[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

摘要

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，是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。本发明引入了附加动量法和共轭梯度法改进BP神经网络预测模型。附加动量法可解决传统神经网络应用中的网络局部极小问题，有效提高算法的精度，提高网络学习能力。由于网络参数较多，考虑到存储容量较大、收敛速度慢的问题，选用了共轭梯度法，从而获得良好的训练效果，有效的应用于高速冷轧机的第三倍频程颤振预测，指导生产。

主权项

1.一种基于BP神经网络的高速冷轧机第三倍频程颤振预测方法，其特征在于选用三层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，能够快速、准确的预测高速冷轧机第三倍振频的出现，及时采取措施减少故障发生，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=9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为神经网络输入；mc为动量因子；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，能够迅速达到最优值；选取Fletcher-Reeves共轭梯度的形式为：βs=gsTgsgs-1Tgs-1]]>其中β^s是梯度系数，g_s为第s次迭代的梯度，g_s-1为第s-1次迭代的梯度，为第s次迭代的梯度转置，为第s-1次迭代的梯度转置；采用附加动量法能够避免神经网络陷入局部极小值，加快训练速率，从而协同共轭梯度法，迅速达到最优值，使神经网络更有效；（3）对BP神经网络进行训练和测试：把归一化后的训练样本输入到神经网络中进行训练，将神经网络的输出值与实测值进行对比，一直到误差小于5%为止，采用平均绝对百分比误差MAPE:MAPE=100nΣh=1n|Pfh-Pah|Pah%]]>式中n为训练数据总数，P_f为预测值，P_a为真实值，h为数据序号；将神经网络的输出做反归一化即为轧机振动频率的预测值。