[發明專利]基于人工神經網絡的鑄坯質量在線預報的控制方法

無效

• 申請號: 201210426385.9
• 申請日: 2012-10-30
• 公開（公告）號: CN102937784A
• 公開（公告）日: 2013-02-20
• 發明（設計）人: 幸偉;馬春武;徐永斌;徐海倫;陳洪智;邵遠敬;葉理德;袁德玉
• 申請（專利權）人: 中冶南方工程技術有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 唐萬榮

技術領域

本發明屬于冶金自動控制技術領域，特別涉及一種鑄坯質量在線預報的控制方法，利用人工神經網絡技術對鑄坯質量在線預測和預報。

背景技術

近幾十年來，連鑄坯熱送熱裝以及連鑄坯連軋技術使連鑄成為最活躍的研究領域，這些技術的發展大幅度降低了設備投入及生產成本，提高了產品競爭力。熱送、熱裝、直接軋制技術優點多多，但要求生產線上生產的是無缺陷鑄坯，即鑄坯的表面質量和內部質量基本上能不經清理就能滿足直接軋制的要求。

過去，連鑄機生產的鑄坯質量主要以冷態下鑄坯的質量來評定。但這種冷態取樣和檢查的傳統鑄坯質量控制方法顯然不能滿足熱送、熱裝和直接軋制工藝的要求。對缺陷鑄坯進行檢測判定并生產中及時在線預報和檢測鑄坯質量，對確保生產的連續性、提高產品質量及降低生產成本具有重要的意義。

目前鑄坯質量預報方法主要為：

（1）基于物理手段的檢測判定，要包括：渦流檢測、光學檢測、感應加熱檢測、電磁超聲波測試法等，這些方法可檢測出的缺陷定量描述參數和缺陷種類都十分有限,無法綜合評估產品的表面質量狀況。

（2）質量判定專家系統，通過對冶金專家知識（包括現場經驗和數據挖掘規則）、構建知識庫，并設計推理機制建立連鑄板坯判定專家系統。同時利用解釋接口對專家系統的判定進行理解，進而指導板坯質量的控制。而知識的質量和數量又是決定專家系統性能的關鍵因素，需要對長期生產經驗的歸納總結。

對于鑄坯質量來說，影響并產生質量缺陷的因素太多，且各因素之間存在著非線性關系，很難用準確的數學方程進行描述，因此，引進人工智能技術來對鑄坯質量進行在線預報，對鑄坯質量各特性參數的非線性、不確定性和復雜性進行有效的檢測和預報顯得非常必要。

人工神經網絡是在對人腦組織結構和運行機制的認識理解基礎上,模擬其結構和智能行為的一種工程系統。它利用非線性處理單元來模擬生物神經元,用多層、多個處理單元的網絡構成一個大規模并行的非線性系統,適合于表達多影響因子的非線性復雜因果規律。神經網絡可以在不建立數學模型的條件下，通過訓練學習建立輸入集與輸出集之間的映射關系，適合于處理需要同時考慮許多因素和條件不確定以及模糊的信息問題。因此利用人工神經網絡來建立質量預報模型具有非常顯著的優勢。

發明內容

本發明要解決的技術問題是：提供一種基于人工神經網絡的鑄坯質量在線預報的控制方法，能夠及時準確的在線對鑄坯質量進行預測和預報。

為解決上述技術問題，本發明采取的技術方案是：

基于人工神經網絡的鑄坯質量在線預報的控制方法，其特征在于該方法包括如下步驟：

步驟1：首先選擇預測模型變量，建立神經網絡模型；

設定具體的鑄坯質量缺陷預測目標，并將影響該預測目標的相應的工藝設備參數變量作為輸入層的節點；然后確定中間層和輸出層變量、輸入層至中間層以及中間層至輸入層的各連接權值、中間層以及輸出層的閾值，建立由輸入層、隱含層、輸出層構成的三層BP神經網絡模型；

三層BP網絡模型的結構為：輸入層n個輸入神經元分別代表影響設定為預測目標的鑄坯質量缺陷的n個主要工藝和設備參數，隱含層q個隱含神經元作為中間層各單元，輸出層1個輸出神經元代表鑄坯質量缺陷預測目標的質量缺陷等級；輸入層與隱含層之間通過輸入層至中間層的連接權值相關聯；隱含層和輸出層通過中間層至輸入層的連接權值關聯；

設定為預測目標的鑄坯質量缺陷為鑄坯純凈度、表面橫裂紋、表面縱裂紋、角部裂紋、中心裂紋、中間裂紋、三角區裂紋、中心偏析和疏松中的一項或多項；

步驟2：在確定了網絡模型的結構和目標誤差以后，選擇訓練樣本對步驟1中建立的三層BP神經網絡進行學習和訓練，在網絡輸出層誤差滿足要求后，保存權值和閾值；然后重新利用預測樣本對已經訓練好的網絡進行預測，如果預測結果準確，則說明網絡設計成功，能夠應用在實際生產中，否則，返回訓練階段，調整各個參數，重新訓練網絡；并通過訓練樣本進行網絡預測驗證，得到訓練和驗證好的網絡模型；

步驟3：利用步驟2中訓練和驗證好的BP神經網絡模型對連鑄板坯中間裂紋進行在線預測的控制。

按上述技術方案，步驟2主要包括：初始化各變量、權值和閾值；設定學習速率和目標輸出誤差；讀取訓練樣本數據；通過不斷的調整網絡的權值和閾值，直到得到合適的輸入輸出關系，并保存權值和閾值，網絡學習和訓練過程結束。