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用網絡通信。

    

    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計，核心部分采用神經網絡進行建模，應用好的控制算法進行網絡訓練，實現了帶鋼力學性能預測，該平臺可應用于軋鋼流程的參數控制，提高生產的自動化水平。

    關鍵詞：神經網絡；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量，技術標準中都有對鋼材進行力學性能及工藝性能試驗的規定。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。鋼材的力學性能預報可以通過對其化學成分、軋制制度、冷卻制度等生產工藝參數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測；通過工藝參數的優化調整，提高產品質量；有助于進行新鋼種開發和新工藝設計，提高生產效率和經濟效益[1]。目前我國在帶鋼力學性能檢測方面還不能適應現代化生產要求，能有效解決帶鋼力學性能檢測將大大提高生產效率和產品質量，在資源短缺的現代社會起到舉足輕重的作用[2]。計算機技術在軋制過程中的不斷應用，使現代化的軋鋼生產達到一個全新的水平。隨著對鋼鐵材料的性能質量提出的更高要求，計算機數值模擬技術正由軋件尺寸形狀的預測和力學模擬轉到金屬組織性能預測和控制上來。通過對微觀組織演變和帶鋼力學性能的軟測量技術，可實現軋制變形過程中的精確化和定量化控制，達到優化工藝和成分的目的。帶鋼力學性能預測的實質是找到生產工藝參數和力學性能的非線性映射關系，論文采用多層前饋人工神經網絡進行帶鋼力學性能預測研究，完成了自動化檢測平臺的軟硬件實現。

    2 平臺硬件組成

    平臺的硬件架構如圖1所示。
                     

                               圖1   平臺硬件架構

    帶鋼力學性能分析是一項復雜的問題，系統在硬件構架上整體系統為開環控制方式，系統實現實時檢測和離線分析相結合方式運用平臺[3]。軋鋼生產線實時數據通過信號調理及數據采集模塊進入工控機，工控機為系統核心部件，主要負責對數據的分析和處理，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計

    3.1 軟件模塊

    自動檢測分析軟件是本系統的設計核心，軟件主要有實時數據庫模塊、神經網絡分析模塊、控制數據生成模塊、數據預處理模塊、報表分析等模塊組成，其中神經網絡分析模塊是本系統的核心設計。軟件基本構架如圖2所示。

                       
 
                         圖2   平臺軟件模塊框架

    數據預處理模塊主要負責對現場實時數據和其他樣本數據進行歸一化處理，為進入神經網絡分析做準備；神經網絡分析模塊完成力學性能分析的整體部分，包括神經網絡建模（確定網絡結構，輸入單元修正和確定，隱節點設計等），神經網絡映射分析（實現神經網絡算法，進行參數自尋優）及網絡輸出和誤差分析，如果實現網絡性能及相關性能指標，生成控制數據，并打印報表，給出分析報告。

    3.2 基于改進BP神經網絡的力學性能分析模塊

    BP網絡按有導師學習方式進行訓練，利用實際輸出與期望之間對網絡各層連接權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，經過作用函數后，再把中間層節點的輸出送到輸出層節點，最后在輸出端產生輸出信號。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。這兩個過程反復多次，直至誤差達到精度要求，BP網絡學習結束[4]。BP算法實質上是把一組樣本輸入輸出問題轉化為一個非線性優化問題，并通過梯度算法利用迭代運算求解權值問題的一種方法，雖然反向傳播算法得到廣泛應用，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等人提出前向網絡的遞推預報誤差算法（RPE），設n0、n1和n2分別為輸入層、隱層及輸出層中的神經元的數目，xi（i=1,2,...,n0）及分別是網絡的輸入輸出值，x'、b'i（i=1,2,...,n1）是隱層中第i個神經元的輸出值和閾值。表示第k-1層中第j個神經元對第k層第i個神經元的連接權值[5-6]。取隱節點的作用函數為S型函數：  （1）

   則整個網絡的輸入輸出關系為：

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

                             （4）
     式中是預報誤差向量，N是數據長度。

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

                          （5）

    其中是Gauss-Newton搜索方向，定義為

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

     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絡，利用式（3）得到陣的元素

                         （10）

    對于單隱層前向網絡算法流程如下：

    ①初始化，取權值和閾值為較小的隨機值，取為對角陣，取為一適當值；

    ②根據網絡輸入，按式(2)、(3)分別計算隱層節點及輸出節點的值；

    ③按式（10）構成陣；

    ④根據式（9）求預報誤差，P陣及參數序列，從②至④反復進行，直至收斂。

    4 力學性能分析的神經網絡實現

    4.1 樣本數據的處理

    以某軋鋼廠生產線為工程背景，通過信號調理和數據采集模塊獲取現場數據，以獲取的數據為研究對象，樣本數據選取帶鋼厚度、碳元素含量、錳、硅、磷、硫等元素的含量作為網絡輸入，預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絡輸出?？紤]到網絡學習速度及網絡泛化能力，網絡輸入數據進行隨機排序，樣本空間共選取900組實驗數據，前800組實驗數據作為訓練樣本，后100組數據作為測試樣本，所有數據在網絡訓練前進行歸一化處理。

    4.2 網絡層次結構確定

    輸入層神經元有6個神經元節點，規定輸入矢量為，代表帶鋼厚度和化學成分的質量分數：

                

    其中，分別代表帶鋼厚度、碳、錳等化學元素含量。
                     
                                       圖3   網絡訓練結果圖

    采用三層BP網絡，隱層單元數設計為12個神經元節點。

    輸出層為3個神經元節點，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 網絡訓練與學習

    網絡訓練采用遞推預報誤差算法，運用MATLAB語言實現網絡并進行訓練，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組數據，當誤差達到預設的要求時，就停止訓練[7-8]。算法中網絡訓練步長設為2000，訓練誤差設為0.001，采用遞推預報誤差算法進行仿真，仿真結果如圖3所示，由于樣本空間比較大，從訓練曲線可以看出網絡收斂快速，在進行1000步左右即可實現網絡訓練。

    5 結語

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

    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. 基于人工神經網絡的高速加工表面粗糙度預測模型[J]. 工具技術，2006，(11): 78~80.

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

    [3] 趙健，李安貴. 人工神經網絡在帶鋼力學性能預測中的應用[J]. 微計算機信息，2007，8-1: 285~286.

    [4] 王武，張元敏，賈石峰. 基于神經網絡的齒輪質量檢測應用研究[J]. 機械設計與制造，2008，5.

    [5] 魏海坤. 神經網絡結構設計的理論與方法[M]. 北京: 國防工業出版社，2005，2.

    [6] 焦李成. 神經網絡計算[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[M]. 北京: 電子工業出版社，2005.

    [8] 聞新等. MATLAB神經網絡仿真與應用[M]. 北京: 科學出版社，2003. 7: 120~140.


                                                              ——轉自《自動化博覽》