[發明專利]帶鋼軋制過程改造方法

無效

• 申請號: 200910048006.5
• 申請日: 2009-03-23
• 公開（公告）號: CN101844154A
• 公開（公告）日: 2010-09-29
• 發明（設計）人: 程明
• 申請（專利權）人: 上海都峰智能科技有限公司
• 主分類號: B21B37/00
• 分類號: B21B37/00;G05B13/02;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

所屬技術領域

本發明專利涉及一種智能控制方法，特別是一種改進的神經網絡控制方法，應用于帶鋼軋制過程改造方法。

背景技術

帶鋼軋制過程是一個復雜的非線性動態過程，厚度和凸度分別是衡量板厚和板形指標的重要依據，而傳統的線性控制方法難以滿足高精度的板形板厚控制要求。由軋制理論可知，彎輥力、軋輥輥縫、軋機工藝性、熱傳導，來料的硬度變化等因素，都會影響板帶的厚度和板形，而且它們之間存在很強的非線性耦合關系。由于神經網絡具有較好的學習能力和非線性逼近特性，以神經網絡為基礎的控制器在理論和實際應用上已有一定的研究，包括神經網絡為基礎的解耦控制器。由于神經網絡的學習能力對整個解耦控制器的解耦性能具有很大的影響，因此本發明提出了一種改進的神經網絡學習方法。

BP學習算法的基本原理是梯度最速下降法，其中心思想是調整權值使網絡總誤差最小。采用梯度搜索技術，以使網絡的實際輸出值與期望的誤差均方值最小。網絡學習過程是一種誤差后向傳播修正權系數的過程。

一般來說，學習率越大，權值的改變越激烈，在訓練初期，較大的學習率對誤差的快速下降有利，但到了一定階段，大的學習率可能導致振蕩，即出現能量函數忽升忽降或不降反升。所以，緩慢的收斂速度和對算法收斂參數的依賴是BP算法的明顯不足。眾多方法提出了改進方案，以下是一種能綜合考慮收斂速度和參數魯棒性的算法。

發明內容

本發明利用下述改進的神經網絡學習方法和對角矩陣解耦方法相結合的方式，其中控制器中解耦部分對角通道采用改進的神經網絡方法，控制器中主通道中采用PID控制方法，提出了一組循環流化床鍋爐優化方法。其中對角矩陣解耦方法和PID控制方法是傳統方法，僅對改進的神經網絡學習方法加以描述。

BP網絡計算的主題步驟：

(a).置各權值和閥值的初始值(p＝1，2...Q)其中p為第若干層，Q表示總層數

(b).輸入訓練樣本(I_q，d_q)，(p＝1，2...M)其中M表示輸入輸出數量，對每一個樣本計算輸出和權值修正

(c).計算網絡各層的實際輸出x^p＝f(s^p)＝f(w^px^p-1)，式中f(*)為激活函數

(e)若其輸出與各頂模式對的期望輸出不一致，則將其誤差信號從輸出端反向傳播回來，并在傳播過程中對加權系數不斷修正，直到在輸出層神經元上得到所需要的期望輸入值為止。對樣本完成網絡權系數的調整后，再送入另一樣本模式對進行類似學習，直到完成個訓練學習為止。

以下利用共軛梯度法對權值修正：

考慮二次型性能函數其梯度為其二階梯度是Hessian矩陣于是，梯度的改變量是

Δg[k]＝g[k+1]-g[k]＝(Qw[k+1]+b)-(Qw[k]+b)＝QΔw[k]＝α[k]Hp[k]

式中，α[k]是在時刻延方向p[k]搜索使性能函數E(w)最小的學習率

對于二次型性能函數，最優學習率按下式確定于是，根據共軛條件，并由于學習率是一個標量，所以α[k]p^T[k]Hp[j]＝Δg^T[k]p[j]＝0。共軛條件就轉變為搜索方向p[j]與梯度的改變量Δg[k]正交，而與Hessian矩陣無關。

初始搜索方向p[0]可以是任意的，第1個迭代方向p[1]只要與Δg[0]正交即可，通常以最速下降方向開始，后續的方向p[k]只要與梯度的改變量序列{Δg[0]，Δg[1]，...Δg[k-1]}正交即可。一種簡要的方法是采用迭代