攀钢高速重轨神经网络性能预报模型研究
基于BP神经网络的钢材力学性能预测算法
本系统 采用 了单 隐层Ｂ Ｐ 网络构建神经网络模型 ， 如图３ ． １ 所示 。
学 性 能
网络输入为钢材的化学成分 和工艺参数 。 钢材化学 成分包括 ： 碳、 硅、 锰、 磷、 硫等１ ５ 个成分参数。 工艺参数选用Ｆ Ｆ ６ 三道次参数 、
终轧温度 、 卷 曲温算法优 化Ｂ Ｐ 网络
遗 传 算 法 是 一种 基 于 生 物 进化 原理 共 享 出来 的搜 索 最 优 解 的
仿 生算法 。 遗传 算法 优化Ｂ Ｐ 神经网络是用遗传算法来优化Ｂ Ｐ 神 经 网络的初始权值和阈值 ， 使优化后的Ｂ Ｐ 神经网络能够更好的预测函
数输出。 遗传算法优化Ｂ Ｐ 神经网络的要素包括种群初始化、 适应度
遗传算法优化Ｂ Ｐ 神经网络 的目的是通过遗传算法得到更好的
网络初始权值和阈值 ， 其基本思想是用个体代表网络的初始权值和 阈值 ， 个体值初始化 的Ｂ Ｐ 神经 网络的预测误差作为该个体 的适应度 值。 通过选择 、 交叉 、 变 异操 作寻找最 优个体 ， 即最优 的神经 网络 初
函数 、 选择 操作 交叉 操作 和变异操作。
１ 引 言
较高的精度 ， 从而有效的降低了生产成本 ， 提高了产 品最终力学 性
钢材轧制系统是一个非常复 杂的非线性系统 ， 相关工艺参数数 能 。 本文根据某钢铁 公司Ｑ ２ ３ ５ 钢种的化学成分和轧制工艺 同最终 据量 巨大。 传统的生产实践 中， 往往依赖工程师的个人经验， 通过统
参数作为神经网络候选输入参数 。 神经网络采用 单输 出层 ， 分别为 ： 屈服强度 、 抗拉强度 、 延伸 率 。 Ｂ Ｐ 神经网络是有导师类型的神经网络 ， 采用误差梯度下降规则 训练网络 ， 导 致网络学 习速度慢且易 陷入局部极值 。 由于 网络结 构
基于神经网络的热连轧精轧机组轧制力高精度预报
基于神经网络的热连轧精轧机组轧制力高精度预报吕程王国栋刘相华姜正义朱洪涛(东北大学)袁建光解旗(宝山钢铁(集团)公司)摘要以实测数据为基础，在精轧预设定中采用BP神经网络的方法取代传统的轧制力数学模型，并对神经网络输入项和训练样本进行分析，提出改善神经网络预报精度的一些方法。
预报结果和实测数据比较表明，预报精度有较大的提高。
为满足现场要求提出神经网络预报轧制力在线应用方案。
关键词BP神经网络轧制力预报热连轧HIGH-PRECISION PREDICTION OF ROLLING LOAD OF FINISHING STANDS WITH NEURAL NETWORKSL Cheng WANG Guodong LIU Xianghua JIANG Zhengyi ZHUHongtao(Northeastern University)YUAN Jianguang XIE Qi(Baoshan Iron and Steel Corp.)ABSTRACT On the basis of the measured data of the 2050 mm hot strip mill,the neural networks have been used for prediction of rolling load instead of traditional models for pre-setting finishing stands.The input of networks and training data have been analyzed and some methods for improving the precision of prediction are proposed.The comparison of the measured values and the predicted values show that the methods are very good.In order to satisfy the demand of steel works,a proposal of application of predicting rolling load is given.KEY WORDS BP neural networks,prediction of rolling load,hot continuous rolling1 前言目前，在热连轧生产中，由于钢种的多样化、订货的小批量化以及对尺寸精度要求的不断提高，要求精轧机预设定更加灵活和准确。
基于卷积神经网络的热轧带钢力学性能预报
第41卷第5期武汉科技大学学报V o l .41,N o .52018年10月J o u r n a l o fW u h a nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍O c t .2018收稿日期:2018-07-05基金项目:国家自然科学基金资助项目(51774219);武汉市青年科技晨光计划资助项目(2016070204010099). 作者简介:胡石雄(1994-),男,武汉科技大学硕士生.E -m a i l :158766044@q q.c o m. 通讯作者:李维刚(1977-),男,武汉科技大学教授,博士生导师.E -m a i l :l i w e i g a n g.l u c k @f o x m a i l .c o m D O I :10.3969/j.i s s n .1674-3644.2018.05.004基于卷积神经网络的热轧带钢力学性能预报胡石雄1,李维刚1,2,杨 威1(1.武汉科技大学冶金自动化与检测技术教育部工程研究中心,湖北武汉,430081;2.武汉科技大学高温材料与炉衬技术国家地方联合工程研究中心,湖北武汉,430081)摘要:为解决热轧带钢力学性能预报精度的问题,本文提出了一种将一维数值型数据转换为二维图像型数据的建模方法,基于L e N e t -5和G o o g L e N e t 卷积神经网络,构建了一种新型的热轧带钢力学性能预报模型,并利用实际生产数据对模型的适用性进行了测试㊂结果表明,所建模型的抗拉强度预报误差为2.49%,均方根误差为19.15M P a ,预测精度高于B P 神经网络和单独的L e N e t -5和G o o g l e N e t 卷积神经网络模型,所建模型的有效性和准确性均得到了验证㊂关键词:热轧带钢;力学性能预报;卷积神经网络;L e N e t -5;G o o g L e N e t 中图分类号:T G 335.5 文献标志码:A 文章编号:1674-3644(2018)05-0338-07当今钢铁市场竞争日益激烈,如何在不断改善钢铁产品组织性能的同时,缩短产品研发周期㊁降低生产成本,已成为钢铁企业亟需解决的问题㊂热轧带钢的力学性能预报是目前阶段钢铁冶金企业开发的重点技术之一,具有广阔的应用前景㊂现有的带钢力学性能预报模型的建模思路大致分为两种[1]:一种是机理建模,主要是基于实验室物理冶金学的实验结果,建立模型来预测产品的力学性能,如I r v i n e 和P i c k e r i n g 提出了利用数学模型预测钢材组织演变及力学性能的方法;另一种是数据建模,根据实际生产数据,利用神经网络等智能算法来预测钢材的力学性能,如贾涛[2]㊁B h a t t a c h a r y ya [3]等均建立了相应的性能预报模型㊂以上两种建模方法都取得了不错的成果,但也有不足之处:机理建模多以钢种为单位进行研究,局限性强;B P 神经网络各层之间以全连接方式进行连接,不能很好地表达出影响因素之间复杂的交互作用关系㊂卷积神经网络(C o n v o l u t i o n a lN e u r a lN e t -w o r k ,C N N )是近年来特别热门的深度神经网络模型㊂相比于传统神经网络,卷积神经网络采用的局部连接(L o c a l l y -c o n n e c t i o n )方式,有效减少了需要计算的参数个数㊂另外,权值共享方法可以使图像具有平移不变性,下采样操作可使图片具有一定的缩放不变性㊂目前,卷积神经网络结构已被广泛应用于自然语言分析㊁模式识别㊁图像处理等领域,但在工业生产领域内的研究应用尚不多见㊂基于此,本文提出了一种将一维数值型数据转换成二维图像型数据的建模方法,并基于卷积神经网络结构L e N e t -5和G o o g L e N e t ,建立了热轧带钢力学性能预报模型,代入实际生产数据并通过对比实验对所建模型的有效性和准确性进行了验证㊂1 相关工作1.1 L e N e t -5卷积网络结构卷积神经网络L e N e t -5[4]的基本结构如图1所示㊂由图1可知,该网络结构主要包括输入层㊁卷积层(C o n v o l u t i o n a l l a y e r )㊁下采样层(S u b -s a m p l i n g)㊁全连接层(F u l l c o n n e c t i o n )和输出层,其中卷积层和池化层(P o o l i n g )交替出现,构成一个特殊的隐层㊂值得注意的是,输入图像需要经过大小归一化处理,每一个神经元的输入来自于前一层的一个局部邻域,并且被加上由一组权值决定的权重㊂提取到的这些特征在下一层相结合形成更高一级的特征,并且同一特征图的神经元共享相同的一组权值,次抽样层对上一层进行压2018年第5期胡石雄,等:基于卷积神经网络的热轧带钢力学性能预报图1L e N e t-5卷积神经网络F i g.1L e N e t-5c o n v o l u t i o n a l n e u r a l n e t w o r k缩,在减少数据处理量的同时保留了有用信息㊂1.2G o o g L e N e t卷积网络结构G o o g L e N e t[5]是2014年C h r i s t i a nS z e g e d y 提出的一种全新的卷积神经网络结构,共有22个卷积层,相比于A l e x N e t[6]和V G G[7]等深度卷积神经网络结构,G o o g L e N e t在增加了网络深度和宽度的情况下,具有更少的参数和更小的计算量,其完整结构如图2所示㊂图2G o o g L e N e t卷积神经网络F i g.2G o o g L e N e t c o n v o l u t i o n a l n e u r a l n e t w o r k1.3预测方法的融合在L e N e t-5和G o o g L e N e t网络结构基础上,本文提出了两点重要改进:一是将全连接甚至是一般的卷积均转化为稀疏连接[8],二是提出应用I n c e p t i o n结构于网络模型中,即在保证网络结构稀疏性的同时,又能利用密集矩阵的高计算性能㊂I n c e p t i o n结构模块如图3所示㊂在I n c e p t i o n结构中,笔者采用了不同大小的卷积核进行特征提取,最后将提取到的不同尺度特征进行堆叠(C o n c a t e n a t i o n)㊂相比于单一的卷积核,I n c e p t i o n 结构具有更强的适应性㊂由于使用5ˑ5的卷积图3I n c e p t i o n模块结构示意图F i g.3S c h e m a t i c d i a g r a mo f t h e I n c e p t i o nm o d u l e 核会带来巨大的计算量,故采用1ˑ1的卷积核进行降维处理[8]㊂2带钢力学性能预报模型的设计2.1数据获取与预处理获取某大型热连轧生产线的历史实际生产数据,基于随机森林算法和冶金机理筛选出重要影响因子,并剔除掉一些不可见干扰因素[9],最终得到44760条带钢数据,每条数据中含20个影响因子和一个响应变量抗拉强度(T s),所得实验数据集的具体组成如表1所示㊂从表1中可以看出,具有不同特征维度的影响因子的表征含义㊁数量级及量纲单位不同,直接用于训练会影响模型精度,并且容易陷入局部最优解㊂因此,在开始训练前,需要对输入数据进行归一化处理,使各项数据指标之间具有可比性㊂原始数据经过标准化处理后,各指标处于同一数量级,模型收敛速度有所提升㊂B P神经网络通常采用一维数值型数据进行933武汉科技大学学报2018年第5期表1实验数据集的组成T a b l e1C o m p o s i t i o no f t h e e x p e r i m e n t a l d a t a s e t 变量最小值最大值平均值F T/ħ112712611214.80 F E T/ħ91011031013.25 F D T/ħ806919860.15 C T/ħ549630572.96 R T/ħ100811241075.54 F D H/mm1.5959.793.71 w(S i)/%0.0050.180.03 w(M n)/%0.711.731.04 w(P)/%0.00540.0250.016 w(S)/%0.00030.0110.005 w(C u)/%00.040.013 w(N i)/%00.050.006 w(C r)/%0.0080.0270.015 w(M o)/%00.0060.0012 w(V)/%00.00320.0002 w(T i)/%00.00970.0013 w(B)/%00.00120.00003 w(N b C)/%0.0130.0860.035 w(N b N)/%0.0150.0680.037 w(C s)/%0.050.150.069 T s/M P a324770539.16注:F T为出炉温度;F E T为精轧入口温度;F D T为终轧温度;C T为卷取温度;R T为粗轧出口温度;F D H为终轧厚度㊂建模,连接方式如图4(a)所示㊂由图4(a)可知,全连接层中每一个神经元均与输入数据中任一影响因子相连,无法表达出影响因素之间的局部交互作用关系,且需要计算的参数较多,故卷积神经网络采用如图4(b)所示的局部相连方式㊂在对图片进行卷积处理的过程中,影响因子通过不同大小的卷积核与周围其它影响因子局部相连,从而得到影响因子之间的局部交互作用关系㊂由于卷积核具有权值共享特性,故相比于B P 神经网络,卷积神经网络具有更少的参数和更小的计算量㊂数字图像本质是一个多维矩阵,而传统的一维数值型数据表示的是一个一维矩阵,将一维数值型数据转为二维图像型数据实际是将多个一维矩阵进行拼接的过程㊂相比于一维数值型数据,二维图像型数据信息结构更为丰富,进行特征提取时能获取的有效信息更多㊂在进行数据转换之前,首先需要确定图像的尺寸,即图像的高和宽㊂由于图像高和宽的乘积需要远远大于影响因子个数,故决定将一维数值型数据转换成大小为32ˑ32的二维图像型数据,(a)B P神经网络(b)卷积神经网络图4不同神经网络的连接方式F i g.4C o n n e c t i o nm e t h o do f d i f f e r e n t n e u r a l n e t w o r k s其中共包含1024个像素点㊂依次将与带钢力学性能相关的20个影响因子填入1024个像素点中,每个像素点值的大小代表图片中该点位置颜色的深浅,每个影响因子被填入51次左右㊂该步骤主要是利用P y t h o n编程完成的,大致转换过程如图5所示㊂图5数值型数据转换成图像数据过程示意图F i g.5S c h e m a t i c d i a g r a mo f t h e p r o c e s s o f c o n v e r t i n g n u m e r i c a l d a t a i n t o i m a g e d a t a 0432018年第5期胡石雄,等:基于卷积神经网络的热轧带钢力学性能预报2.2 模型结构确定由于本文所建立的热轧带钢力学性能预报模型的影响因子较少,直接使用较深的卷积神经网络结构难以取得好的效果,而使用太浅的模型结构精确度往往不高,故需要进行对比实验来确定模型中卷积层的层数㊂本研究利用I n c e p t i o n 结构替代L e N e t -5结构中的卷积层,选取均方根误差(R M S E )和平均绝对百分误差(MA P E )作为模型准确性的评价指标,即:R M S E =1m ðm i =1(y i -y ^i )2(1)MA P E =1m ðmi =1|y i -y ^i |yæèçöø÷i ˑ100%(2)式中:m 表示数据集大小,y ^i 为样本实测值,y i 为模型预测值㊂其余参数相同时,不同I n c e pt i o n 结构数量下模型的计算偏差如表2所示,可以看出,当I n c e p -t i o n 结构个数选取为3时,模型具有较高的预报精度㊂表2 不同I n c e pt i o n 结构个数的实验结果T a b l e 2E x p e r i m e n t a l r e s u l t sw i t hd i f f e r e n t I n c e p t i o nn u m -b e r s编号I n c e pt i o n 结构数量/个R M S E /M P a MA P E /%1131.463.492321.072.673524.482.794727.322.745929.103.12图6即为本研究采用的卷积神经网络模型结构㊂考虑到输入图像尺寸(32ˑ32)较小,故不适合使用太大的卷积核和步长,本文所用卷积核最大为5ˑ5,步长均为1㊂输入图像经过I n c e p -t i o n 1进行特征提取之后,接一个最大池化层(M a x p o o l i n g ),卷积核大小为3ˑ3,步长为2㊂该模型中的池化层均采用最大池化,这是因为相比于平均池化(A v e r a g e p o o l i n g ),最大池化能更有效地减少卷积层参数误差所造成的估计均值偏移,其原理如图7所示㊂从图6中可以看出,模型经过I n c e p t i o n 3之图6 本研究采用的卷积神经网络模型结构F i g .6C o n v o l u t i o n a l n e u r a l n e t w o r k s t r u c t u r e u s e d i n t h i s s t u d y(a)最大池化(b)平均池化图7 最大池化和平均池化的原理示意图F i g .7S c h e m a t i cd i a g r a mo fm a x p o o l i n g a n da v e r a g e p o o -l i n g后接一个全连接层F C 1,模型中最下方的F C 2与输入图像直接相连,采用的是全连接方式,其能在一定程度上对卷积神经网络提取特征起到补充作用㊂最后将F C 1和F C 2提取到的特征进行融合,经过全连接层F C 3后得到输出结果㊂模型中采用的的激活函数均为R e L U 函数,可表示为:R e L U (x )=0,x <0x ,x ȡ{(3) L e N e t -5模型中,激活函数为S i g m o i d 函数,表示为:S i g m o i d (x )=11+e-x (4) 相比于S i g m o i d 函数,R e L U 函数有以下优点:①选取S i gm o i d 函数为激活函数,当N i =f (W i 췍N i -1+b i )过大时,函数导数趋于0,这会造成信息丢失,降低模型的准确性㊂②当N i =f (W i 췍N i -1+b i )<0时,R e L U 激活函数的输出为0,在一定程度上造成了网络的稀疏性,这不仅减少了参数之间的相互依存关系,还缓解了过拟合问题;③R e L U 函数的求导计算相对简单㊂2.3 卷积神经网络模型训练卷积神经网络模型不断通过训练样本进行学143武汉科技大学学报2018年第5期习,在信息的前向传播中求出预测值,并与实际值比较得到误差㊂若误差超过设定阈值,则进入误差反向传播阶段,在此阶段不断更新权重和偏置,直到预测值与实际值的误差低于阈值且误差不再下降时停止训练,得到最终需要的热轧带钢力学性能预报模型㊂3实验与结果分析3.1实验环境本实验在W i n d o w s1064b i t操作系统下进行,C P U为I n t e l(R)C o r e(T M)i7-6700,内存为16G BD D R4,G P U为N V I D I AG e F o r c eG T X745 (4G B显存),显卡驱动为C U D A8.0+C U D N N 5.1,编译环境为T e n s o r F l o w+P y t h o n3.5.2㊂采用开源深度学习工具T e n s o r F l o w作为卷积神经网络框架,并利用G P U加速整个训练过程㊂3.2参数选取实验开始之前,需要配制卷积神经模型的相关参数,具体数值如表3所示㊂表3中,L e a r n i n g _r a t e表示学习率;I t e r a t i o n_n u m s表示模型训练次数,如果模型的代价函数低于设定阈值且基本不再变化时,也可主动终止训练;B a t c h_s i z e表示每次读入图片的批量,该值的选取需要根据实际输入图片的大小以及计算机内存和显存的大小关系来确定,本研究使用G P U加速训练,故需要保证每次读入批量图片小于显存大小;D r o p o u t表示以一定概率舍弃神经元,其能有效防止过拟合的发生㊂表3模型参数T a b l e3M o d e l p a r a m e t e r s模型参数数值l e a r n i n g_r a t e1.0ˑ10-6I t e r a t i o n_n u m s200000B a t c h_s i z e1024D r o p o u t0.5选取44760条数据中的后4760条数据作为测试集,剩下的40000条数据作为训练集㊂关于卷积核数目与神经元数目的选取,本文采用如表4所示的I n c e p t i o n模块参数以确定最优解㊂表4中I n c e p t i o n1㊁I n c e p t i o n2和I n c e p t i o n3的6个参数分别代表I n c e p t i o n结构中从上往下卷积核C o n v1ˑ1+1(S)㊁C o n v3ˑ3+1(S)㊁C o n v1ˑ1+ 1(S)㊁C o n v5ˑ5+1(S)㊁C o n v1ˑ1+1(S)和C o n v1ˑ1+1(S)的个数,F C1和F C2表示全连接层F C1和F C2的神经元个数,F C3中神经元个数为F C1和F C2中神经元数目之和㊂每次实验训练到代价函数趋于稳定才终止㊂从表4可以看出,采用第6组I n c e p t i o n参数的模型预测精度最高,模型MA P E值为2.49%,R M S E值为19.15 M P a㊂表4不同I n c e p t i o n参数下的测试结果T a b l e4E x p e r i m e n t a l r e s u l t sw i t hd i f f e r e n t I n c e p t i o n p a r a m e t e r s编号I n c e p t i o n1I n c e p t i o n2I n c e p t i o n3F C1F C2MA P E/%RM S E/M P a 116,16,16,16,16,1616,16,16,16,16,1616,16,16,16,16,16882.6723.45 28,8,8,8,8,88,8,8,8,8,88,8,8,8,8,8882.8824.48 332,32,32,32,32,3232,32,32,32,32,3232,32,32,32,32,32882.5922.36 432,16,16,16,16,1632,16,16,16,16,1632,16,16,16,16,16882.6121.76 532,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,16882.5222.45 632,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,1616162.4919.15 732,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,1632162.7720.56 832,32,16,16,16,1632,32,16,16,16,1632,32,16,16,16,1648162.5720.24 3.3结果分析选取第6组I n c e p i o n模块参数作为本文模型采用的参数,得到模型中损失函数值(L o s s)与训练次数的关系如图8所示㊂从图8中可以看出,模型训练12000次左右时已趋于稳定,在不增加数据量的情况下,模型的L o s s值基本保持不变㊂故从测试集中取100条数据的预测值与实际值进行对比,结果见图9㊂由图9可知,基于本文所建模型的带钢抗拉强度预测值与实际值拟合情况较好,模型的适用性得到了验证㊂为进一步验证所建模型的有效性,利用B P图8损失函数值随训练次数的变化F i g.8V a r i a t i o n o f L o s s f u c t i o n v a l u ew i t h t h e i t e r a t i o n t i m e2432018年第5期胡石雄,等:基于卷积神经网络的热轧带钢力学性能预报图9带钢抗拉强度的预测值与实际值对比F i g.9C o m p a r i s o nb e t w e e n p r e d i c t e da n da c t u a lv a l u e so f s t r i p t e n s i l e s t r e n g t h神经网络㊁L e N e t-5和G o o g L e N e t三种模型分别对测试样本进行带钢力学性能预测,并选用均方根误差和平均绝对百分误差作为模型精度的衡量指标,结果如表5所示㊂由表5可见,本文所建模型的误差指标均低于其他模型的预测值,而直接利用卷积神经网络G o o g L e N e t模型的预测精度低于其他方法,尽管其深度优于L e N e t-5和本文所建模型,表明在热轧带钢力学性能预报问题上模型的预测精度并不完全取决于模型深度㊂另一方面,L e N e t-5模型中,卷积层数目较少且卷积核过于单一,模型的提取特征能力不够,适应性不强,导致其预测效果不佳㊂表5不同预测方法的评价指标T a b l e5E v a l u a t i o n i n d e x e s o f d i f f e r e n t n e t w o r km o d e l s 预测模型R M S E/M P a MA P E/%B P神经网络26.582.83L e N e t-524.322.77G o o g L e N e t31.253.68本文模型19.152.494结语针对热轧带钢的力学性能预测问题,本文提出一种将一维数值型数据转换成二维图像数据用来建模的方法,相比于传统的一维数值型数据,二维图像型数据中结构信息更丰富,能提取到的有效信息更多㊂文中引入卷积神经网络来构建影响因子之间的局部相互作用关系模型,基于G o o g L e N e t和L e N e t-5卷积神经网络结构的优点搭建带钢力学性能预报模型,并通过一个全连接层与输入层直接相连,将提取到的特征与卷积神经网络提取到的特征相融合㊂为验证该方法的有效性,文中代入某大型热连轧生产线的44760条历史实际生产数据进行测试,结果表明,与B P 神经网络及单独的G o o g L e N e t和L e N e t-5卷积神经网络结构相比较,本文所提方法的预测精度更高,本研究为热轧带钢力学性能预报建模提供了新的思路㊂参考文献[1]郭朝晖,张群亮,苏异才,等.关于热轧带钢力学性能预报技术的思考[J].冶金自动化,2009,33(2): 1-6.[2]贾涛,刘振宇,胡恒法,等.基于贝叶斯神经网络的S P A-H热轧板力学性能预测[J].东北大学学报:自然科学版,2008,29(4):521-524.[3] B h a t t a c h a r y y aT,S i n g hSB,S i k d a rS,e t a l.M i-c r o s t r u c t u r a l p r ed i c t i o n t h r o u g h a r t i f i c i a l ne u r a l n e t-w o r k(A N N)f o r d e v e l o p m e n t o f t r a n s f o r m a t i o n i n-d u ce d p l a s t i c i t y(T R I P)a i d e ds t e e l[J].M a t e r i a l sS c i e n c e a n dE n g i n e e r i n g:A,2013,565:148-157.[4] L e C u nY,B o s e rB,D e n k e r JS,e t a l.B a c k p r o p a-g a t i o na p p l i e dt oh a n d w r i t t e nz i p c o d e[J].N e u r a lC o m p u t a t i o n,1989,1(4):541-551.[5] S z e g e d y C,L i u W,J i aY Q,e ta l.G o i n g d e e p e rw i t hc o n v o l u t i o n s[C]ʊP r o c e e d i n g so f2015I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g-n i t i o n.B o s t o n,MA,U S A,J u n.7-12,2015:1-9.[6] K r i z h e v s k y A,S u t s k e v e r I,H i n t o nGE.I m a g e N e tc l a s s i f i c a t i o n w i t hde e p c o n v o l u t i o n a l n e u r a l n e t-w o r k s[C]//P r o c e e d i n g so f25t h I n t e r n a t i o n a lC o n-f e r e n c e o nN e u r a l I n f o r m a t i o nP r o c e s s i ng S y s t e m s.L a k eT a h o e,N e v a d a,U S A,D e c.03-06,2012:1097-1105.[7] S i m o n y a nK,Z i s s e r m a nA.V e r y d e e p c o n v o l u t i o n-a ln e t w o r k sf o rl a r g e-s c a l ei m a g er e c o g n i t i o n[J].C o m p u t e r S c i e n c e:C o m p u t e r V i s i o n a n d P a t t e r nR e c o g n i t i o n,2014.a r X i v:1409.1556.[8] L i nM,C h e nQ,Y a nSC.N e t w o r k i nn e t w o r k[J].C o m p u t e rS c i e n c e:N e u r a la n d E v o l u t i o n a r y C o m-p u t i n g,2013.a r X i v:1312.4400.[9]杨威,李维刚,赵云涛,等.基于随机森林的钢材性能预报与影响因素筛选[J].钢铁,2018,53(3): 44-49.343443武汉科技大学学报2018年第5期M e c h a n i c a l p r o p e r t yp r e d i c t i o no f h o t-r o l l e d s t r i p b a s e do nc o n v o l u t i o n a l n e u r a l n e t w o r kH uS h i x i o n g1,L iW e i g a n g1,2,Y a n g W e i1(1.E n g i n e e r i n g R e s e a r c hC e n t e r f o rM e t a l l u r g i c a lA u t o m a t i o na n dD e t e c t i n g T e c h n o l o g y o fM i n i s t r y o fE d u c a t i o n,W u h a nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,W u h a n430081,C h i n a;2.N a t i o n a l-p r o v i n c i a l J o i n tE n g i n e e r i n g R e s e a r c hC e n t e r o fH i g hT e m p e r a t u r eM a t e r i a l s a n dL i n i n g T e c h n o l o g y,W u h a nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,W u h a n430081,C h i n a)A b s t r a c t:I no r d e r t o i m p r o v et h e p r e d i c t i o na c c u r a c y o fm e c h a n i c a l p r o p e r t i e so fh o t-r o l l e ds t r i p,a m o d e l i n g m e t h o df o r t r a n s f o r m i n g o n e-d i m e n s i o n a ln u m e r i c a ld a t a i n t ot w o-d i m e n s i o n a l i m a g ed a t a w a s p r o p o s e d.B a s e do n c o n v o l u t i o n a l n e u r a l n e t w o r kL e N e t-5a n dG o o g L e N e t,an e wt y p eo fm o d e l f o rm e c h a n i c a l p r o p e r t yp r e d i t i o no f h o t-r o l l e ds t r i p w a se s t a b l i s h e d,a n d i t s a p p l i c a b i l i t y w a s t e s t e d b y e m p l o y i n g t h ea c t u a l p r o d u c t i o nd a t a.T h e r e s u l t s r e v e a l t h a t t h e T s p r e d i c t i o ne r r o ro f t h en e w m o d e l i s2.49%a n d t h e r o o tm e a ns q u a r ee r r o r i s19.15M P a,w h i c h i sm o r ea c c u r a t e t h a nt h a to f B P,L e N e t-5a n dG o o g L e N e t n e r u a l n e t w o r km o d e l s.T h e r e f o r e,t h e v a l i d i t y a n da c c u r a c y o f t h e e s-t a b l i s h e dm o d e l h a v eb e e nv e r i f i e d.K e y w o r d s:h o t-r o l l e ds t r i p;m e c h a n i c a l p r o p e r t yp r e d i c t i o n;c o n v o l u t i o n a l n e u r a l n e t w o r k;L e N e t-5;G o o g L e N e t[责任编辑董贞]。
起重机攀爬机器人运动学分析与仿真
起重机攀爬机器人运动学分析与仿真*赵章焰 秦 烺武汉理工大学交通与物流工程学院 武汉 430063摘 要：为了提高大型起重机械表面检测维护的安全性和效率，使用设计的攀爬机器人替代工作人员。
文中以攀爬机器人为研究对象，对其越障过程中的运动学以及运行轨迹进行研究。
采用改进的D-H 参数法对机器人支腿建立关节模型，在此基础上推导机器人的正逆运动学模型。
以蒙特卡洛法分析机器人越障过程中的支腿工作空间，并计算绘制机器人支腿末端点的工作云图。
使用五次多项式插值方法研究机器人在越障过程中从初始点到终点的路径，利用Matlab 的Robotics Toolbox 工具箱进行轨迹规划仿真，并分析机器人支腿末端点的位移、速度、加速度和轨迹。
仿真结果表明，机器人在越障过程中运行平稳，能够顺利完成工作。
运动学的分析也为后续的动力学、控制算法以及运动规划分析奠定理论基础。
关键词：攀爬机器人；运动学分析；多项式插值；工作域；轨迹规划中图分类号：TP242 文献标识码：A 文章编号：1001-0785（2022）14-0014-06Abstract: In order to improve the safety and efficiency of surface inspection and maintenance of large-scale hoisting machinery, climbing robots are used instead of workers. In this paper, the climbing robot is taken as the research object, and its kinematics and trajectory in the process of obstacle crossing are studied. The improved D-H parameter method is used to establish the joint model of the robot leg, and on this basis, the forward and inverse kinematics model of the robot is deduced. Monte Carlo method is used to analyze the workspace of the robot's outrigger during obstacle crossing, and the working cloud map of the robot's outrigger end point is drawn. The quintic polynomial interpolation method is used to study the path of the robot from the initial point to the end point in the obstacle-crossing process. The trajectory is simulated and planned by the Robotics Toolbox of Matlab, and the displacement, velocity, acceleration and trajectory of the robot's leg end point are analyzed. The simulation results show that in the process of obstacle-crossing, the robot runs smoothly and can finish the work smoothly. Kinematics analysis lays a theoretical foundation for subsequent dynamics, control algorithm and motion planning analysis.Keywords: climbing robot; kinematics analysis; polynomial interpolation; work domain; trajectory planning*基金项目：国家级基金“机电类特种设备风险防控与治理关键技术研究及装备研制”（2017YFC0805703）0 引言起重机械是用于港口码头装卸货物的主要设备，随着工作年限的增加会出现裂痕、生锈或表面污渍等现象，故需定期检查与清洁。
运用神经网络预报烧结终点
终点位置正确，但损失的热量过大，说明烧结配炭过
高。如果废气温度过低，则说明热量不足，虽完成了 烧结过程，但强度与成品率下降。 １．２烧结终点的数学模型
烧结废气温度呈现二次曲线峰值的特点。烧结
终点附近几个风箱的废气温度分布呈现二次曲线特
点；如果Ｔ ＜Ｔ ，且Ｔ２＞Ｔ３，废气温度具有极值特 性，可用曲线计算终点。 ２．１网络设计 根据神经网络理论［】 ］，输入层与输出层的节
点个数由问题本身决定。三层前向神经网络即可作 为万能逼近器，可任意精度逼近任意函数。隐含层 的层数与隐含单元个数的设计，目前还没有形成确 定的规则，但是国内外各领域实践证明，具有２个以 上的隐含层及隐含单元个数多的神经网络比只有一 维普资讯
表示了烧结过程完成时在烧结机长度上的实际 位置。 目前的问题是，现在时刻烧结状态正常，烧结终
点位置与温度都在要求的范围，那么在延迟一定时
间后能否也在正常状态，下一段时间的烧结终点位
置与废气温度是多少，是否合理，如何调整，这就是
烧结终点的预测预报与调整操作。从布料点火到烧 结结束到达终点，烧结周期（时间）随垂直烧结速度
络，进行多因素输入建模，输出采用具有极值特性的二次曲线计算的烧结终点与实际最高废气温度，预报烧结终点 与最高废气温度，为现场终点控制的最新可行方法 网络结构设计先进合理、精度高、泛化能力强，训练方差为 ０．０００ ０１８ １４，用训练样本集测试输出，烧结终点绝对平均误差为０．０４，终点废气温度绝对平均误差为４．５７℃ 采 用训练后网络预报，烧结终点（风箱号）绝对误差最大仅为０．０９，终点废气温度绝对误差最大为３．５７℃，命中率
ｃａｌｅ ＢＴＰ ｔｏ ｃｏｎｔｒｏ１．Ｔｈｅ ｎｅｔｗｏｒｋ ｐｏｓｓｅｓｓ ａｄｖａｎｃｅｄ ｒｅａｓｏｎａｂｌｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｄｅｓｉｇｎｓ．ｈｉｇｈ ａｃｃｕｒａｃｙ ａｎｄ ｓｔｒｏｎｇ ｇｅｎ—
7-8基于的BP神经网络的地铸坯高高质量预报模型开发
基于BP神经网络的铸坯质量预报模型李向奎张家泉（北京科技大学钢冶系）摘要：针对国内某钢厂大方坯连铸机的特点，采用BP神经网络开发了用于预报中心偏析、中间裂纹及中心裂纹的铸坯质量预报模型。
利用Visual C++6.0编写了相应软件，并使用该厂连铸生产中的实际数据作为样本，对构建的网络进行了训练。
采用训练成功的网络对样本进行了预报，结果表明，该模型具有较高的预报精度，能够满足现场的使用要求。
1、前言连铸是钢材生产中的一个重要工序，连铸坯质量好坏不仅和钢材的最终质量密切相关，还影响整个钢铁企业的生产效率。
随着国家大力提倡发展循环经济，冶金企业对节能降耗的要求也越来越高。
在以具有能耗低、投资省、成材率高、生产周期短等明显特征的近终形连铸一连轧、热送热装和直接轧制为代表的工艺紧凑化技术飞速发展的今天，传统的冷态取样检查铸坯质量的判定方法已远远不能适应这一要求, 而利用模型在线诊断预报铸坯质量新技术的发展成为必然。
近十多年，关于铸坯质量的在线预报，国内外进行了不断探索。
英国钢铁公司于20世纪80年代开发了结晶器热监控专家系统（MTM）[1~2]，该系统通过热电偶测定结晶器铜板温度场进行漏钢预报和表面质量预报。
奥钢联开发了计算机辅助质量控制专家系统（CAQC）[3~6]，曼内斯曼.德马格公司开发了质量评估专家系统（XQE）[7]以及Daneli公司开发了QCS专家系统等等[8]。
宝钢在日本新日铁的计算机辅助质量判定(CAQJ )系统的基础上，依靠宝钢自身的技术力量，经过工艺、设备和计算机人员的共同努力开发了板坯品质异常把握模型和漏钢预报系统[9~10]。
上面这些系统有一个共同的特点：其预报方法大部分都是基于连铸机理模型所建立的逻辑判断模型。
由于连铸是一个边充填、边凝固并涉及凝固体高温塑性变形的复杂的动态凝固工艺，铸坯缺陷产生的机理非常复杂，影响铸坯质量的因素繁多，应用基于凝固机理的数学模型建立的铸坯质量预报模型很难达到令人满意的预报精度，所以在实际应用中具有相当大的局限性。
人工神经网络模型预测高碳钢高速线材力学性能
人工神经网络模型预测高碳钢高速线材力学性能
芮晓艳
【期刊名称】《特殊钢》
【年(卷),期】2000(021)005
【摘要】以现场试验数据为基础,采用人工神经网络方法获得高碳钢高速线材力学性能与化学成分和生产工艺参数之间相关性的预测模型.将预报结果与试验结果相比较可知,该模型具有较高的精度.
【总页数】3页(P17-19)
【作者】芮晓艳
【作者单位】唐山钢铁(集团)有限责任公司,唐山,063016
【正文语种】中文
【中图分类】TF7
【相关文献】
1.利用人工神经网络模型预测Q235B热轧板带力学性能 [J], 黄海娥;阎俊岗;王红岩;邢淑清;宿国栋;麻永林
2.基于神经网络的高碳钢高速线材控冷工艺优化 [J], 冯贺滨;李连诗
3.应用人工神经网络模型预测Ti-10V-2Fe-3Al合金的力学性能 [J], 曾卫东;舒滢;周义刚
4.控轧控冷生产中高碳钢高速线材组织和性能的预测模型 [J], 冯贺滨;李连诗;刘明哲;褚建东;李克敏
5.用人工神经网络模型预测高碳钢高速线材力学性能 [J], 芮小艳
因版权原因，仅展示原文概要，查看原文内容请购买。
钢铁工业BP神经网络运用思考
钢铁工业BP神经网络运用思考人工神经网络（ArtificialNeuralNetworks，即ANN）是20世纪80年代发展起来的一种模仿生物结构和功能的信息处理系统，它具有自组织、自学习、自适应、快速处理、高度容错、联想记忆以及可以逼近任意复杂的非线性系统等独特优点。
在材料科学与工程领域中，人工神经网络在处理材料科学的许多问题中发挥了巨大作用，已普遍用于材料设计与成分优化、材料的智能加工与控制、材料加工工艺的优化、材料相变规律研究与相变点预测、材料性能及缺陷预测等方面［1-6］。
在钢铁工业中，基于误差反向传播网络（BackPropagation，即BP算法）的神经网络以其结构清晰、可操作性强等优点而成为钢铁工业中使用最广泛的一种人工神经网络模型。
1BP神经网络简介1986年，Rumelhart，Hinton和Williams完整而简明地提出一种ANN的误差反向传播训练算法（简称BP算法），系统地解决了多层网络中隐含单元连接权的学习问题，由此算法构成的网络我们称为BP网络。
1.1BP神经网络的基本原理BP网络的基本思路是将训练过程分为两个阶段，第一阶段正向传播，输入信息从输入层经隐含层单元处理后传向输出层，每一层神经元的状态只影响下一层神经元状态。
倘若在输出层得不到希望的输出，则转入第二阶段反向传播，将误差信号沿原来的神经元连接通路返回。
通过修改各层神经元的权值，逐次地向输入层传播进行计算。
这样，反复地运用这两个过程，使得误差信号最小，最后使得信号误差达到允许的范围之内。
1.2BP神经网络的神经元模型BP神经元的结构模式如图1所示，基于以下几点假定：其一，每一个神经元是一个多输入单输出的信息单元；其二，突触分兴奋性和抑制性两种类型；其三，神经元输出有阈值特性；其四，神经元输入与输出间有固定的时滞；其五，忽略时间的整合和不应期；其六，神经元本身是非时变的。
BP神经元的三个重要功能：一是加权-可对每个输入信号进行不同程度的加权；二是求和-确定全部输入信号的组合效果；三是转移-通过转移函数f（.），确定其输出。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3. 1 人工神经网络的基本原理
人工神经网络 (Artificial Neural Network ,简称 ANN) 是模拟脑神经传递信息的方法建立起来的 一种人工智能模式识别方法 ,具有很强的自学习 能力 、容错能力 、自组织能力和推理能力 , 适于处 理难以用准确数学方程进行描述的复杂的非线性 关系以及人类还没有完全掌握和了解规律的复杂 系统[4 - 10 ] 。
作者简介 :何 平 (1960 - ) ,男 ,四川宜宾人 ,教授级高级工程师 ,主要从事钢铁冶金与自动控制技术研究.
第2期
何 平 ,等 :攀钢高速重轨神经网络性能预报模型研究
·23 ·
系统[3] 。因此 ,可采用人工神经网络对钢铁材料 的性能进行预测 。
1 高速重载钢轨性能要求与生产工艺
3. 2 性能预报模型的确立
用人工神经网络的方法对材料的力学性能进 行预测有很高的精度 ,尤其对于同一钢种的相似 的工 艺 条 件 , 更 具 有 可 信 性 。而 BP 神 经 网 络 (Back2Propagation ,误差反向传播神经网络) 是目前 应用最广泛的神经网络算法 。据统计 ,90 %的神 经网络应用是基于 BP 算法的 。因此 ,我们开发 建立了针对高速重载钢轨的 BP 神经网络预报模 型 ,其训练结构如图 2 所示 。
1. 3 组织特征
攀钢高速重载钢轨 U75V 轧制后冷却控制曲 线为 : 温 度 为 950 ～ 800 ℃时 , 冷 却 速 度 为 1. 2 ℃/ s ;温度为 800 ～ 700 ℃时 , 冷却速 度 为 0. 68 ℃/ s ;温度为 700～600 ℃(相变温度) 时 ,冷却速 度为 0. 3～0. 4 ℃/ s ;温度为 500～300 ℃时 ,冷却 速度为 0. 2 ℃/ s。在这样的冷却曲线下 ,获得的 组织全部为珠光体 。即使按上限冷却速度控制 , 也不会出现马氏体组织 。
摘 要 :提高重轨钢的性能控制能力对其产品质量保证有重要作用 。采用神经网络方法建立了重轨生 产性能预报模型 ,并通过模型结构优化提高了模型预报的可靠性 。通过模型自检 、历史数据检验和离线 应用 ,表明高速重轨的抗拉强度与伸长率预报命中率较高 ,可基本满足生产要求 。 关键词 :高速重轨 ;性能预报 ;神经网络 ;模型 中图分类号 : TG335 文献标识码 :A 文章编号 :100121447 (2008) 0220022205
P ≤ 0. 030
S ≤ 0. 025
V
0. 04～ 0. 12
表 2 攀钢高速重载钢轨钢 U75V 力学性能
项目 标准要求
抗拉强度/ MPa ≥980
伸长率/ % ≥9
1. 2 生产工艺
攀钢高速重载钢轨是在原炼铁 、炼钢 、精炼的 基础上新增大方坯连铸 、万能轧机等装备建立的 一条现代化钢轨生产线 。其具体生产流程如下 :
在高速重载钢轨生产过程中 ,生产工艺以及 设备状况均在一定程度上存在不断变化的现象 , 主要包括成分变化 、加热炉控制稳定性变化 、轧制 过程中各机架轧制力的波动 、冷却能力的变化等 等 。在万能轧机投入的初期 ,高速重载钢轨的生 产工艺控制还不太稳定 ,这主要是因为在前期 ,整 个生产线的设备和工艺均处在调试阶段 ,有关生 产工艺制度和设备参数正在探索过程中 。首先是 化学成分控制能力方面 ,各成分 (质量分数) 波动 比较大 C :0. 72 %～0. 79 % ,Si :0. 59 %～0. 71 % , Mn :0. 83 %～0. 98 % , P :0. 014 %～0. 030 % ,S : 0. 004 %～0. 020 %。对于轧制工艺来说 ,在调试 和试运行期间 ,其轧制温度波动也比较大 ,特别是 终轧温度波动范围随生产过程变化均比较大 。第 一批和第二批数据终轧温度特别分散 ,到第三批数 据时 ,终轧温度明显分为两类数据集 ,一类集中在 780～840 ℃之间、另一类集中在 925～975 ℃之间。
Abstract : The control of mechanical properties of high speed heavy rail steel is very important to guarantee its quality. A mathematic model to predict the mechanical properties of heavy rail steel has been developed by means of neural network according to the demand of production. Owing to continuing optimization of the model structure the prediction reliability of the model is improved. The results of self - checking , testing by history data , and application of the model have proven that the model has higher prediction reliability to the tensile strength and elongation value , which can meet the production demand. Key words : high speed heavy rail ; property prediction ; neural network ; model
Study on a neural net work model to predict the mechanical properties of high speed heavy rail steel at Pan Steel
HE Ping1 , LIU Liu1 , LIU Wei1 , LIU Kun1 , PU Xue2kun2 , MEI Dong2sheng2 (1. Technology Research Division , Central Iron & Steel Research Institute , Beijing 100081 , China ; 2. Panzhihua Iron and Steel Group Co. Panzhihua 617000 , China)
· 2 4 ·
钢铁研究
第 36 卷
层或多层 ,每层上的神经元称为节点或单元 。
化学成分作为输入 ;二是根据实际生产工艺 ,确定 开轧温度 Tk 、终轧温度 Tz 作为输入 。
图 1 单个神经元模型图
BP 神经网络的神经元采用的传递函数通常 是 Sigmoid 形可微函数 ,可以实现输入和输出的任 意的非线性映射 。它根据对象的输入输出数据直 接建模 ,无需对象的先前知识 ,网络只根据训练样 本的输入输出数据来自动寻找其中的相互关系 , 并且具有自学习的特点 。
BP 神经网络的算法属于δ算法 ,是一种监督 式的学习算法 。其主要思想为 :对于 q 个输入学 习样本 P1 , P2 , . . . , Pq ,已知与其对应的输出样本 为 T1 , T2 , . . . , Tq 。学习的目的是用网络的实际 输出 A1 , A2 , . . . , Aq 与目标矢量 T1 , T2 , . . . , Tq 之 间的误差来修改其权值 , 使 Ai ( i = 1 , 2 , . . . , q) 与 期望的 Ti 尽可能地接近 ,使网络输出层的误差平 方和最小 。它是通过连续不断地在相当于误差函 数斜率下降的方向上计算网络权值和偏差的变化 而逐渐逼近目标的 ,每一次权值和偏差的变化都 与网络误差的影响成正比 ,并以反向传播的方式 传递到每一层 。
高炉炼铁 →铁水预处理脱硫 →120 t 顶底复 吹转炉炼钢 →130 t LF + RH 精炼 →大方坯连铸 (6 流 ,M - EMS ,轻压下 ,断面为 280 mm ×380 mm 和 280 mm ×325 mm) →步进式加热炉 →万能轧机轧 制 →步进式冷床 →9 + 7 复合矫直 →检测中心检 测 (断面尺寸 、平直度 、超声波 、涡流探伤) →双向 液压辅矫 →锯切加工 →检查 →成品钢轨 。
神经元是人工神经网络的基本处理单元 ,它 是一个多输入/ 单输出的非线性元件 (图 1) 。神 经元输出除受输入信号的影响外 ,同时也受到神 经元内部其它因素的影响 ,所以在人工神经元的 建模中 ,还加有一个额外输入信号 ,称为偏差 ,也 称为阀值或门限值 。
BP 神经网络 (Back - Propagation ,误差反向传 播神经网络) 是目前应用最广泛的神经网络算法 , 它包含输入层 、隐含层及输出层 ,隐含层可以为一
根据影响机械性能的主要因素 ,确定攀钢高 速重载钢轨性能预报数据采集主要包括以下 3 个 方面的内容 : (1) 初始数据 :炉号 、批次 、钢种 、化学 成分 (C、Si 、Mn 、S、P、V) 、连铸坯规格 、产品规格 ; (2) 轧制过程工艺数据 :开轧温度 、终轧温度 ; (3) 性能数据 :抗拉强度 、伸长率 。
1. 1 化学成分及性能要求
攀钢目 前 生 产 的 高 速 重 载 钢 轨 主 要 钢 种 为 U75V ,其化学成分见表 1 ,力学性能要求见表 2 。
表 1 攀钢高速重载钢轨钢 U75V 化学成分 ( wB) %
C0. 71～ 0. 80 NhomakorabeaSi
0. 50～ 0. 80
Mn
0. 75～ 1. 05
1. 4 影响 U75V 钢轨钢性能的主要因素
U75V 钢轨钢组织为珠光体 ,其强度主要与珠 光体片层间距有关 ,而塑性主要与原始奥氏体晶 粒度尺寸有关 。在后续冷却条件一致的情况下 , 影响 U75V 钢轨钢机械性能的主要因素是化学成 分 、开轧温度和终轧温度 。