日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

    吳澤（1982-）

    男，河南許昌人，許昌學院助教，河南師范大學研究生，主要研究方向為計算機應(yīng)用網(wǎng)絡(luò)通信。

    

    基金項目：河南省教育廳自然科學研究資助項目（2008A510014）

    摘  要：構(gòu)建了基于工控機的帶鋼力學性能自動化檢測硬件平臺，完成了自動檢測軟件的分析和設(shè)計，核心部分采用神經(jīng)網(wǎng)絡(luò)進行建模，應(yīng)用好的控制算法進行網(wǎng)絡(luò)訓練，實現(xiàn)了帶鋼力學性能預(yù)測，該平臺可應(yīng)用于軋鋼流程的參數(shù)控制，提高生產(chǎn)的自動化水平。

    關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；力學性能；測試平臺；算法

   Abstract: The automation measure platform constructed by industrial control computer and the measure software was designed. The algorithm core is the artificial neural networks, and the networks training is finished by the control algorithm. Our algorithm is able to forecast the mechanical properties of strip steel. The platform can be applied in parameters control of rolling with the high level automation.

   Key words: neural network; mechanical properties; measure platform; algorithm

    1 引言

    為了合理地使用板帶鋼和評定其質(zhì)量，技術(shù)標準中都有對鋼材進行力學性能及工藝性能試驗的規(guī)定。力學性能是指鋼材受外力作用時反映出來的各種指標，包括抗拉強度、屈服強度、伸長率、斷面收縮率和沖擊韌性等。工藝性能試驗的目的，是檢驗板帶鋼具有的再加工性能，工藝性能包括彎曲、沖壓、焊接性能等。鋼材的力學性能預(yù)報可以通過對其化學成分、軋制制度、冷卻制度等生產(chǎn)工藝參數(shù)為輸入進行鋼材抗拉強度、屈服強度、斷裂延伸率等力學性能指標的預(yù)測；通過工藝參數(shù)的優(yōu)化調(diào)整，提高產(chǎn)品質(zhì)量；有助于進行新鋼種開發(fā)和新工藝設(shè)計，提高生產(chǎn)效率和經(jīng)濟效益[1]。目前我國在帶鋼力學性能檢測方面還不能適應(yīng)現(xiàn)代化生產(chǎn)要求，能有效解決帶鋼力學性能檢測將大大提高生產(chǎn)效率和產(chǎn)品質(zhì)量，在資源短缺的現(xiàn)代社會起到舉足輕重的作用[2]。計算機技術(shù)在軋制過程中的不斷應(yīng)用，使現(xiàn)代化的軋鋼生產(chǎn)達到一個全新的水平。隨著對鋼鐵材料的性能質(zhì)量提出的更高要求，計算機數(shù)值模擬技術(shù)正由軋件尺寸形狀的預(yù)測和力學模擬轉(zhuǎn)到金屬組織性能預(yù)測和控制上來。通過對微觀組織演變和帶鋼力學性能的軟測量技術(shù)，可實現(xiàn)軋制變形過程中的精確化和定量化控制，達到優(yōu)化工藝和成分的目的。帶鋼力學性能預(yù)測的實質(zhì)是找到生產(chǎn)工藝參數(shù)和力學性能的非線性映射關(guān)系，論文采用多層前饋人工神經(jīng)網(wǎng)絡(luò)進行帶鋼力學性能預(yù)測研究，完成了自動化檢測平臺的軟硬件實現(xiàn)。

    2 平臺硬件組成

    平臺的硬件架構(gòu)如圖1所示。
                     

                               圖1   平臺硬件架構(gòu)

    帶鋼力學性能分析是一項復(fù)雜的問題，系統(tǒng)在硬件構(gòu)架上整體系統(tǒng)為開環(huán)控制方式，系統(tǒng)實現(xiàn)實時檢測和離線分析相結(jié)合方式運用平臺[3]。軋鋼生產(chǎn)線實時數(shù)據(jù)通過信號調(diào)理及數(shù)據(jù)采集模塊進入工控機，工控機為系統(tǒng)核心部件，主要負責對數(shù)據(jù)的分析和處理，并生成報表，可選擇打印和顯示輸出。

    3 自動檢測分析軟件設(shè)計

    3.1 軟件模塊

    自動檢測分析軟件是本系統(tǒng)的設(shè)計核心，軟件主要有實時數(shù)據(jù)庫模塊、神經(jīng)網(wǎng)絡(luò)分析模塊、控制數(shù)據(jù)生成模塊、數(shù)據(jù)預(yù)處理模塊、報表分析等模塊組成，其中神經(jīng)網(wǎng)絡(luò)分析模塊是本系統(tǒng)的核心設(shè)計。軟件基本構(gòu)架如圖2所示。

                       
 
                         圖2   平臺軟件模塊框架

    數(shù)據(jù)預(yù)處理模塊主要負責對現(xiàn)場實時數(shù)據(jù)和其他樣本數(shù)據(jù)進行歸一化處理，為進入神經(jīng)網(wǎng)絡(luò)分析做準備；神經(jīng)網(wǎng)絡(luò)分析模塊完成力學性能分析的整體部分，包括神經(jīng)網(wǎng)絡(luò)建模（確定網(wǎng)絡(luò)結(jié)構(gòu)，輸入單元修正和確定，隱節(jié)點設(shè)計等），神經(jīng)網(wǎng)絡(luò)映射分析（實現(xiàn)神經(jīng)網(wǎng)絡(luò)算法，進行參數(shù)自尋優(yōu)）及網(wǎng)絡(luò)輸出和誤差分析，如果實現(xiàn)網(wǎng)絡(luò)性能及相關(guān)性能指標，生成控制數(shù)據(jù)，并打印報表，給出分析報告。

    3.2 基于改進BP神經(jīng)網(wǎng)絡(luò)的力學性能分析模塊

    BP網(wǎng)絡(luò)按有導(dǎo)師學習方式進行訓練，利用實際輸出與期望之間對網(wǎng)絡(luò)各層連接權(quán)按由后向前逐層進行校正的一種計算方法。BP算法主要分為工作信號正向傳播過程和誤差信號反向傳播過程。輸入信號從輸入層向前傳遞到中間層單元，經(jīng)過作用函數(shù)后，再把中間層節(jié)點的輸出送到輸出層節(jié)點，最后在輸出端產(chǎn)生輸出信號。這是工作信號正向傳播。然后將輸出層輸出信號與期望值相比較，其誤差信號由輸出端開始，從輸出層到中間層，再從中間層到輸入層，將誤差逐層傳送并修正各層連接權(quán)。這兩個過程反復(fù)多次，直至誤差達到精度要求，BP網(wǎng)絡(luò)學習結(jié)束[4]。BP算法實質(zhì)上是把一組樣本輸入輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，并通過梯度算法利用迭代運算求解權(quán)值問題的一種方法，雖然反向傳播算法得到廣泛應(yīng)用，但它也存在自身的限制與不足，針對BP算法的不足，1991年英國Billings等人提出前向網(wǎng)絡(luò)的遞推預(yù)報誤差算法（RPE），設(shè)n0、n1和n2分別為輸入層、隱層及輸出層中的神經(jīng)元的數(shù)目，xi（i=1,2,...,n0）及分別是網(wǎng)絡(luò)的輸入輸出值，x'、b'i（i=1,2,...,n1）是隱層中第i個神經(jīng)元的輸出值和閾值。表示第k-1層中第j個神經(jīng)元對第k層第i個神經(jīng)元的連接權(quán)值[5-6]。取隱節(jié)點的作用函數(shù)為S型函數(shù)：  （1）

   則整個網(wǎng)絡(luò)的輸入輸出關(guān)系為：

                                      （2）
                                               （3）
    RPE算法采用極小化預(yù)報誤差準則來進行參數(shù)估計，準則函數(shù)定義為：

                             （4）
     式中是預(yù)報誤差向量，N是數(shù)據(jù)長度。

     RPE算法的原理是沿J的Gauss-Newton搜索方向修正未知參數(shù)向量，從而使J 。參數(shù)向量修正公式為

                          （5）

    其中是Gauss-Newton搜索方向，定義為

                                   （6）
    式中是關(guān)于的梯度，是的Hessian矩陣；它們分別是關(guān)于的一階和二階微分，且有
                             （7）
                                 （8）
     其中是網(wǎng)絡(luò)的一步預(yù)報值對的一階微分。

     基于上述原理的RPE算法為
                     （9）
    其中為遺忘因子。

    對于只含單隱層前向網(wǎng)絡(luò)，利用式（3）得到陣的元素

                         （10）

    對于單隱層前向網(wǎng)絡(luò)算法流程如下：

    ①初始化，取權(quán)值和閾值為較小的隨機值，取為對角陣，取為一適當值；

    ②根據(jù)網(wǎng)絡(luò)輸入，按式(2)、(3)分別計算隱層節(jié)點及輸出節(jié)點的值；

    ③按式（10）構(gòu)成陣；

    ④根據(jù)式（9）求預(yù)報誤差，P陣及參數(shù)序列，從②至④反復(fù)進行，直至收斂。

    4 力學性能分析的神經(jīng)網(wǎng)絡(luò)實現(xiàn)

    4.1 樣本數(shù)據(jù)的處理

    以某軋鋼廠生產(chǎn)線為工程背景，通過信號調(diào)理和數(shù)據(jù)采集模塊獲取現(xiàn)場數(shù)據(jù)，以獲取的數(shù)據(jù)為研究對象，樣本數(shù)據(jù)選取帶鋼厚度、碳元素含量、錳、硅、磷、硫等元素的含量作為網(wǎng)絡(luò)輸入，預(yù)測的力學性能指標帶鋼的屈服強度、抗拉強度和延伸率等作為網(wǎng)絡(luò)輸出。考慮到網(wǎng)絡(luò)學習速度及網(wǎng)絡(luò)泛化能力，網(wǎng)絡(luò)輸入數(shù)據(jù)進行隨機排序，樣本空間共選取900組實驗數(shù)據(jù)，前800組實驗數(shù)據(jù)作為訓練樣本，后100組數(shù)據(jù)作為測試樣本，所有數(shù)據(jù)在網(wǎng)絡(luò)訓練前進行歸一化處理。

    4.2 網(wǎng)絡(luò)層次結(jié)構(gòu)確定

    輸入層神經(jīng)元有6個神經(jīng)元節(jié)點，規(guī)定輸入矢量為，代表帶鋼厚度和化學成分的質(zhì)量分數(shù)：

                

    其中，分別代表帶鋼厚度、碳、錳等化學元素含量。
                     
                                       圖3   網(wǎng)絡(luò)訓練結(jié)果圖

    采用三層BP網(wǎng)絡(luò)，隱層單元數(shù)設(shè)計為12個神經(jīng)元節(jié)點。

    輸出層為3個神經(jīng)元節(jié)點，輸出矢量為，即，其中分別代表帶鋼力學性能指標屈服強度、抗拉強度和延伸率。

    4.3 網(wǎng)絡(luò)訓練與學習

    網(wǎng)絡(luò)訓練采用遞推預(yù)報誤差算法，運用MATLAB語言實現(xiàn)網(wǎng)絡(luò)并進行訓練，實驗中遺忘因子初始值選為0.6，n0=6、n1=12，n2=3每次訓練取前800組數(shù)據(jù)，當誤差達到預(yù)設(shè)的要求時，就停止訓練[7-8]。算法中網(wǎng)絡(luò)訓練步長設(shè)為2000，訓練誤差設(shè)為0.001，采用遞推預(yù)報誤差算法進行仿真，仿真結(jié)果如圖3所示，由于樣本空間比較大，從訓練曲線可以看出網(wǎng)絡(luò)收斂快速，在進行1000步左右即可實現(xiàn)網(wǎng)絡(luò)訓練。

    5 結(jié)語

    論文所建硬件平臺簡潔直觀，軟件采用模塊化設(shè)計，具有很高的可裁剪性，通過改進神經(jīng)網(wǎng)絡(luò)解決了帶鋼力學性能指標預(yù)測這一類信息不完備、難以建模的非線性復(fù)雜系統(tǒng)，系統(tǒng)不足在于系統(tǒng)軟件分析的復(fù)雜性和系統(tǒng)本身實時性的限制，沒有形成整體管控一體化的閉環(huán)實現(xiàn)，今后將通過其他相關(guān)技術(shù)進行改進；論文給出了神經(jīng)網(wǎng)絡(luò)進行建模和自尋優(yōu)得具體算法，所建模型能夠充分描述輸入與輸出的映射關(guān)系，通過仿真結(jié)果可見該模型具有較好的預(yù)測精度；論文提出的方法可有效應(yīng)用于軋鋼流程的參數(shù)控制，提高生產(chǎn)的自動化水平。

    其他作者：

    王武（1978-），男，甘肅蘭州人，講師，碩士，主要研究方向為控制理論與控制工程、智能控制。

    參考文獻：

    [1] 方沂，李鳳泉. 基于人工神經(jīng)網(wǎng)絡(luò)的高速加工表面粗糙度預(yù)測模型[J]. 工具技術(shù)，2006，(11): 78~80.

    [2] 王丹民，李華德，周建龍等. 熱軋帶鋼力學性能預(yù)測模型及其應(yīng)用[J]. 北京科技大學學報，2006，7: 687~690.

    [3] 趙健，李安貴. 人工神經(jīng)網(wǎng)絡(luò)在帶鋼力學性能預(yù)測中的應(yīng)用[J]. 微計算機信息，2007，8-1: 285~286.

    [4] 王武，張元敏，賈石峰. 基于神經(jīng)網(wǎng)絡(luò)的齒輪質(zhì)量檢測應(yīng)用研究[J]. 機械設(shè)計與制造，2008，5.

    [5] 魏海坤. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法[M]. 北京: 國防工業(yè)出版社，2005，2.

    [6] 焦李成. 神經(jīng)網(wǎng)絡(luò)計算[M]. 西安: 西安電子科技大學出版社，1995.

    [7] 李國勇. 智能控制及其MATLAB實現(xiàn)[M]. 北京: 電子工業(yè)出版社，2005.

    [8] 聞新等. MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M]. 北京: 科學出版社，2003. 7: 120~140.


                                                              ——轉(zhuǎn)自《自動化博覽》