，i=4,6,8,t=3,2,1。

尽管下排辊的位置不变，但板材矫直过程在经过下排辊时同样会产生弯曲及挠度，因此下排辊具有相对压弯量。下排辊的相对压弯量为:

(5)

2 基于神经网络的自学习模型实现

通过神经网络算法建立自学习模块，形成压下量自学习控制系统。神经网络通常由输入层、隐藏层、输出层、损失层几部分组成。在训练神经网络的过程中，若预测正确，来自于损失层的反馈会强化产生该预测结果的激活路径；若预测错误，则错误会沿着路径逆向返回，这条路径上神经元的激活条件就会被重新调整，以减少错误。

钢种为Q235，板坯厚度为75 mm，板宽为4 200 mm，屈服应力为35 MPa，弹性模量为100 000 MPa，残缺程度为中度(B级)的矫直机压下量34组实测数据如表1所示。

表1 矫直机压下量实测数据

首先创建一个多层神经网络，采用S形激活函数，其中输入层采用1个神经元，输出层采用1个神经元，隐含层采用16个神经元。实现过程为：network_ AdjRoll=new ActivationNetwork(new BipolarSigmoidFunction(3),1,16,1)。

然后创建BP神经网络进行训练，实现过程为：teacher_ AdjRoll =new BackPropagationLearning(network_AdjRoll)。

最后设置学习率和冲量系数，实现过程为：teacher_AdjRoll.LearningRate =0.05;teacher_AdjRoll.Momentum=0。

对初始数据进行神经网络训练，生成压下量训练数据，C#语言代码如下：

StreamWriter train_AdjRoll =new StreamWriter("训练数据(压下量).txt");

{

string temp =null;

temp +=iniYearData_AdjRoll[i + j].data + ' ';

train_AdjRoll.WriteLine(temp);

}

train_AdjRoll.Close();

{

trainInput_AdjRoll [i][0] =premnmx(trainInput_AdjRoll[i][0],min_AdjRoll,max_AdjRoll);

trainOutput_AdjRoll[i][0] =premnmx(trainOutput_AdjRoll[i][0],min_AdjRoll,max_AdjRoll);

}

使用C#语言实现基于神经网络的矫直机压下量自学习控制系统，采用神经网络算法训练数据进行测试。在初始训练过程中我们发现：压下量的预测值与实际值之间的误差波动还是偏大，随着训练次数的增加，误差值波动已经很小，基本达到了预期的训练要求。软件实现前台显示界面如图2所示，包括对网络的训练以及测试网络的过程。

图2 软件实现前台显示界面

在矫直过程中，模型具有自学习功能，并根据现场实测数据进行设置参数的动态优化，提高了矫直效果。

自学习功能的建立实现了矫直机系统自适应调整功能，大大降低了操作人员的劳动强度，具有调整精度高、速度快的特点，满足了现场的工艺要求，同时提高了矫钢的速度和成材率，并降低了设备的设备率；使矫直机区域各控制设备的运行参数更优化、效率更高、设备运转更安全，对今后矫直机自动化控制系统的设计、应用和技术改进都有非常重要的意义[4-6]。

3 结语

本文通过介绍矫直机压下量工艺模型，分析神经网络算法在该模型上的优势，利用C#语言编写程序实现了基于神经网络的矫直机压下量自学习控制系统，并使用实测数据进行仿真验证，经验证，该算法能有效地对数据进行自学习和预测。