热镀锌锌层重量模型中神经网络的研究.PDF

热镀锌锌层重量模型中神经网络的研究 Study of Neural Network for Hot-Dipping Galvanizing Zinc Weight Model 俞鸿毅 黄慎之 石燕 (宝山钢铁股份有限公司，上海 200941) 摘 要 论述了热镀锌锌层重量模型中 3 种常用神经网络的仿真结果，并由此归纳出锌层重量模型中比较合 适的神经网络类型和激励函数的结论，适合当今先进生产的优良效果要求。 关键词 BP 网络 MLP 网络 仿真 校正 Abstract Simulations of three common neural networks for the hot-dipping zinc weight model are described. Based on the comparison among these simulations, appropriate neural networks and excitation functions for the hot-dipping zinc weight model are found. They can meet requirements of production process with advanced technologies and high performance. Keywords BP network MLP network Simulation Calibration 0 引言 宝钢 1550 单元热镀锌机组引进了一套锌层重量自动控制系统，其控制框图如图 1所示。 图 1 镀层重量控制系统的控制框图 该系统是“黑匣子”。例如，气刀压力前馈控制数学模型只知道采用神经网络，但是神 经网络的类型和结构都不清楚。为了掌握系统中的关键技术，我们采用系统仿真和拟合技术 对整个系统进行了研究。本文论述了对其中的主要部分——“气刀压力前馈控制模型”的研 究。 1 确定神经网络类型 我们建立的是系统输入参数—影响气刀压力变化的主要因素与系统输出参数—气刀压 力之间的神经网络模型。初步选取输入层结点数为 4 个，即带钢速度、气刀距离、气刀高度、 气刀角度和镀层实际重量；输出层结点数为 1个即气刀压力。 为了对神经网络进行仿真，搭建了数据采集系统。主要采集的数据有带钢速度、气刀距 离、气刀高度、气刀角度、镀层实际重量和现有模型的气刀压力设定输出 1.1 采用 BP 神经网络的模型仿真 1.1.1 确定BP 神经网络的结构 第 1 页 共 6 页 隐节点数的多少对网络性能的影响较大。当隐节点数太多时，会导致网络学习时间过长， 甚至不能收敛；而当隐节点数过小时，网络的容错能力差。因此我们根据神经网络计算理论 中的有关公式以及试验尝试了不同隐层节点的建模。表1是不同隐层节点对模型的影响比较。 表 1 不同隐层节点对模型的影响 隐层结点 K=3 K=6 K=8 K=10 K=12 模型拟合 5.0e-05 1.0e-04 3.6e-05 4.2e-05 3.2e-05 模型预测 9.2e-05 3.3e-04 5.3e-05 4.6e-05 6.9e-05 最后我们确定隐层结点数为 10 个，BP 的中间隐层为一层。 1.1.2 选择激励函数 常用的激励函数（sigmoid 函数）有对数函数﹑双曲正切函数和线性函数。我们采用仿 真技术模型对上述 3 个激励函数的效果进行了筛选。如图 2 所示