iiac2005032

第 1 页 共 6 页 热镀锌锌层重量模型中神经网络的研究 热镀锌锌层重量模型中神经网络的研究 Study of Neural Network for Hot-Dipping Galvanizing Zinc Weight Model 俞鸿毅 黄慎之 石燕 (宝山钢铁股份有限公司，上海 200941) 摘 要 论述了热镀锌锌层重量模型中 3 种常用神经网络的仿真结果， 并由此归纳出锌层重量模型中比较合 适的神经网络类型和激励函数的结论，适合当今先进生产的优良效果要求。 关键词 BP 网络 MLP 网络 仿真 校正 Abstract Simulations of three common neural networks for the hot-dipping zinc weight model are described. Based on the comparison among these simulations, appropriate neural networks and excitation functions for the hot-dipping zinc weight model are found. They can meet requirements of production process with advanced technologies and high performance. Keywords BP network MLP network Simulation Calibration 0 引言 宝钢 1550 单元热镀锌机组引进了一套锌层重量自动控制系统，其控制框图如图 1 所示。 图 1 镀层重量控制系统的控制框图 该系统是“黑匣子” 。例如，气刀压力前馈控制数学模型只知道采用神经网络，但是神 经网络的类型和结构都不清楚。为了掌握系统中的关键技术，我们采用系统仿真和拟合技术 对整个系统进行了研究。本文论述了对其中的主要部分“气刀压力前馈控制模型”的研 究。 1 确定神经网络类型 我们建立的是系统输入参数影响气刀压力变化的主要因素与系统输出参数气刀压 力之间的神经网络模型。初步选取输入层结点数为 4 个，即带钢速度、气刀距离、气刀高度、 气刀角度和镀层实际重量；输出层结点数为 1 个即气刀压力。 为了对神经网络进行仿真，搭建了数据采集系统。主要采集的数据有带钢速度、气刀距 离、气刀高度、气刀角度、镀层实际重量和现有模型的气刀压力设定输出 1.1 采用 BP 神经网络的模型仿真 1.1.1 确定 BP 神经网络的结构 第 2 页 共 6 页 隐节点数的多少对网络性能的影响较大。 当隐节点数太多时， 会导致网络学习时间过长， 甚至不能收敛；而当隐节点数过小时，网络的容错能力差。因此我们根据神经网络计算理论 中的有关公式以及试验尝试了不同隐层节点的建模。 表 1 是不同隐层节点对模型的影响比较。 表 1 不同隐层节点对模型的影响 K=3 K=6 K=8 K=10 K=12 模型拟合 5.0e-05 1.0e-04 3.6e-05 4.2e-05 3.2e-05 模型预测 9.2e-05 3.3e-04 5.3e-05 4.6e-05 6.9e-05 最后我们确定隐层结点数为 10 个，BP 的中间隐层为一层。 1.1.2 选择激励函数 常用的激励函数（sigmoid 函数）有对数函数双曲正切函数和线性函数。我们采用仿 真技术模型对上述 3 个激励函数的效果进行了筛选。如图 2 所示。 图 2 三种激励函数仿真结果比较 从仿真结果可以看出，对数函数的拟合程度最高。所以我们建立的神经网络 BP 模型就 是含有一个隐层、10 个隐层节点和选用了对数函数作为激励函数的神经网络。图 3 就是采用 BP 网络建模的仿真结果。 隐层结点 第 3 页 共 6 页 图 3 BP 网络模型的仿真结果 1.2 采用 MLP 和 RBF 神经网络的模型仿真 1.2 采用 MLP 和 RBF 神经网络的模型仿真 在 MLP 网络模型中，最终采用了两个中间隐层。这种结构逼近能力较强，可以拥有和径 向基函数网络相当的能力。激励函数仍然采用对数函数，每个隐层仍然用 8 个隐层节点。图 4 和图 5 分别是采用 MLP 和 RBF 仿真的结果。 图 4 MLP 模型的仿真结果 图 5 RBF 网络的仿真结果 第 4 页 共 6 页 1.3 模型结构的结论 从上面 3 种方式的建模结果比较可以看出，效果最好的是 MLP 模型，其次是 BP 模型， 最差的是 RBF 模型，几乎没有泛化能力。所以我们选取前两种网络来进行模型的精确化和校 正。 2 模型的精确化 在选定了模型结构后我们对典型的四种规格的镀锌层重量（60g/m 2、70 g/m2、90g/m2、 140g/m 2）分别建立了相同模型结构、不同模型参数的 BP、MLP 网络模型。图 6 给出了用 BP 网络模型建立的 4 种规格的仿真结果。 第 5 页 共 6 页 图 6 4 种常用镀层规格的神经网络模型仿真结果 从图 6 可以看出总体上拟合效果比较理想，但局部还是存在比较大的偏差（在 8%左右） 。 3 模型的校正 校正模型是建立在一定的工况条件和操作条件下的。由于工况条件会随着生产中原料性 质、装置负荷、产品指标等因素的变化而变化，加上过程本身存在着时变性和一些其他的因 素，不可能一成不变地使用最初建好的数学模型（即使是泛化性能良好的模型） ，而应根据 实际情况对模型进行校正，这是软测量建模在工业应用获得成功不可或缺的环节。 相对于不同参数的模型， 我们建立了相对应的人工经验模型， 用其对数学模型进行校正。 )()()( 21 kykkykky em += 式中，)(kym是神经网络模型的输出，)(kye是人工经验模型的输出，)(ky是校正后的模型 输出。k1和k2是可调的校正系数。人工经验模型采用比较传统的方法 dkvkhkkyky se += 321 )()( 式中，)(kys是设定的输出值，h是相对于输出值的气刀高度变化量，v是相对于输 出值的钢带速度变化量，d是相对于输出值的气刀距离的变化量，k1、k2和k3是可调的变 化系数。图 7 是对模型校正后的仿真结果。校正后，相同输入下新构成模型与原模型的输出 偏差小于 3。 4 结束语 经过上述的工作，得出了以下的结论： 热镀锌锌层重量模型中“气刀压力前馈神经网络”应该采用 MLP（多层感知器）和 BP（误差反向传播）两种网络结构； MLP 网络模型采用两个中间隐层， 每个隐层用 8 个隐层节点， 激励函数采用对数函数。 BP 网络模型含有一个隐层、10 个隐层节点，激励函数也采用对数函数； 为了提高拟合模型和引进模型输出的拟合精度，模型中还应该使用人工经验模型来 进行校正，以进一步减少偏差。 这些结论对热镀锌锌层重量模型中“气刀压力前馈控制模型”的构成和优化都有比较大 的指导意义。 第 6 页 共 6 页 图 7 模型校正后的仿真结果 参考文献 1 袁曾任.人工神经元及其应用M.清华大学出版社，1992 2 赵振宇,徐用懋.模糊理论和神经网络的基础与应用M.清华大学出版社,1992 3 Biachini M, Frasconi P,