基于神经网络的热连轧精轧机组预报模型研究

• 作 者: 刘东东
• 机 构: 济南大学
• 出 处: 济南大学
• 发表日期: 2007年期
• 关键词: 多神经网络 预报模型 热连轧 轧制力预报

随着"十一五"项目建设和社会主义新农村建设的启动,近年来我国固定资产投资的高速增长和机械行业的稳定运行使得钢材的需求大大增加.国内多家钢铁企业都争相扩展自己的宽热连轧生产线,以适应市场的扩容.随之而来的就是对热连轧生产线的技术改造,提高产品质量,降低成品成本,增强企业自身的竞争力;然而,技术改造中的一个重大课题--研究热连轧精轧机组的预报模型成为一个必须要解决的问题.
由于热连轧精轧机组中存在大量难以控制或者难以测量的干扰因素,如轧制力的分配、轧制时的温降、轧制速度、压下量、轧件和轧辊的几何尺寸以及摩擦条件等等,各因素之间耦合性强、变化速度快,情况比较复杂.虽然自热连轧诞生之日起,人们就一直研究这个课题,但是限于当时的客观条件,得到的数学模型都比较粗糙,简化了许多未知条件,因此不能得到相对精确的预报结果.人工神经网络的应用为轧制理论的发展揭开了新的篇章,从新的视角去处理轧制过程中遇到的实际问题.神经网络不需要知道热连轧系统的精确模型,只需要对历史数据进行一段时间的训练就能自动进行学习,就能形成较为精确的数学模型;但是由于神经网络需要一定的训练时间,这样得到的数学模型具有相当大的滞后性,使得它不能满足在线高速轧制的要求.
本文针对神经网络预报模型的滞后性问题采用了一种新的解决方案--多神经网络预报,这种多神经网络预报模型虽然不能从根本上解决滞后问题,但是却能在提高预报精度的基础上缩短滞后时间.多神经网络实际上是将历史数据按照轧制时间的长短分为长期数据集合和短期数据集合,然后对这两种数据集合分别使用不同的神经网络进行训练,并行预报目标,并综合各自的结果得出最后的预报结果.这样得到的预报模型的滞后时间实际上只取决于训练时间最短的那个神经网络模型.从提高预报精度的角度讲,多神经网络模型在每一次预报中得到的预报结果都是由几种神经网络联合做出的,能够较好地避免或减小由于只使用单一神经网络造成的预报偏差,因此采用多神经网络建立预报模型是完全合理的.
文中还对轧制理论的历史和各种神经网络的发展及理论基础进行了较为系统的阐述.根据实验条件挑选了热连轧精轧机组预报模型中较为有代表性的轧制力预报模型作为实验对象,并对其进行MATLAB仿真;通过与经典理论模型、单神经网络预报模型的比较,可以看出多神经网络预报模型在预报精度和预报时间上都优于以上两种预报模型,这进一步验证了多神经网络模型的可行性和实用性.