神经网络优化理论研究及应用_第4章优化网络在板形模式识别中的应用_44_59

第4章优化网络在板形模式识别中的应用

4.1 引言　

板形是表征板带材横向质量的，它包含两重意义：一重意义是指板带材的横向厚差；另一重意义是指板带材的横向张力差。前者主要对中厚板起作用；后者对薄板起作用，用平直度来标定[45,46]。对冷轧带钢来说，“板形”的概念通常指平直度，平直度是指不平直的程度，亦即对一平坦平面的偏离程度，平直度也就是这种偏离程度的计量。“板形”就其实质而言，是指带钢内部残余应力的分布程度[47]。通常冷轧带钢产品不允许有明显的浪形与瓢曲等板形缺陷存在，因为板形不良将影响用户的使用。如带钢在长度方向在水平面上向一边弯曲，会影响用户放样下料、自动进料或材料的利用率，更为严重的是切不成材，无法使用。因此板形是冷轧带钢产品标准的保证项目之一。

在板形闭环控制策略中，板形缺陷识别和控制策略优化是彼此相关的两个重要环节。为制定合理的控制策略，须通过对实测的一组板形应力信σ（i=1,2,…,n）进行模式识别，并以约定的参数定量的提供给下一控制号

i

环节，这即为板形缺陷模式识别。在实际板形控制系统中，轧机出口带材的板形信息可以通过板形仪在线测量获得。众所周知，轧机不同的执行机构控制不同类型的板形缺陷，而由板形仪测得的板形数据是一个综合板形缺陷，无法直接应用到板形控制系统中。只有通过适当的方法进行模式分解，提取出控制系统各回路的控制量，才能达到控制板形的目的。因此，实测板形的模式分解是板形控制系统中必不可少的一个环节，也是板形控制中的一个热点。

板形模式识别的主要任务是把在线检测到的（或理论计算得到的）一组张力分布离散值，经过一定的数学方法，映射为较少的几个特征参数，并且具有如下性质[48]：

（1）尽可能少的状态变量，数学表达简练；

（2）不丢失必要的信息，特征参数能够完全反映原应力分布值所决定的带钢板形质量状态；

（3）特征参数便于计算机处理，满足控制上的要求。

对于处理这组离散的板形应力值，目前采用较多的是基于多项式的最小二乘法拟合原理的普通多项式回归方法和正交多项式回归分解法[49,50]。

基于多项式的板形模式识别方法，虽然能够有效地分解实测板形数据，但是其弱点在于，板形缺陷模式较复杂，数学描述及作为控制参数使用均不方便[51~53]，抗干扰能力差，已不能满足新一代高技术板带轧机的在线板形控制的需要[54]。为此根据被控轧机的技术、工艺实况及控制要求，定义N种简单的板形缺陷模式作为基本模式，则识别结果就是其中某一种基本模式或几种基本模式的组合,该识别方法数学表达简练，便于描述；能正确反映原应力分布所决定的板形状况；可直接输入后续控制环节，满足控制要求。

目前人工智能技术在轧制中的应用取得了较大的进展[55,56]，在板形识别中使用较多的有两种新方法:模糊分类原理模式识别法和人工神经网络原理板形识别法[57~63]。两种新方法完成一次识别所需时间都很短；在预先以工艺原则选择基本模式时能考虑轧机的各种板形调控能力。人工神经网络原理板形识别法对实测信号具有一定的容错能力，而且由此导致的对主要模式成分的夸大和对次要模式成分的缩小，相当于一种智能调节器的作用。与之相比较，模糊分类原理板形模式识别法的识别能力和精度不如前者，但它的模型简单实用，快速有效，能给出稳定的定量识别结果。

文献[57,61]中，提出的神经网络识别方法，网络输出均为6个，即对应6种标准的板形缺陷模式，6个输出均介于0~1之间，仅仅反映待识别板形偏差信号的缺陷类型，而不能定量反映每种板形缺陷的实际数值，这样就无法为板形控制提供可靠的依据；隐节点数量是随机选取的，存在一定的盲目性；还有一个关键问题是板形标准模式的选取不满足板形值自相平衡即沿横向的积分为零的条件。这是上述识别方法的不足之处。

4.2　优化网络在板形模式识别中的应用

本节在分析现有板形识别方法存在问题的基础上，根据文献[48]提出的基于勒让德多项式系板形模式识别方法，将第3章所述前向网络优化设计方法用于板形缺陷模式的识别，建立了6输入、3输出的识别网络。将待测板形信号与6个标准板形模式的欧氏距离作为网络输入，板形模式的

3个特征值作为网络输出。基于遗传算法的网络优化设计方法的应用，使识别网络在训练过程中，始终保持最优的网络结构和映射关系，避免了以往神经网络识别方法中，隐节点及隐层作用函数选取的盲目性，能够快速、准确的表达板形缺陷的模式信息及数值大小，为后续板形控制调节量的设定提供了可靠依据，满足高精度、实时板形控制的要求。

4.2.1 待识别板形的归一化处理

由于板形仪检测的板形数据是带材的前张应力数值，而板形是指带钢内部残余应力的分布，因此须在前张应力分布值中消除平均前张应力的影响，即可得到轧后带材残余应力分布值，也就是板形值。

设板形仪测得带材前张应力为q σ，则其实测板形值为

2/))](,([)()(i x trapz i i q q m σσσ−= (i ＝1,2,…,n ) （4-1）

式中 m σ——板形仪测得的实际板形

q σ——板形仪测得的带材前张应力

x ——检测辊各测量段中心到带材中心处的坐标，]1,1[−∈x n ——n 为被带材覆盖的板形仪的测量区段数

trapz ——Matlab 工具箱中的积分函数，用以求出平均前张力 设目标板形残余应力为t σ，则板形调节偏差为

)()()(i i i t m σσσ−=∆ (i ＝1,2,…,n ) （4-2）

式中 t σ——选定的目标板形

由于BP 网络中S 型非线性函数f (x )随着x 的增大，梯度下降并趋于零，不利于权值的调整，因此希望x 工作在较小的区域。故将网络输入做归一化处理，使实测数据转换为()0.1,0范围内的变量，然后作为网络输入。

板形偏差的最大值为

)}({max 1max i n

i σσ∆=∆= (i ＝1,2,…,n ) （4-3）

由式（4-2）、（4-3），可求得板形偏差的归一化处理结果

max

)

()(σσσ∆∆=

′∆i i (i ＝1,2,…,n ) （4-4）