[发明专利]基于BP神经网络的高速冷轧机第三倍频程颤振预测方法

说明书

技术领域

本发明涉及一种基于BP神经网络的高速冷轧机第三倍频程颤振预测方法，一种利用神经网络预测高速冷轧机轧制过程中机架振动情况的方法，属于材料工程计算机神经网络技术控制领域。

背景技术

钢材在国民经济发展中占有重要地位。在工业生产、交通运输、国防、航空航天等重大领域钢材有着广泛的应用。轧钢机运行中的振动问题是限制行业产量和质量提高的主要障碍之一。预测轧机的垂直振动情况对板带厚度、精度，对提高钢材的生产质量有重大意义。对提高轧机设备的生产率、提高设备的维护管理水平也具有很好的指导作用。

轧机垂直振动开始于上个世纪七十年代，随着轧制速度的不断提高，轧机垂直振动现象逐渐引起人们的重视。第一类垂直振动的频率范围在150～350Hz，又称为第三倍频程颤振，主振型是两工作辊反向运动，会造成明显的带钢厚度差等缺陷，严重时甚至造成断带等事故。

面对高速冷轧机机架振动故障预测的非线性、非平稳动态问题，传统的线性化处理方法欠佳。神经网络的预测方法具有自学习功能，可通过对过去的历史数据的学习，训练出一个具有归纳全部数据的特定神经网络，其非线性的分析处理方法在故障预测方面颇有前景。传统BP神经网络算法在对预测问题中存在的网络具有易陷入局部极小、收敛速度慢的缺陷，因此，需提出一种改进的BP神经网络预测模型用于高速冷轧机振动故障的预测。

发明内容

本发明目的是解决传统BP神经网络算法存在网络局部极小、收敛速度慢的问题，降低第三倍频程颤振对轧制产品质量的影响，提供一种基于BP神经网络的高速冷轧机第三倍频程颤振的预测方法。

本发明提供的基于BP神经网络的高速冷轧机第三倍频程颤振预测方法，选用三层BP神经网络为原型，引入附加动量法和共轭梯度法改进BP神经网络预测模型，可快速、准确的预测第三倍振频的出现，减少故障发生，为后续研究提供理论依据，具体包括：

（1）数据采集与处理：在生产过程的预测中，将轧制力、轧制速度、压下量、带钢厚度、张力作为神经网络的输入，选取实际生产过程中记录的相应数据作为训练样本，包括轧制力、轧制速度、压下量、带钢厚度、张力和通过远程监测设备获取的同一时段的轧机振动数据；

对所述训练样本数据采用归一化处理，将需要数据和目标数据落入[0,1]区间，避免因为输入输出数据数量级差别较大而造成BP神经网络预测误差较大，归一化公式为：

PN=pn-pminpmax-pmin]]>

式中P_N为归一化后的数据，p_n原始数据，p_min为数据序列中的最小数，p_max为序列中的最大数；

（2）建立改进的BP神经网络模型：同时引入附加动量法和共轭梯度法对BP神经网络预测模型进行改进；在反向传播法的基础上，在每一个权值的变化上加上一项正比于前次权值变化量的值，再依据反向传播产生新的权值变化；包含附加动量因子的权值调节公式为

△ωi_j（k+1）=（1－mc）ηδ_iχ_j+mc△ωi_j（k）

△b_i（k+1）=（1－mc）ηδ_i+mc△b_i（k）

式中：i为隐含层数；j为隐含层节点数；k为训练次数；△ω为权值的增量；η为学习速率；δ为网络学习误差；x为神经输入；mc为动量因子，一般取0.95左右；

在使用附加动量法改进的同时引用共轭梯度法，先沿着负梯度方向进行搜索，然后再沿当前搜索方向的共轭方向进行搜索，可以迅速达到最优值；选取Fletcher-Reeves共轭梯度的形式为：