燕山大学
硕士学位论文
人工神经网络在板形板厚综合控制中的应用研究
姓名：张志强
申请学位级别：硕士
专业：控制理论与控制工程
指导教师：张秀玲
20050301
摘要
摘要
本课题以人工神经网络理论为基础，以神经网络的优化算法研究为重点，实现了板形板厚的综合控制和板形模式识别的应用研究。
首先介绍神经网络系统的基础知识，重点介绍本文主要研究的对象一ＲＢＦ神经网络，针对该神经网络的结构、运行机理、优缺点等方面进行分析，重点研究常用的几种数据中心选取方法。设计和改进了５种ＲＢＦ神经网络数据中心选取方法，并对每种方法进行了仿真研究，仿真结果表明这些优化设计方法是行之有效的，根据仿真结果对这几种方法进行了分析，明确了其应用条件和应用范围。
板带材在生产生活中具有广泛的应用，板形和板厚是其两个重要指标。本文根据弹跳方程和塑性方程的曲线，对如何实现板形板厚综合控制进行了分析，并以此为基础，建立了板形板厚综合控制的数学模型；其次，采用勒让德多项式代表常见的几种板形模式，并分别应用双极硬限器和点阵来处理该模式，从而建立了两种板形模式的数学模型。
最后，应用ＲＢＦ神经网络进行板形板厚的综合控制，建立了双输入、双输出的控制系统；针对两种板形模式数学模型，分别采用离散Ｈｏｐｆｉｅｌｄ神经网络和ＲＢＦ神经网络进行识别，建立了一套从板形模式识别到板形板厚综合控制的模式。
关键词板形板厚综合控制：数据中心；板形模式识别；ＲＢＦ神经网络优化设计；勒让德多项式：离散Ｈｏｐｆｉｅｌｄ神经网络
燕山大学工学硕士毕业论文
Ａｂｓｔｒａｃｔ
’Ｉ’ｈｅｉｓｓｕｅｂａｓｅｓｏｎｔｈｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｈｅｅｍｐｈａｓｉｓｉＳｒｅｓｅａｒｃｈｉｎｇｔｈｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｓｏｎｔｈｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｉｔｓ
ｇｏａｌｓａｒｅｔｏｐｕｔｃｏｎｔｒｏＨｉｎｇｔｈｅｓｈａｐｅａｎｄｇａｕｇｅｓｙｎｔｈｅｓｉｓａｎｄｒｅｃｏｇｎｉｚｉｎｇｔｈｅｆｌａｔｎｅｓｓｐａｔｔｅｒｎｉｎｔｏｒｅａｌｉｔｉｅｓ．
Ｆｉｒｓｔｉｔｉｓｔｏｉｎｔｒｏｄｕｃｅｔｈｅｂａｓｉｃｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓｙｓｔｅｍ．Ｔｈｅｎｉｔ
ｉｎｔｒｏｄｕｃｅｓｅｍｐｈａｓｉｓｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｔｈｅｍａｉｎｏｂｊｅｃｔｗｅｒｅｓｅａｒｃｈｉｎｔｈｅ
ａｒｔｉｃｌｅ．Ｉｔａｎａｌｙｓｅｓｔｈｅｓｔｒｕｃｔｕｒｅａｎｄｗｏｒｋｍｅｃｈａｎｉｓｍａｎｄｅｘｃｅｌｌｅｎｃｅａｎｄｓｈｏｒｔｃｏｍｉｎｇ，ｉｔａｎａｌｙｓｅｓｅｍｐｈａｓｉｓｔｈｅａｌｇｏｒｉｔｈｍｓｗｅａｌｗａｙｓｕｓｅｔｏｃｈｏｏｓｅｔｈｅｃｅｎｔｅｒｓｏｆｔｈｅｄａｔａ．ＷｅｄｅｓｉｇｎａｎｄｉｍｐｒｏｖｅｆｉｖｅｋｉｎｄｓｏｆａｌｇｏｒｉｔｈｍｓｔｏｃｈｏｏｓｅｔｈｅｃｅｎｔｅｒｏｆｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｓｉｍｕｌａｔｉｏｎｔｈｅｍ，ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈｅａｌｇｏｒｉｔｈｍｓｗｅｄｅｓｉｇｎｅｄｉｓｒｉｇｈｔａｎｄｅｆｆｅｃｔｉｖｅ．Ｂａｓｅｏｎｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｗｅａｎａｌｙｓｉｓｔｈｅｓｅａｌｇｏｒｉｔｈｍｓａｎｄｅｓｔａｂｌｉｓｈｔｈｅｉｒｕｓａｇｅｆｉｅｌｄ．
Ｔｈｅｐｌａｎｋｉｓｕｓｅｄｗｉｄｅｌｙｉｎｔｈｅｐｒｏｄｕｃｔｉｏｎａｎｄｌｉｖｉｎｇ，ｉｔｓｔｗｏｉｍｐｏｒｔａｎｔｉｎｄｅｘｅｓａｒｅｔｈｅｓｈａｐｅａｎｄｔｈｅｇａｕｇｅ．Ｗｅａｎａｌｙｓｉｓｈｏｗｔｏｃａｒｒｙｏｕｔｃｏｎｔｒｏｌｌｉｎｇ
ｔｈｅｓｈａｐｅａｎｄｇａｕｇｅｓｙｎｔｈｅｓｉｚｅｂａｓｅｄ０ｎｔｈｅｄｉａｇｒａｍｍａｔｉｃｖｉｅｗｏｆｔｈｅｓｐｒｕｎｇａｎｄｔｈｅｐｌａｓｔｉｃｉｔｙｅｑｕａｔｉｏｎｉｎｔｈｅａｒｔｉｃｌｅ．Ａｎｄｅｓｔａｂｌｉｓｈｔｈｅｃｏｎｔｒｏｌｌｉｎｇｅｑｕａｔｉｏｎ
ｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓ．ＳｅｃｏｎｄｗｅｕｓｅｔｈｅＬｅｇｅｎｄｒｅｏｒｔｈｏｄｏｘｙｐｏｌｙｎｏｍｉａｌｓｔｏｄｅｓｃｒｉｂｅｔｈｅｆｌａｔｎｅｓｓｐａｔｔｅｒｎｗｅｍｅｅｔａｌｗａｙｓ．Ａｎｄｕｓｅｔｈｅｔｗｏｐｏｌｅｓｈａｒｄｒｅｓｔｒｉｕｔｏｒａｎｄｐｏｉｍｍａｔｒｉｘｔｏｄｏｗｉｔｈｔｈｅｆｌａｔｎｅｓｓｐａｔｔｅｒｎ，ＳＯｔｗｏｆｌａｔｎｅｓｓｐａｔｔｅｒｎｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｓａｒｅｅｓｔａｂｌｉｓｈｅｄ．
ＴｈｅｌａｓｔｔｈｅｓｈａｐｅａｎｄｇａｕｇｅａｒｅｃｏｎｔｒｏｌｌｅｄｓｙｎｔｈｅｓｉｚｅｂｙｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋａｔｗｏ－ｉｎｐｕｔａｎｄｔｗｏ－ｏｕｔｐｕｔｓｙｓｔｅｍｉｓｂｕｉｌｔ．ＴｈｅｄｉｓｃｒｅｔｅＨｏｐｆｌｅｌｄｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｓｅｐａｒａｔｅｌｙｒｅｃｏｇｎｉｚｅｔＷＯｆｌａｔｎｅｓｓｐａｔｔｅｒｎｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｓ．Ｓｏｔｈｅｓｙｓｔｅｍｉｎｃｌｕｄｅｓｔｈｅｆｌａｔｎｅｓｓｐａｔｔｅｒｎｒｅｃｏｇｎｉｚｅｄａｎｄｔｈｅｓｈａｐｅａｎｄｇａｕｇｅｃｏｎｔｒｏｌｌｅｄｓｙｎｔｈｅｓｉｚｅｉｓｂｕｉｌｔ．
Ｕ
摘要
Ｋｅｙｗｏｒｄｓｃｏｎｔｒｏｌｔｈｅｓｈａｐｅａｎｄｇａｕｇｅｓｙｎｔｈｅｓｉｚｅ；ｃｅｎｔｅｒｓｏｆｔｈｅｄａｔａ；
ｆｌａｔｎｅｓｓｐａｔｔｅｒｎｒｅｃｏｇｎｉｚｅｄ；ｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；
ｏｐｔｉｍｉｚｅｄｅｓｉｇｎ；Ｌｅｇｅｎｄｒｅｏｒｔｈｏｄｏｘｙｐｏｌｙｎｏｍｉａｌｓ；
ｄｉｓｃｒｅｔｅＨｏｐｆｉｅｌｄｎｅｕｒａｌｎｅｔｗｏｒｋｓ
ＩＩＩ
第ｌ章绪论
第ｌ章绪论
１．Ｉ研究的目的和意义
板带材在国民经济各部门中具有广泛而重要的应用。板带材的两个重要质量指标是板形（平直度）和板厚。由于板带材使用部门对这两个指标精度的要求越来越高，使板形和板厚控制成为现代高精度板带轧机的关键技术和重要的技术发展方向。板形识别与板形板厚控制理论及数学建模是此项技术的理论基础和关键科学问题…。
二十世纪六十年代以来，人们利用弹跳方程及其弹塑曲线、压力方程及其图示的厚控理论和板形理论与自动控制技术和检测技术相结合分别实现了板厚的自动控制和板形的自动控制１２Ｊ，随着经济、科技的飞速发展和市场的竞争激烈，人们对板形板厚的要求越来越高，因此，对其在生产过程中控制的要求也就越来越高，板厚控制的常规方法是压下控制口ｌ，其造成的压力波动必将影响到板形及其控制，而板形的控制又将影响到板厚及其控制，因此，板材轧制过程中板形和板厚的综合控制对提高产品质量和市场竞争力具有重要的意义，如何实现板形和板厚在板材生产过程中的综合控制就成为摆在面前的难题。
板形识别与板形板厚综合控制是现代板带轧制中的关键技术和国际前沿研究课题，由于板形板厚综合控制是一个多变量、非线性、多扰动、强耦合的复杂工业控制系统，板形受诸如弯辊力、轧制力、来料条件以及轧辊的初始辊型、磨损辊型和热辊型等因素的复杂影响【４ｌ，因此，板形板厚综合控制数学模型的建立具有相当难度，是控制中的难点。循规蹈矩地按照传统方法，从几条基本假设出发，列出几个方程，进行简化求解，显然难以得到理想的结果，比例、积分、微分ｆＰＩＤ）控制也不能满足其要求，致使板形板厚综合控制的研究处于低谷。
作为人工智能分支之一的神经网络，其由大量简单的处理单元广泛连接而成，用来模拟人脑神经系统的结构和功能。人工神经网络是模仿人的
燕山大学工学硕士学位论文
脑神经功能而提出的，具有较高的自学习能力，能够适应于复杂环境和多目标控制的要求，由于其具有逼近任意连续有界非线性函数的能力，所以给非线性系统的控制带来了希望，实现了板形的模式识别和板形板厚的综合智能控制。
本课题研究的目的就是以ＲＢＦ神经网络理论为基础，选择具有理论和工程实际意义的冷带轧机板形模式识别与板形板厚综合控制为研究课题，进行深入的理论与应用研究。
１．２人工神经网络的发展
几十年来，人工神经网络的发展几经高潮和低谷，正逐步走向成熟和完善，已经渐渐形成了较为完善和系统的理论体系，应用的领域也越来越广。在这里将概述人工神经网络的发展、特点和未来的研究方向【５１。
人工神经网络是模仿脑细胞结构和功能、脑神经结构以及思维处理问题等脑功能的新型信息处理系统。由于人工神经网络具有复杂的动力学特性、并行处理机制、学习、联想和记忆功能，以及其高度自组织、自适应能力和灵活性而受到自然科学领域学者的广泛重视。
人工神经网络的研究始于１９４３年，心理学家Ｗ．Ｓ．Ｍｃｕｌｌｏｃｈ和数学家Ｗ．Ｐｉｔｔｓ提出了ＭＰ模型，该模型除连接权值不调节外，其余部分与现在的神经单元模型基本相同，ＭＰ的提出具有开创意义，也为以后的研究提供了依据。１９４９年，心理学家Ｄ．０．Ｈｅｂｂ提出了神经元之间突触强度调整的假设，认为学习的过程是在突触上发生的，连接权的调整正比于两相连神经元之间激活值的乘积，这就是著名的Ｈｅｂｂ规则。５０年代末，Ｆ．Ｒｏｓｅｎｂｌａｔｔ提出了感知机（Ｐｅｒｃｅｐｔｉｏｎ）模型，这是第一个完整的人工神经网络，整个模型由阈值单元构成，初步具备了并行处理、分布存储和学习等神经网络的基本特征。１９６１年，Ｂ．Ｗｉｎｄｒｏｗ和Ｍ．Ｅ．Ｈｏｆｆ提出了自适应线性单元网络，可以用于自适应滤波、预测和模型识别，但由于难以找到合适的算法，整个神经网络的研究在七十年代处于一个低潮。
八十年代，美国加州理工学院生物物理学家Ｊ．Ｊ．Ｈｏｐｆｉｅｌｄ于１９８２年提出
２
第ｌ章绪论
了一种新的神经网络模型－－Ｈｏｐｆｉｅｌｄ网络模型，在该模型中，首次引入了网络能量函数的概念，并给出了网络稳定性的判据，神经网络模型的实现为电子电路，为神经网络的工程实现指明了方向，也重新点燃了人们对神经网络研究的信一Ｄ，带动了八十年代中期以来神经网络的发展。１９８６年，Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ和Ｊ．Ｌ．ＭｃＣｌｅｌｌａｎｄ等人提出了多层前馈的逆推或称反向传播（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）算法，简称ＢＰ算法。该算法从后向前修『Ｆ各层之间的连接权，可以求解感知机不能求解的问题，从实践上证明了人工神经网络的超强运算能力，本质上把一组样本数据的输入输出问题转化为非线性问题，采用沿梯度下降算法，迭代调整权值和闽值，已经证明了任意从输入到输出的映射都存在一个三层ＢＰ网络的逼近；但是ＢＰ神经网络也有自身的缺陷，如学习速度慢、容易陷入局部极小点、中间层节点的选取没有理想规则可循以致于无法确定合适的网络拓扑结构等，这些缺点随着应用领域的不断扩大和要求的不断提高越来越显得突出。
为了解决这些问题，人们一方面寻找更快速更有效的训练方法，～方面也从构建新的网络结构出发寻找克服弊端的突破口，到目前为止，提出了多种网络类型，如ＣＭＡＣ和ＲＢＦ神经网络等，又针对各种神经网络设计改进了各种各样的算法，神经网络的研究正在迎来一个新的高潮。
人工神经网络之所以能在众多的研究领域中得到广泛应用，是由于它具有以下这些特点［６Ｊ：
（１）不依赖于精确的数学模型，具有广泛的从输入到输出的任意非线性映射能力；
（２）分布式信息存储，大量数据单元同时高速并行处理，有很强的鲁棒性；
（３）信息分布存储于处理单元的阈值和它们的连接权中，具有很强的容错能力，个别处理单元工作不正常不会引起整个系统出错；
（４）应用多种调整权值和阈值的学习算法，具有类似人脑的学习ｆ自适应和白组织）功能。
人工神经网络是由大量被称为节点的简单处理单元（神经元）组成，每个节点向邻近的其它节点发出抑制或激励信号，整个网络的信息处理便是通
燕山人学工学硕十学位论文
过这些节点之间的相互作用完成的。
从众多研究领域取得的丰硕成果来看，人工神经网络的发展具有强大的生命力，但也存在着一些问题，如智能化水平还不高，许多应用方面的要求还不能得到很好的满足；网络分析与综合的一些理论性问题（如稳定性、收敛性的分析，网络的结构综合等）还未得到很好的解决，面对这些问题，今后研究的主要方向可分为理论研究和应用研究两个方面。在理论研究方面有：
（１）利用神经生理和认知科学研究大脑思维和智能的机理；
（２）利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的神经网络模型，深入研究网络的算法和性能，如：稳定性、收敛性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。
在应用研究方面有：
（１）神经网络软件模拟和硬件实现的研究；
（２）神经网络在各个学科技术领域应用的研究，涉及的领域很广，包括模式识别、信号处理、知识工程、专家系统、优化组合和智能控制等。
随着人们对大脑信息处理机理认识的深化，以及人工神经网络智能水平的提高，人工神经网络必将在科学技术领域发挥更大的作用。
１．３神经网络进入轧制领域的可行性分析
现代轧制技术具有多变量、强耦合、非线性和时变性等特点，其多变量是指在轧制过程中涉及到的物理量很多，每一个物理量对轧制的质量都有很大的影响；强耦合是指在多变量中，每一个变量的变动都将引起其它变量的变化；非线性是指轧制过程中的许多关系是非线的；时变性是指轧制过程不能长期维持在一个理想的最佳点，它是随时间的变化而变化的。面对这些问题，单纯的从传统办法出发很难得到理想的结果Ｉ”。
人的大脑由许多复杂的神经元网络所组成，由于这些神经元的存在，人才能以很高的速度理解感觉器官传来的信息，尽管有时这些信息含糊不清，这些都是因为人脑具有较强的学习能力和创造能力。人工神经网络就
４
第１章绪论
是在研究大脑的时候建立起来的一门学科，目的在于模拟大脑神经网络原理来构造一种人造大脑，人工神经网络的方法与传统方法不同，它避开了过去那种对轧制过程深层规律无止境的探求，转而模拟人脑来处理那些实实在在发生了的事情。它不是从基本原理出发，而是以事实和数据作根据，来实现对过程的优化控制。利用大量的数据通过“训练”的过程告诉计算机，在什么条件下、什么钢种、多高的温度、压下量多大、轧制力是多大，经过千百万次的训练，计算机硬“记住”了这种因果关系。当再次给出相似范围内的具体条件，问讯轧制力时，计算机就会给出正确的答案。因此从理论上来说神经网络进入轧制领域是可行的。
在实际方面，无数的事实证明神经网络理论进入轧制领域也是可行的。据介绍ｆｌ】，西门子公司（ＳｉｅｍｅｎｓＡＧ）幂ＩＪ用神经网络进行轧制过程自动控制，进行轧制力预报、带钢温度预报和自然宽展预报，使轧制力预报精度提高１５％－－４０％，温度精度提高２５％，宽展精度提高２５％。这些成果已经应用于德国蒂森钢铁公司（ＴｈｙｓｓｅｎＡＧ）、赫施钢铁公司（ＨｏｅｓｃｈＡＧ）等轧钢厂的６套轧机上。
ＲＢＦ神经网络是一种三层前向网络，它结构简单，运算速度比一般的网络都要快，而且，具有最佳的函数逼近能力，没有局部极小问题【＿７Ｉ，因此可以说ＲＢＦ神经网络系统进入轧制领域，对轧制理论的发展有着重要的意义，它在板形模式识别和板形板厚综合控制中的应用也是完全可行的。
１．４研究内容、研究方法和预期目标
研究内容：
（１）研究人工神经网络的基本原理，了解神经元网络的学习过程、学习规则、工作过程等。研究各种神经网络，了解它们不同的结构以及它们各自的学习规则。
（２）重点研究ＲＢＦ神经网络的基本原理和工作机理，研究ＲＢＦ神经网络线性的各种算法，对其进行分析，并加以改进１８，９】。
（３）研究板带材的冷轧理论，主要是板形板厚综合控制方法，建立一种
燕山大学Ｔ学硕士学位论文
正确的板形板厚综合控制模型。
（４）研究冷轧过程中经常遇到的几种板形模式，对其建模，进行基于神经网络系统的模式识别。
（５）具体研究基于ＲＢＦ神经网络的板形板厚综合控制系统，提出新的算法。
（６）验证新算法的可行性，通过和其它算法的比较，寻找它的优点和不足，改正新算法。针对复杂的实际情况，确定被控对象，应用模糊神经系统进行建模【１０ｌ，采用遗传算法等进行模型优化，给定参数，在给定干扰的情况下进行仿真。
重点解决的关键问题：
（１）ＲＢＦ神经网络各种算法的分析比较；
（２）ＲＢＦ神经网络算法的改进【１１１；
（３）针对板形板厚控制提出综合控制方案，并针对这些方案进行建模；
（４）新算法的提出，检验；
（５）基于改进算法的神经控制方法和其它控制方法的比较。
研究方法：
首先，通过大量查找资料、阅读资料，研究神经网络的结构、学习方法，掌握它们各自的特点和优缺点；重点研究ＲＢＦ神经网络的结构特点、运行机理，以及国内外在该方面已经取得的成果，研究分析ＲＢＦ神经网络的学习算法，提出自己的见解，改进学习算法。建立板形板厚综合控制数学模型，确定在轧制过程中常见的几种板形模式，进行建模，基于ＲＢＦ神经网络和Ｈｏｐｆｉｅｌｄ神经网络进行模式识别【１２ｌ：构造ＲＢＦ神经网络控制系统，在具有干扰的情况下进行仿真，并且对所提出算法的可行性，动态特性以及整个综合控制系统的稳定性等方面进行研究说明，通过和其它方法的比较来进行分析改进。
预期目标：
发表关于神经网络和轧钢理论方面的论文至少２篇；设计新的网络学习算法，对板形板厚综合控制进行建模，对板形模式建模并基于神经网络进行识别；构造基于ＲＢＦ神经网络的板形板厚综合控制系统；通过应用ＲＢＦ
６
第ｌ章绪论
神经系统以板形板厚综合控制为应用背景，培养自己把理论应用到实际中去，理论与实际相结合的能力。
１．５课题来源及论文结构
本课题来源于燕山大学博士基金项目（Ｂ７０），研究的内容分为两部分：首先是神经网络算法的优化，主要是ＲＢＦ神经网络和Ｈｏｐｆｌｅｌｄ神经网络算法的优化和应用；其次是板形模式的建模、识别以及板形板厚综合控制系统的模型建立和控制方法研究。
整个论文的结构安排如下：
第一章：主要介绍本课题研究的目的和意义，介绍神经网络系统的发展以及不足。对本课题的研究内容、研究方法和预期目标做了介绍。
第二章：介绍了神经网络系统的基础，重点介绍了ＲＢＦ神经网络，从网络结构、运行机理、学习算法等各方面进行了总结，分析了网络的优缺点，并且指出了以后该网络的研究方向。
第三章：对现行常用的数据中心算法进行了分析，肯定其优点，更重要的是总结它们的不足。重点介绍所设计改进的几种求ＲＢＦ神经网络数据中心等参数的算法，介绍每种算法的步骤、流程图，进行仿真，并根据仿真结果对各种方法的优缺点进行分析。
第四章：首先根据弹跳方程和塑性方程的图示，对板形板厚的综合控制方法进行探讨，以此为基础建立板形板厚综合控制系统的数学模型，进行简化；其次是采用勒让德多项式表示常见的几种板形模式，针对Ｈｏｐｆｉｅｌｄ神经网络的特点进行板形模式识别数学模型的建立；再根据ＲＢＦ神经网络的特点，以点阵的形式对板形模式进行描述，加入随机干扰进行建模。
第五章：首先采用ＲＢＦ神经网络进行板形板厚综合控制，进行仿真：其次，采用离散Ｈｏｐｆｉｌｅｄ神经网络进行板形模式识别，先介绍的是Ｈｏｐｆｉｅｌｄ神经网络的基础知识和权值训练算法，改进了权值的选取方法，进行了仿真；最后采用ＲＢＦ神经网络进行板形模式识别，神经网络输出层采用竞争学习原则，进行了仿真。
燕山大学工学硕十学位论文
第２章ＲＢＦ神经网络基础
２．１神经网络理论基础
人工神经网络（Ａ肿ＡｎｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）是源于人脑神经系统的一类模型，是模拟人类智能的一条重要途径，具有模拟人的部分形象思维的能力。它是由简单的信息处理单元互连而成的网络，能接受并处理信息，网络的信息处理由处理单元之问的相互作用来实现，它是把问题表达成单元之间的联接权值来处理的，是人脑的某种抽象、简化、模拟，反映了人脑功能的若干特点［６１：
（１）网络的信息处理是由处理单元间的相互作用来实现的，并具有并行处理的特点：
（２）知识和信息的存储表现为处理单元之间的物理联系；
（３）网络的学习和识别决定于处理单元联接权值的动态演化过程：
（４）具有联想记忆能力。
神经网络的数理模型有许多种，但基本运算可以归结为四种：积与和、权值学习、阈值处理和非线性函数处理。
神经网络的工作方式由两个阶段组成：
（１）学习期：在这段期间内，神经元之间的联接权值，可由学习规则进行修改，以使目标函数达到最小；
（２）工作期：在这段期间内，联接权值不变，由网络的输入得到相应的输出。
神经网络的分类：
（１）按性能分：连续型和离散型：确定型和随机型；静态与动态；
（２）按联接方式分：前馈型（前向）和反馈型；
（３）按逼近特性分：全局逼近型和局部逼近型。
神经网络的学习方式：
（１）有导师的学习，也叫做监督学习，是指在学习过程中，网络根据实
第２章ＲＢＦ神经网络基础
际输出与期望输出的误差比较，进行权值等参数的调整，通常将期望输出的结果作为导师信号，作为评价学习的标准；
（２）无导师的学习，也叫做无监督学习或称为自组织学习，是指在学习过程中，没有导师信号提供给网络，网络能根据其特有的结构和学习规则进行联接权值的调整，此时网络的学习评价标准隐藏在网络内部；
（３）再励学习，也叫做强化学习，是指把学习看作是试探评价的过程，当选择一个输出作用于环境以后，使环境的状态改变，并产生一个再励信号反馈给网络，网络再根据再励信号与环境当前的状态，选择下一个动作作用于环境，选择的原则是使受到奖励的可能性增大。
神经网络的发展是分为三个阶段：２０世纪４０～６０年代的发展初期；２０世纪７０年代的研究低潮；２０世纪８０年代神经网络的理论研究取得了突破性的进展。
２．２ＢＰ神经网络基础
前向神经网络由输入层、一层或者多层的隐含层以及输出层组成，每一层的神经元只接受前一层神经元的输出，是单方向层次型网络，其结构简单并且易于编程，是一类强有力的学习系统，从信息处理观点来看，它是信息“映射”处理系统，可使网络实现特定的刺激，既反应式的感知、识别和推理等。最常见的前向神经网络是ＢＰ网络和ＲＢＦ网络。
２０世纪８０年代中期以Ｒｕｍｅｌｈａｒｔ和ＭｃＣｌｌａｎｄ为首提出多层前馈网络的反向传播（ＢＰ—ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法，简称为ＢＰ算法，它采用的是有导师学习方式和梯度下降的学习方法，ＢＰ神经网络是现在应用最广泛的神经网络。
ＢＰ神经网络采用的是有导师学习方式，即已知网络的输入输出样本，其学习算法由正向传播和反向传播组成，正向传播是输入信号从输入层经隐含层传向输出层，若输出层得到了期望输出，则学习算法结束，否则，转向反向传播；反向传播就是将误差信号（实际输出和理想输出之差１按原联接通路反向计算，由梯度下降法调整各层神经元的权值和闽值，使误差信
９
燕山大学工学硕士学位论文
号减小。
ＢＰ神经网络的限制和不足主要表现在它的训练过程的不确定上，主要有以下几方面【ＩｕＪ：
（１）需要较长的训练时间：对于一些复杂的问题，ＢＰ算法可能要进行几个小时甚至是更长时间的训练，这主要是由学习速率的因素引起的；
（２）完全不能训练，主要表现在网络出现的麻痹现象上，在网络的训练过程中，当其权值过大，可能使所有的或者是大部分的神经元的加权总和偏大，这使得激活函数的输入在ｓ型转移函数的饱和区，其结果直接导致导数厂’（Ｊ）非常小，从而使得对网络权值的调节过程几乎停顿下来，通常采用较小初始值和较小学习速率的方法来克服，结果是增加了学习时间；
（３）局部极小值，ＢＰ算法可以使网络权值收敛到一个解，但不能保证是误差超平面上的全局最小解，很可能是局部最小解，这是因为ＢＰ采用的是梯度下降法，训练是从某一起始点沿误差函数的斜面逐渐到达误差的最小值，对于复杂的网络，其误差函数为多维空间的曲面，在训练过程中，可能陷入某一个极小点，由此点向各方向变化均使误差增加，以至于训练无法逃出这一局部极小值；
（４）新加入的样本会影响到已经学好的样本；
（５）网络的结构设计，即隐含层和节点数目的选择没有固定的理论指导。
因此，要解决ＢＰ神经网络的训练问题还要从训练算法上下功夫。２．３ＲＢＦ神经网络的基础
ＲＢＦ（ＲｅｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）神经网络即径向基神经网络，是由Ｊ．Ｍｏｏａｙ和Ｃ．Ｄａｒｋｅｎ在２０世纪８０年代末提出的一种神经网络，它模拟了人脑中局部调整、相互覆盖接受域的神经网络结构，是一种局部逼近网络，已证明能以任意精度逼近任意函数【“１。
ＲＢＦ神经网络结构如图２．１所示。
第２章ＲＢＦ神经网络基础
图２．１ＲＢＦ神经网络的结构
Ｆｉｇ．２－１ＳｔｒｕｃｔｕｒｅｏｆＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ
ＲＢＦ神经网络结构上是一种三层前向网络，输入层由信号源节点组成，只起对输入数据的传递作用，对输入数据不进行任何变换，只是把输入数据映射到隐含层；第二层为隐含层，隐含层神经元是对输入层输入的数据进行运算；第三层是输出层，它对输入模式的作用做出响应。从输入层到隐含层之间是非线性的，但是从隐含层到输出层之间是线性的，隐含层的变换函数采用径向基函数，它是一种局部分布的中心点径向对称衰减的非负非线性函数”Ｉ。
隐含层节点的作用函数对输入信号只在局部产生响应，只有当输入信号在靠近作用函数的中央范围处，隐含层节点才会产生较大的输出，在隐含层中的径向基函数一般取为高斯函数【”１：
月，（ｘ）＝ｅｘｐ［一ｌ卜一ｃ．１１２／２０ｒ，２】
式中Ｘ一输入向量；
ｆ．一隐含层中第ｉ个节点作用函数的数据中心；
盯，一第ｉ个感知的变量，表示作用函数围绕中心点的宽度；
ｍ一隐节点的数目，也就是作用函数数据中心的数目；
忙一ｑｌｌ一向量的范数，表示Ｘ到ｃ，之间的欧式距离。
Ｒ。（ｘ）在ｘ＝Ｃ．有唯一的最大值，随着范数的增大，其值迅速的衰减到零。因此对于给定的输入数据，只有在靠近中心的一小部分才被激活。
输出层是对隐含层输出数据的线性映射，当选择输出层作用函数为求和计算时，输出为：
燕山大学工学硕士学位论文
Ｙ￡＝∑∞㈣Ｒ（ｚ）ｋ＝１，２，…，Ｐ（２－２）
忙１
式中Ｐ一输出节点数；
∞ｍ一径向基网络隐含层的输出权值。
２．４ＲＢＦ神经网络的学习
ＲＢＦ神经网络中既有输入层到隐含层的非线性映射，又有隐含层到输出层的线性映射关系，总体来讲，它所采用的非线性函数的形式对网络性能的影响并不是至关重要的，关键在于隐含层高斯函数数据中心的选取上，数据中心选取不当，构造的ＲＢＦ神经网络很难令人满意【１３１，例如，如果两个中心靠得太近，就会出现近似的线性相关，从而在数值上带来病变１１４１。由于ＲＢＦ神经网络中数据中心的选取是该网络能否成功用于实际的关键，因此ＲＢＦ神经网络的学习就围绕着中心点的选取展开，下面介绍几种常用的学习方法。
２．４．１随机选取ＲＢＦ神经网络数据中心
这是一种最简单的方法，在此方法中，隐含层高斯函数的中心是随机的在输入样本中选取的，并且所选取的中心是固定的。当ＲＢＦ神经网络的中心确定以后，隐含层的输出是确定的，这样隐含层与输出层之间的权值就能通过求解线性方程组来求得，对于样本数据的分布具有代表性的给定问题来讲，这种方法是－－１０ｅ切实可行的简单方法ｆ１５ｌ。
ＲＢＦ隐含层选用的是高斯函数，可以表示为
ｏ（１ｌｘ—Ｃ。Ｕ２）＝ｅｘｐ（一鲁憎一Ｃ。ｎ（２．３）
ａ“
式中Ｍ一中心数；
ｄ。一所选取数据中心之间的最大距离，高斯函数的宽度为
第２宣ＲＢＦ神经网络基础
ｄ。
ｆ２?４）
√２＾彳
这样选取的目的是为了使高斯函数的形状适度，即不能太尖，也不能太过于平缓，网络的联接权矢量由下式直接计算
Ｗ＝Ｇ＋Ｙ（２－５）式中Ｙ一期望输出值；
Ｇ＋一神经网络隐含层输出矩阵的伪逆矩阵，可以通过奇异值分解的方法求得。
２．４．２正交最小二乘法
ＲＢＦ神经网络的一个重要的学习方法是正交最小二乘法，这是一种回归算法，利用正交优选方法找到神经网络的最佳隐含层节点数目，从而确定最小的网络结构，同时算出权值，它的任务是通过学习选择合适的回归算子矢量Ｐ（１＜ｉ＜Ｍ）和个数Ｍ，使网络的输出满足性能指标的要求１”ｌ，具体处理方法是：从Ⅳ阶单位方阵的．ｖ！中排列中任意选一种组成Ⅳ阶特殊矩阵Ｐ，Ｐ∈Ｒ““，从Ｐ中选取Ｍ个列向量，Ｍ＝Ｎ一＿］｝，七＝１，…，Ｎ，构成一个分离矩阵Ｓ∈Ｒ“”，通过Ｇｒａｍ－Ｓｃｈｉｍｉｄｔ正交化方法获得Ｈ的分离矩阵Ａ＝ＨＳ，对Ａ进行『Ｆ交分解，得Ａ＝ＱＲ，即歹＝Ｈ虢＋；，因为ＨＳ＝鲫，所以
歹＝剑访＋主（２－６）式中矩阵Ｑ∈Ｒ“”由正交列向量组成；
Ｒ∈Ｒ…”一直角阵；
ｉ一误差阵；
定义雷＝足话，那么上式可以写成
歹＝！：臻＋虿（２—７）由于其正交性，上式是估计问题的特例，它的ＬＩＳＥ问题非常简单，
蚕＝Ｑ。歹（２－８）根据上式，通过递推变换，∥可以通过下式求出：尺访＝茸，重复上述
燕山大学上学硕士学位论文
过程，当误差能量减小到要求的范围时，训练终止。
２．４．３自组织学习选取ＲＢＦ神经网络的中心
在这种方法中，隐含层高斯函数的数据中心是移动的，通过自组织学习确定其位置，而输出层的线性权则通过有监督学习规则计算，因此这是一种混合的学习方法，自组织学习部分在某种意义上对网络的资源进行分配，学习的目的是使ＲＢＦ神经网络中的高斯函数数据中心位于输入空间重要的区域‘５１。最常见的是＿ｊ｝一均值聚类方法‘”￣１８１，这是一种无监督的学习方法，具体步骤如下：
（１）初始化聚类中心Ｃ，，ｆ＝１，２，…，Ｍ，在这步一般是在输入样本ｘ，（Ｊ＝１，…，Ⅳ）中选择Ｍ个样本作为聚类中心；
（２）将输入样本按最近邻规则分组，即将Ⅳ，（Ｊ＝１，…，Ⅳ）中的Ｍ各样本分配给中心为ｃ。（ｆ－１，…，Ｍ）的输入样本聚类集合０。（ｉ＝１，…，Ｍ），即Ｘ，∈０，，并且满足下式
ｄ，＝ｍｉ．１ｌｘ，一Ｃ，Ｉｌ（Ｊ＝１，２，…，Ｎ；ｉ＝１，２，…，Ｍ）（２－９）式中ｄ，一最小欧式距离；
（３）计算０，中样本的平均值
ｃ，２击互＿
（２—１ｏ）式中ｅ一隐含层高斯函数的数据中心
Ｍ。一口，的输入样本数。
（４）按照以上步骤计算，直到聚类中心分布不再变化，结束。２．４．４梯度下降法
梯度下降法是一种简单有效的有监督学习方法，在这种方法中，ＲＢＦ神经网络隐含层的数据中心和网络的其它参数都是通过有监督的学习来确定的‘５１。
１４
第２章ＲＢＦ神经网络基础假设神经网络是单输出的，那么定义目标函数：
Ｅ＝去∑ｅ，２
式中Ⅳ一训练样本数；
ｅ，一误差信号。
ｅｉ＝ｄ｜一ｙｉ
式中ｄ，一网络的理想输出；
Ｙ，一网络的实际输出。
对网络学习的要求是：寻求网络的自由参数ｗ，、Ｅ达到极小。优化网络参数的计算公式如下：（１）输出权值Ⅵ
芸黑＝兰ｅ２∽Ｇ（Ｋ‘（吼，）
加肋）笥一”。’”“
ｗ和＋１）叫∽飞器
ｆ２—１１１
（２—１２）Ｃ．和占，，使目标函数
（２－１３１
ｆ２－１４１
（２）ＲＢＦ神经网络隐笛层的数据中心Ｃ，
差器＿２Ｗ胁）新啪’（ｏＸ．，－Ｃｉ㈤∽幢［Ｘｊ－ｔ，㈣】（２－１５）
“川）．ｃ知Ｍ：嬲ｆ＝１，２，…，Ｍ（２．１６）（３）ＲＢＦ隐含层高斯函数的宽度占．
焉鬻＝一ｗ如）喜味一矽（ＩＩ＿一ｃ如蚍）Ｑ，（２—１７）
ｇ，＝ＩＸ，－Ｃ，（”）】瞵，一Ｃ（刀）】７（２—１８）
趴川Ⅲ知ｈ，器（２－１９）（４）重复以上步骤，满足要求算法结束。
以上就是在ＲＢＦ神经网络训练中常用的～些方法，通过对这些方法的分析．可以媸巩仟何一种方法都是有一定不足，因此，如何减小这些不足
燕山大学工学硕士学位论文
所带来的误差成为训练ＲＢＦ神经网络过程中的首要问题。
２．５ＲＢＦ神经网络与ＢＰ神经网络的比较
在结构上ＲＢＦ神经网络似乎就是一个具有径向基函数的ＢＰ网络，它们有着同样的网络结构。但是ＲＢＦ神经网络不是ＢＰ网络，其原因是：首先它不采用ＢＰ网络的算法来训练网络权值；其次训练的算法不是梯度下降法。虽是三层网络，但是径向基网络的权值训练只是集中在隐含层和输出层之间进行的，由于径向基函数在将输入放置在原点的时候输出为１，而对其它不同的输入的响应均小于１，所以如何调整数据中心对输入的响应成为～个比调节权值更重要的问题，当数据中心确定以后，由于输出层是线性函数，网络输出的是高斯函数网络输出的线性组合，从而很容易达到从非线性输入空间向输出空间映射的目的。
在功能上来说，ＲＢＦ神经网络和ＢＰ网络一样可以用来进行函数逼近，并且训练ＲＢＦ神经网络要比训ｌ练ＢＰ网络花费的时间要少，主要是因为ＲＢＦ神经网络只需要调节隐含层到输出层的权值，而输入层到隐含层的权值为１。不过ＲＢＦ神经网络也有自身的缺点，一般即使采用了改进的算法来进行设计，ＲＢＦ网络中的隐含层节点数目还是要比采用ｓ型转移函数的ＢＰ网络所用的数目要多，这是因为ｓ型神经元有一个较大范围的输入空间，而ＲＢＦ网络中的高斯函数只在一个较小的范围有一定的相应，结果是，输入的数组和输入的变化范围越大，所需要的ＲＢＦ神经元数目越多。
总体而言采用ＲＢＦ神经网络进行函数逼近，与采用ＢＰ网络相比，前者更容易逼近函数的局部特性，而后者由于使用一个全局函数来逼近函数，因此，对于某些具体问题的收敛速度会慢一些，从实用角度上来说，用ＲＢＦ神经网络来解决会更合适一些。
２．６ＲＢＦ神经网络的优点和存在的问题
ＲＢＦ神经网络是一种性能良好的前向网络，它不仅具有全局逼近性质，而且具有最佳逼近性能，ＲＢＦ网络结构上具有输出和权值的线性关系，同
１６
综述（中厚板） 西安建筑科技大学材料成型及控制工程0902 XX 2013,0401 1.中厚板简介 中厚钢板大约有200 年的生产历史，它是国家现代化不可缺少的一项钢材品种，被广泛用于大直径输送管、压力容器、锅炉、桥梁、海洋平台、各类舰艇、坦克装甲、车辆、建筑构件、机器结构等领域。具品种繁多，使用温度要求较广（-200~600），使用环境要求复杂（耐候性、耐蚀性等），使用强度要求高（强韧性、焊接性能好等）。 一个国家的中厚板轧机水平也是一个国家钢铁工业装备水平的标志之一，进而在一定程度上也是一个国家工业水平的反映。随着我国工业的发展，对中厚钢板产品，无论从数量上还是从品种质量上都已提出厂更高的要求。板是平板状、矩形的，可直接轧制或由宽钢带剪切而成，与钢带合称板带钢。 2.中厚板生产的总体概况 根据《2011中国钢铁工业年鉴》，中国现有中厚板轧机总生产能力为9331万t/a,2012年共生产中厚板7221万ｔ，其中特厚板708万ｔ、厚板2432万ｔ、中板4081万ｔ。 近年来，国内中厚板不仅在产量上增长迅速，而且在品种开发方面也取得了很大成绩。目前已经开发出了屈服强度高于960Mpa级的高强工程机械用钢，高强韧耐磨钢NM360,NM400,NM500,NM550也已经能生产，并分别制定了国家标准。低温压力容器钢方面，已经开发出确保－196℃低温韧性的LNG储罐用9Ni钢，中温抗氢钢15CrMoR、14Cr1MoR、12Cr2Mo1VR；开发出的抗拉强度610MPa级的Q420qE钢板已经成功应用于南京大胜关高铁大桥；屈服强度级别为420、460MPa 的高建钢也已应用于水立方、鸟巢等重大工程项目中。并已能生产460、550ＭPa级超高强船板、海洋平台用钢及690MP A级齿条钢;X80级管线用钢已经成功大批量应用于西气东输二线，并具备了X100及Ｘ120超高强韧管线钢的生产能力；用于第３代核技术建造反应堆安全壳用钢板SA738GＲB也已国产化。
层流冷却系统流量标定与板形控制 唐运章 (中厚板卷厂) 摘 要:讨论中厚板冷却系统流量标定问题,开发一种新型流量控制技术,通过标定调节阀在不同开口度下集管流量值,利用三次方方程回归出流量-调节阀开口度设定曲线;生产中根据流量开口度曲线进行水比的调整,提高冷却系统流量控制精度以及控冷后板形。 关键词:中厚板 层流冷却 流量标定 控冷板形 Flow Ca li bra ti on of Lam i n ar Cooli n g System and Prof ile Con trol Tang Y unzhang (W i de Pl a te/Co il Pl an t) Abstract:The paper discusses fl ow calibrati on of la m inar cooling syste m.A ne w type of fl ow contr ol technique has been devel oped.The accuracy of fl ow contr ol and p r ofile after contr olled cooling can be i m p r oved by calibrating fl ow value of header p i pe that contr ol valve is at different opening,regressing fl ow with cube,setting curve with opening degree and adjusting water rate based on the curve in p r oducti on. Keywords:heavy p late;lam inar cooling;fl ow calibrati on;contr olled cooling p r ofile 前言 中厚板卷厂控制冷却系统采用的冷却方式为集管层流冷却,产品大纲主要是船板、工程结构钢、锅炉板、熔器板、部分管线X42-X65。近年来,控轧控冷(T MCP工艺)技术广泛应用,开发出不同组织结构的高强钢;但是,由于冷却不均带来的板形问题,对产品的质量产生了一些负面影响。例如:X70级别以上管线、Q550D、Q609D级别以上结构钢等,在高速冷却速率下板形发生瓢曲,70%～80%产品需要下线后进行返矫,有10%的产品返矫也不能满足产品质量要求,只能降级处理,因此板形瓢曲已经成为利用T MCP技术进行高强钢开发的瓶颈。 本文以集管层流冷却方式为背景,根据现场测量数据,分析调节阀开口度与流量曲线特性,并针对冷却过程中引起的板形缺陷进行讨论,通过对冷却水开启方式、水比、冷却速度和矫直工艺等的调整,解决钢板在冷却后瓢曲问题。 1 层流冷却设备 层流冷却系统由水箱、水管、集管、吹扫装置组成(见图1),集管共有32组,其中1～10组为粗调区、11～20组为精调区、2～32组为微调区,每组分上、下两条管路,分别用来冷却钢板的上、下表面。每个集管上安装手动阀、电动流量调节阀和电磁开关阀。电动流量调节阀用于集管流量的控制,电磁开关阀用于集管冷却水的开关。
基于人工神经网络的通信信号分类识别 冯 涛 (中国电子科技集团公司第54研究所,河北石家庄050081) 摘 要 通信信号的分类识别是一种典型的统计模式识别问题。系统地论述了通信信号特征选择、特征提取和分类识别的原理和方法。设计了人工神经网络分类器,包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法,并提出了分层结构的神经网络分类器。 关键词 模式识别;特征提取;分类器;神经网中图分类号 TP391 文献标识码 A Classification and Identification of Communication Signal Using Artificial Neural Networks FE NG Tao (T he 54th Research Institute of CETC,Shijia zhuan g Hebei 050081,China) Abstract The classification and identificati on of communication signal is a typical statistical pattern identification.The paper discusses the theory and method of feature selection,feature extraction and classi fication &identificaiton of communication signal.A classifier based on artificial neural networks is designed,includin g the selection of neural network model,the input and output expression of the classifier,neural network topology and trainin g algorithm.Finally a hierarchical archi tecture classifier based on artificial neural networks is presented. Key words pattern recognition;features extraction;classifier;neural networks 收稿日期:2005-12-16 0 引言 在通信对抗侦察中,侦察接收设备在截获敌方通信信号后,必须经过对信号的特征提取和对信号特征的分析识别,才能变为有价值的通信对抗情报。通过对信号特征的分析识别,可以得到信号种类、通信体制、网路组成等方面的情报,从而为研究通信对抗策略、研制和发展通信对抗装备提供重要参考依据。 1 通信信号分类识别的原理 通信信号的分类识别是一种典型的模式识别应用,其作用和目的就是将某一接收到的信号正确地归入某一种类型中。一般过程如图1 所示。 图1 通信信号分类识别的一般过程 下面简单介绍这几部分的作用。 信号获取:接收来自天线的信号x (t),并对信号进行变频、放大和滤波,输出一个中频信号; A/D 变换:将中频模拟信号变换为计算机可以运算的数字信号x (n); 以上2步是信号空间x (t)到观察空间x (n )的变换映射。 特征提取:为了有效地实现分类识别,必须对原始数据进行变换,得到最能反映分类差别的特征。这些特征的选择和提取是非常重要的,因为它强烈地影响着分类器的设计和性能。理想情况下,经过特征提取得到的特征向量对不同信号类型应该有明显的差别; 分类器设计和分类决策:分类问题是根据识别对象特征的观察值将其分到某个类别中去。首先,在样本训练集基础上确定合适的规则和分类器结构,然后,学习训练得到分类器参数。最后进行分类决策,把待识别信号从特征空间映射到决策空间。 2 通信信号特征参数的选择与特征提取 2 1 通信信号特征参数的选择 选择好的特征参数可以提高低信噪比下的正确 识别率,降低分类器设计的难度,是基于统计模式识别方法最为关键的一个环节。试图根据有限的信号 信号与信息处理 24 2006Radio Engineering Vo1 36No 6
人工神经网络原理及实际应用 摘要：本文就主要讲述一下神经网络的基本原理，特别是BP神经网络原理，以及它在实际工程中的应用。 关键词：神经网络、BP算法、鲁棒自适应控制、Smith－PID 本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在“计算＂某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。1943年Macullocu和Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展，停滞，再发展的过程，时至今日发展正走向成熟，在广泛领域得到了令人鼓舞的应用成果。本文就主要讲述一下神经网络的原理，特别是BP神经网络原理，以及它在实际中的应用。 1.神经网络的基本原理 因为人工神经网络是模拟人和动物的神经网络的某种结构和功能的模拟，所以要了解神经网络的工作原理，所以我们首先要了解生物神经元。其结构如下图所示： 从上图可看出生物神经元它包括，细胞体：由细胞核、细胞质与细胞膜组成；
轴突：是从细胞体向外伸出的细长部分，也就是神经纤维。轴突是神经细胞的输出端，通过它向外传出神经冲动；树突：是细胞体向外伸出的许多较短的树枝状分支。它们是细胞的输入端，接受来自其它神经元的冲动；突触：神经元之间相互连接的地方，既是神经末梢与树突相接触的交界面。 对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动，神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高；当膜电位升高到一阀值（约40mV），细胞进入兴奋状态，产生神经冲动，并由轴突输出神经冲动；当输入的冲动减小，综合处理的结果使膜电位下降，当下降到阀值时。细胞进入抑制状态，此时无神经冲动输出。“兴奋”和“抑制”，神经细胞必呈其一。 突触界面具有脉冲/电位信号转换功能，即类似于D/A转换功能。沿轴突和树突传递的是等幅、恒宽、编码的离散电脉冲信号。细胞中膜电位是连续的模拟量。 神经冲动信号的传导速度在1～150m/s之间，随纤维的粗细，髓鞘的有无而不同。 神经细胞的重要特点是具有学习功能并有遗忘和疲劳效应。总之，随着对生物神经元的深入研究，揭示出神经元不是简单的双稳逻辑元件而是微型生物信息处理机制和控制机。 而神经网络的基本原理也就是对生物神经元进行尽可能的模拟，当然，以目前的理论水平，制造水平，和应用水平，还与人脑神经网络的有着很大的差别，它只是对人脑神经网络有选择的，单一的，简化的构造和性能模拟，从而形成了不同功能的，多种类型的，不同层次的神经网络模型。 2.BP神经网络 目前，再这一基本原理上已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。 这里我们重点的讲述一下BP神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络设想，其网络模型如下图所示。它可以分为输入层，影层（也叫中间层），和输出层，其中中间层可以是一层，也可以多层，看实际情况而定。
轧辊轴向移动轧机的应用与发展 叶长根 (安徽工业大学材料科学与工程学院,安徽马鞍山243002) 摘要：介绍了轧辊轴向移动轧机如森吉米尔轧机、HC轧机、HCW轧机、HCMW轧UC 轧机、CVC轧机、UPC轧机的发展过程、工作原理、形式特点以及目前在国内的应用情况。 关键词：轧辊轴向移动板形控制厚宽比边部减薄量 1 轧辊轴向移动轧机的起源与发展 为了提高冷轧薄钢带的横向尺寸精度，改善板形质量，早在DE 年代初，美国森吉米尔钢铁公司便研制出具有中间辊移动机构Z 形轧机，即森吉米尔轧机。此类轧机有十二辊、二十辊等形式，中间移动辊一端部带有锥度，通过调整中间辊的轴向移动量来控制板带的横向尺寸精度和板形。由于森吉米尔轧机辊系结构复杂，投资大，主要用于薄带材、超薄带材以及硅钢、特殊钢等高精度带材的生产，因此其推广应用受到了一定的限制。 为了改善普通冷轧薄带的板形质量，减少边部减薄量，研究者们就普通四辊轧机 在轧制规程的修正方面做了大量的工作，主要有改变压下量、改变后张力以及轧辊的液压弯辊。液压弯辊具有控制板形灵活、快速等特点，与其它规程变量不发生干扰，因此比较理想。液压弯辊的基本原理是：通过向工作辊或支撑辊辊颈施加液压弯辊力(如图1)。来瞬时改变轧辊的有效凸度，从而改变承载辊缝、形状和轧后带钢的延伸沿横向的分布。 图1 四辊轧机液压弯辊 由于液压弯辊具有这些优点，因此广泛应用于板形的调整，截止到1969年已有41套液压弯辊装置投产。它既可以安装在中厚板轧机、带钢热连轧机和单机可逆轧机上，也可安装在带钢冷轧机上。但工作辊液压弯辊使工作辊轴承
日本石川岛播磨重工业公司研制出一项改善液压弯辊控制能力的新技术——双轴承座工作辊弯辊装置（DC-WRB）（如图2） 图2 双轴承座工作辊弯辊 开始用于热轧，后来推广应用到冷轧和平整。液压弯辊虽然具有较强的板形控制能力，但仍存在着一定的问题：首先，它是通过弯曲刚度很大的轧辊来实现，最终的弯曲曲线基本上接近于二次曲线，而实际轧辊在轧制过程中由于磨损和受热凸度变化的影响，曲线变得比较复杂，常出现复合浪、局部浪等缺陷，单靠液压弯辊是无法解决的；其次，在板宽范围以外，四辊轧机的工作辊和支撑辊之间有害接触区内的接触压力不仅限制了弯辊效果的发挥，也加大了板带的边部减薄量（如图3）,为了解决这类问题，又出现了双锥度和双阶梯支撑辊（如图4）。 图3 四辊轧机轧辊变形图
人工神经网络控制 摘要: 神经网络控制，即基于神经网络控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，亦即同时兼有上述某些功能的适应组合，将这样的系统统称为神经网络的控制系统。本文从人工神经网络，以及控制理论如何与神经网络相结合，详细的论述了神经网络控制的应用以及发展。 关键词: 神经网络控制；控制系统；人工神经网络 人工神经网络的发展过程 神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。 在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等。 生物神经元模型 神经元是大脑处理信息的基本单元，人脑大约含1012个神经元，分成约1000种类型，每个神经元大约与102~104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式，同时，如此大量的神经元与外部感受器之间的多种多样的连接方式也蕴含了变化莫测的反应方式。 图1 生物神经元传递信息的过程为多输入、单输出，神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近，当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质，突触有两
X X X X大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010年12月22日
人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1.1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元,通过广泛的突触联系形成的信息处理集团,其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1)神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站,它构成各神经元之间广泛的联接。(3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物,其变化是先天遗传信息确定的总框架下有限的自组织过程。 1.2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系,这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法:①神经生物学模型方法,即根据微观神经生物学知识的积累,把脑神经系统的结构及机理逐步解释清楚,在此基础上建立脑功能模型。②神经计算模型方法,即首先建立粗略近似的数学模型并研究该模型的动力学特性,然后再与真实对象作比较(仿真处理方法)。 1.3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能,是一门新兴的前沿交叉学科,其概念以T.Kohonen.Pr的论述最具代表性:人工神经网络就是由简单的处理单元(通常为适应性)组成的并行互联网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1.4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题:模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1.5理论局限性 (1)受限于脑科学的已有研究成果由于生理试验的困难性,目前对于人脑思维与记忆机制的认识尚很肤浅,对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2)尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网,节点间互连强度构成的矩阵可通过某种学
本文首先分析了图像识别技术以及bp神经网络算法，然后详细地阐述了人工神经网络图像识别技术。 【关键词】人工神经网络 bp神经网络图像识别识别技术 通常而言，所谓图像处理与识别，便是对实际图像进行转换与变换，进而达到识别的目的。图像往往具有相当庞大的信息量，在进行处理图像的时候要进行降维、数字化、滤波等程序，以往人们进行图像识别时采用投影法、不变矩法等方法，随着计算机技术的飞速发展，人工神经网络的图像识别技术将逐渐取代传统的图像识别方法，获得愈来愈广泛的应用。 1 人工神经网络图像识别技术概述 近年来，人工智能理论方面相关的理论越来越丰富，基于人工神经网络的图像识别技术也获得了非常广泛的应用，将图像识别技术与人工神经网络技术结合起来的优点是非常显著的，比如说： （1）由于神经网络具有自学习功能，可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。 （2）在一般情况下，神经网络的信息都是存储在网络的连接结构以及连接权值之上，从而使图像信息表示是统一的形式，如此便使得知识库的建立与管理变得简便起来。 （3）由于神经网络所具有的并行处理机制，在处理图像时可以达到比较快的速度，如此便可以使图像识别的实时处理要求得以满足。 （4）由于神经网络可增加图像信息处理的容错性，识别系统在图像遭到干扰的时候仍然能正常工作，输出较准确的信息。 2 图像识别技术探析 2.1 简介 广义来讲，图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次，分为：图像处理、图像分析以及图像理解，该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉，与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外，随着计算机技术的发展，对图像技术的进一步研究离不开神经网络、人工智能等理论。 2.2 图像处理、图像识别与图像理解的关系 图像处理包括图像压缩、图像编码以及图像分割等等，对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声，并对这些信息进行确定。常用方法有灰度，二值化，锐化，去噪等；图像识别则是将经过处理的图像予以匹配，并且对类别名称进行确定，图像识别可以在分割的基础之上对所需提取的特征进行筛选，然后再对这些特征进行提取，最终根据测量结果进行识别；所谓图像理解，指的是在图像处理与图像识别的基础上，根据分类作结构句法分析，对图像进行描述与解释。所以，图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言，输入是图像，输出是对图像的描述解释。 3 人工神经网络结构和算法 在上个世纪八十年代，mcclelland与rumelhant提出了一种人工神经网络，截止现在，bp神经网络已经发展成为应用最为广泛的神经网络之一，它是一种多层前馈神经网络，包括输入层、输出层和输入层输出层之间隐藏层，如图1所示，便是一种典型的bp神经网络结构。 bp神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望，由输出向输入层反向计算误差，从而通过梯度下降方法不断修正各层权值的网络。 bp神经网络结构算法如下所述： （1）对权值矩阵，学习速率，最大学习次数，阈值等变量和参数进行初始化设置； （2）在黑色节点处对样本进行输入；
钢板轧制设备及工艺复习题 1钢板的品种按厚度如何分类其技术要求有哪些P3答：钢板的品种规格按厚度分为两大类，即厚板和薄板。一般称厚度为4mm以上者为中厚板；4mm以下着为薄板。钢板生产的技术要求：1、尺寸精度要求。（钢板的尺寸精度主要指厚度精度。厚度精度包括纵向厚差和横向厚差的允许范围。）2、板型精度要求。（板型精度是指板带钢的平直度，表示板带纵向、横向各部位是否产生波浪或瓢曲。）3、表面质量要求。4、性能要求。 2厚板、热轧带钢、冷轧带钢生产的工艺过程，各主要工序的作用 答：厚板生产工艺过程由原料及轧前准备、轧制和精整三大部分组成。 板坯的加热工艺作用：提高塑性、降低变形抗力，使坯料便于轧制，并提高产品质量，增大金属收得率。 除磷作用：保证钢板的表面质量，去除在加热过程中的炉生氧化铁皮和轧制过程中生成的再生氧化铁皮，减少轧辊磨损和消耗减少换辊次数。 热机械控制工艺作用：控制奥氏体状态、相变产物及组织状态、细化铁素体晶粒、减少珠光体片层间距，实现钢板高强度、高韧性和焊接性能的统一，生产出优质厚板。 轧后冷却作用：改变钢板的金相组织和力学下性能。 热轧带钢生产过程包括坯料选择和轧前准备、粗轧、精轧和轧后精整四个大的阶段。 板坯的加热工艺作用、除磷作用同上。 定宽作用：改变板坯宽度，以满足热轧带钢品种规格不同宽度的需要。 冷轧带钢主要生产工艺过程，主要由酸洗、轧制、退火、平整、镀（涂）层和精整工序组成。 酸洗作用：采用物理和化学的方法将带钢表面上得氧化铁皮清除掉。 退火作用：（1）消除带钢冷轧时的加工硬化；（2）获得不同的力学性能。 平整作用：（1）使退火带钢平整后达到一定的力学性能要求；（2）消除材料的屈服平台；（3）改善带钢的板形；（4）根据用户的要求生产不同粗糙度的带钢。 3热机械控制工艺的实质P16 答：热机械控制工艺，是将控制轧制和控制冷却工艺结合。在合理的化学成分设计的基础上，通过控制板坯出炉温度、低温阶段累计压下率和温度、终轧温度、轧后冷却速度和终冷温度等工艺参数，已达到控制奥氏体状态、相变产物及组织状态、细化铁素体晶粒、减小珠光体片层间距，从而实现钢板高强度、高韧性和焊接性能的统一，生产出用常规的轧制和热处理相结合工艺无法生产出的优质厚板品种，满足用户要求。 4影响有载辊缝形状的因素有哪些P21 1轧辊的热凸度。轧制时轧件的变形功所转化的热量、轧件与轧辊间摩擦所产生的热量，以及高温轧件所传递的热量都会使轧辊受热；而冷却水、空气及轧辊接触的零件会使轧辊冷却。在轧制过程中，加热和冷却条件沿辊身长度是不均匀的，靠近辊颈部分受热少、冷却快，轧辊中部则相反。故轧辊中部温度高，热膨胀大，使轧辊产生热凸度。轧辊的如凸度可以采用沿轧辊辊身调节冷却水流量分布的方法加以控制。 2轧辊的磨损。轧辊与轧件、工作辊与支承辊间的相互摩擦都会使轧辊产生磨损。影响轧辊磨损的因素很多，如轧辊与轧件的材料与温度、轧制力与轧制速度、前滑和后滑数值、工作辊和支承辊的滑动量和滑动速度、轧辊和轧件的表面硬度和粗糙度等，而且轧辊的磨损量随时间而改变。一般工作辊和支承辊的磨损规律是中部磨损大、两端磨损小，板坯边部温宿较低会造成边部的局部磨损。（轧辊磨损的补偿方法包括：1）通过生产组织的方法补偿轧辊磨损的影响。2）调整轧辊热凸度补偿轧辊磨损。3）轧辊的弹性弯曲。4）轧辊的弹性压扁。5）轧辊的原始凸度。） 5.什么是板形常见的板形缺陷有哪几种板形调节手段有哪些液压弯辊的机理及应用 答：板形精度是指板带钢的平直度，表示板带材纵横向各部位是否产生波浪或瓢曲。P4 常见板型缺陷有波浪或瓢曲（即单边浪、双边浪、中浪、肋浪和局部瓢曲）。 板型调节手段有：调整轧辊辊型，控制轧辊间有载辊缝形状，调节沿板宽压下量的分布，使延伸沿板宽分布均匀，达到钢板平直度的要求。1）采用具有板型调节功能的新型厚板轧机。2）采用板型快速调节方法：（1）液压弯辊。（2）轧辊分段冷却。（3）轧辊的倾辊调整。P23 原理：弯曲工作辊的方法改变工作辊挠度的机理主要是改变工作辊和支承辊之间互相弹性压扁量的分布曲线。弯曲支承辊方法改变工作辊挠度的机理是弯辊力改变了支承辊的弯曲挠度。 应用：对于窄板轧机，采用弯曲工作辊方法比较好；而对于宽板轧机，采用弯曲支承辊的方法比较好。通常宽板轧机采用弯曲支承辊和弯曲工作辊联合使用，可以更有效地控制板型。 （所谓液压弯辊，就是采用液压缸的压力，使工作辊或支承辊在轧制过程中产生附加弯曲，以此改变有载辊缝形状，保证钢板的平直度和断面形状合乎要求。（液压弯辊方法有弯曲工作辊和弯曲支承辊。）） 6制订厚板压下规程受哪些因素影响画简图说明制订厚板压下规程的一般规律P21 答：影响厚板压下规程的因素可分为设备能力和产品质量两大方面。设备能力对压下量的限制条件包括三个方面：咬入条件、轧辊强度和电机功率。产品质量对压下规程的影响需要考虑下面几个因素：1、金属塑性。2、钢板的几何精度。3、实行热机械控制工艺时，必须按控制轧制要求来确定压下量，以保证对轧制阶段累计变形量的要求，确定钢板的金相组织和力学性能。 将整个轧制过程分为粗轧A和精轧B两个阶段。粗轧开始阶段，由于轧件比较厚，又称咬入限制阶段A’。在咬入条件、除磷和纵向辗平限制下，压下量不允许太大。轧数道次后，咬入限制消除，可增大相对压下量ε（%），增大轧制力P，充分发挥轧辊强度和电机能力，迅速减小板坯厚度，缩短轧制周期，提高
总第155期2007年4月 南 方 金 属 S OUT HERN MET ALS Su m.155Ap ril 2007 收稿日期:2006-09-18 作者简介:郭同铀(1970-),男,1993年毕业于中南工业大学压力加工专业,工程师. 文章编号:1009-9700(2007)02-0031-04 韶钢宽板轧机板形控制实践 郭同铀1 ,周 成1 ,罗祯伟2 ,江业泰 2 (1.北京科技大学,北京100083;2.广东省韶关钢铁集团有限公司,广东韶关512123) 摘 要:板形控制技术是中厚板生产的关键技术和难点技术,密切关系着生产的稳定性、产品质量和主要技经指标.韶钢宽板轧机生产线的板形控制实践,充分发挥了板形控制工艺设备技术的功能,取得了较好的实物产品质量和较高的技经指标. 关键词:宽板轧机;板形控制;实践 中图分类号:TG 335.5 文献标识码:B Prof ile con trol for the w i de pl a te m ill a t S I SG G UO Tong 2you,LUO Zhen 2wei,J I A NG Ye 2tai (Shaoguan Ir on &Steel Gr oup Co .,L td .,Shaoguan 512123,Guangdong ) Abstract:Being crucial for mediu m p late p r oducti on,p r ofile contr ol is of significance in ensuring p r oducti on steadiness,p r oduct quality and the main technical and econom ic indices .The p ractice with SI SG’s wide p late m ill,in which a full use was made of the equi pments and p r ocesses ass ociated with the p r ofile contr ol,showed that a good p r oduct quality,as well as satisfact ory technical and econom ic indices were obtained .Key words:wide p late m ill;p r ofile contr ol technique;p ractice 1 前言 广东省韶关钢铁集团有限公司(以下简称“韶钢”)3450宽板轧机是韶钢“十五”建设的重点项目,按炉卷轧机进行设计,采用短流程生产工艺,分两期建设.现建成的一期全部生产钢板,年生产能力100万t,产品规格9～40×1500～3250×6000～12000mm ,钢种主要有普碳板、优碳板、低合金系列、造船用板、锅炉容器板等.该生产线在设计定位时,结合产品大纲,合理配置了较为完善的板形控制功能,提高了钢板板形控制水平,取得了较好的产品质量和成材率等关键技经指标. 2 板形的概念 板形通常指钢板的平直度,常见的板形不良缺陷表现为浪形(单边浪、双边浪、中浪等)、瓢曲和镰刀弯.钢板板形不良的本质是变形不均匀产生的内部应力,当内应力大到一定程度且轧件厚度薄到一 定程度时,轧件以波浪、瓢曲、镰刀弯等形式释放应力,称作宏观板型不良,如果内应力较小且钢板有足够的刚度抵抗内应力引起的变形趋势,一般称作“潜在板型不良”.潜在板型不良的钢板在经过时效、后续加工或某些使用工况诱导下,很可能会转变为宏观板型不良. 钢板的板凸度和楔形度是影响板形的关键,因此控制板形就是要控制好有载辊缝形状,导致有载辊缝形状不良的因素很多,除辊系原始凸度、辊系的磨损、辊系热凸度、辊系横向冷却不均、两侧辊缝偏差、轧制负荷分配不当等因素外,坯料的横断面矩形度、坯料横向加热不均和侧导板对中精度也是影响板形的重要因素. 3 板形控制的工艺设备技术 3.1 板形控制的坯料保证 3.1.1 板坯的横向凸度和楔形度保证 由于板坯的横向凸度和楔形度对钢板板形具有
【课程设计】板带轧制设计
辽宁科技大学 课程设计说明书 设计名称：板带轧制课程设计 指导教师：王振敏 学院：装备制造学院 班级：材控10.1 姓名：李天夫 日期：2013.12.19
目录1.综述 1.1热轧板带钢的生产状况 1.2热轧板带钢的新技术发展趋势 2.工艺流程及设备 2.1生产工艺流程简介 2.2主要设备及产品参数 3.整个流程的设计和计算 3.1 确定轧制方法 3.2 加热制度的确定 3.3各道次压下量的分配 3.4 粗轧各道次宽展计算 3.5根据成品板的宽度确定精轧宽度 3.6宽向所需的总的侧压量 3.7各道次宽度的计算 3.8粗轧所用时间及其温降 3.9精轧各道次速度的计算 3.10精轧各机架的温度 3.11精轧各机架的变形速度 3.12精轧单位压力及其轧制力轧制力矩的计算 4.强度校核 4.1咬入角校核 4.2轧辊强度校核 5.结束语
1.综述 1.1热轧板带钢的生产状况 热轧带钢是重要的钢材品种，对整个钢铁工业的技术进步和经济效益有着重要影响。发达国家热轧带钢产量约占热轧钢材的50%以上，并在国际市场竞争中居于领先地位。我国钢铁工业近年来产量增长较快，但高附加值产品的数量和质量较低。我国一般热轧带钢产品厚度下限是 1.8mm，但实际上只生产很少厚度小于2.0mm的热轧带钢，即使窄带钢，产品厚度一般也大于2.5mm。因此，相当一部分希望使用厚度小于2mm带钢作原料的用户，只得使用冷轧带钢。如果能开发薄规格的热轧带钢，则可代替相当一部分的冷轧带钢使用，使生产成本大为降低。 a热轧宽带钢的生产状况 国外热轧宽带钢生产的技术进步表现在以下几方面:①热带钢无头轧制技术。无头轧制技术能稳定生产宽薄带钢及超薄热轧带钢，其宽厚比可由传统热连轧的800∶1提高到1 000∶1，并能应用润滑轧制及强制冷却技术生产具有新材料性能的高新技术产品。②薄板坯连铸连轧技术。它主要有紧凑式热带钢生产工艺CSP (Compact Strip Process)、在线热带钢生产工艺 ISP (In-Line Strip Production)、灵活式薄板坯轧制工艺 FTSR (Flexible Thin Slab Rolling)和连铸直接轧制工艺CONROLL等10余种类型。德国SMS公司开发的CSP工艺已成功地轧制出厚度为0.8mm的薄带钢产品，并已经广泛应用在家用电器、建筑工业等领域；奥钢联(V AI)开发的CONROLL工艺也成功地生产出厚度0.9mm~1.0mm、表面质量极好的热轧薄带钢，可用作汽车的外露部件；美国至今已经投产的薄板坯连铸连轧生产线达百余条，生产能力53107t/年。③铁素体区轧制生产工艺。它又称相变控制轧制，是由比利时冶金研究中心于1994年开发的一项轧制新技术，当初主要目的就是用薄规格的热轧带钢取代1.0mm~2.0mm厚度范围的冷轧产品。铁素体区轧制生产工艺的发展目标是生产薄(超薄)规格优质深冲板。LTV公司的印地安那哈伯厂40%的超低碳钢产品采用铁素体区轧制生产， Arvedi公司采用铁素体区轧制生产的超薄热轧带钢已占其产量的25%。④铸轧薄带钢的CASTRIP工艺。这种工艺由美国纽柯钢铁公司、澳大利亚BHP公司和日本IHI公司联合开发， 2003为纽柯公司成功建设了世界上第一套全商业化的双辊铸轧薄带钢生产线，用来生产碳钢和不锈钢。与常规连铸和轧钢技术相比，这种工艺具有投资省、运行费用低、节能环保、废气排放少等优点。目前，这套全商业化的薄带钢双辊铸轧机可年产2.0mm以下薄规格带钢50万t。该铸轧机采用的钢包容量为110t，铸轧机双辊直径为Φ500mm，最高连铸速度为150m/min，常用连铸速度为 80m/min，出口带钢厚度为0.7mm~2.0mm，宽度为1 000mm~2 000mm。 国内热轧宽带钢生产概况如下:①传统的热带轧机。以宝钢2050mm热轧带钢轧机为例，宝钢2050mm热轧厂于1989年8月3日投产，热轧机组设计年产量为400万t。到2000年底已累计生产4446万t热轧带钢。1999年产量达到510
板形控制作业实现板形控制的主要方法及原理 李艳威机电研一班s2*******
实现板形控制的主要方法及原理 李艳威1, （1. 太原科技大学研1201班太原） 摘要：介绍了六种类型的实现板形控制方法，包括热轧过程中对板形的控制；采用液压AGC系统控制板厚及板形；通过轧辊有载辊缝的控制，进行板形控制；通过选择机型实现板形控制；采用板形控制新技术以及控制策略和控制系统的结构对板形控制的影响。每个类型的方法中列举了具体实现的技术，并简要介绍了该技术的基本原理。 关键词：板形控制方法原理 The Method of Achieving Plate-shaped Control and Principle LI Yanwei1 （1. Taiyuan University Of Science And Technology,The graduate class of 1201,Taiyuan） Abstract:Introduced six types of shape control method , Including the plate-shaped control in the hot rolling process;Adopt Hydraulic AGC System to control the shape of plate;Through the roll-load roll gap control the shape of plate;By selecting models to achieve plate-shaped control;Adopt new technologies plate-shaped control. Listed for each type of method to achieve technical, and briefly describes the basic principles of the technology. Keyword: plate-shaped control method principles 0 前言 为了说明金属纵向变形不均的程度，引入了板形(Shape)这个概念。板形是板带的重要指标，包括板带的平直度、横截面凸度(板凸度)、边部减薄三项内容。直观说来,所谓板形是指板材的翘曲程度；就其实质而言，是指带钢内部残余应力的分布。作为带材重要的质量指标之一，板形已越来越受到生产厂商与用户的重视，其好坏直接影响到带材对市场的占有率。下面介绍几种常见的板形控制技术及其简单原理。 热轧过程中带钢的板形及带钢性能在 宽度方向上和轧制方向上的控制、酸洗的拉矫过程、冷轧过程的板形控制、连续退火时温度和张力的控制、乎整机的板形控制及涂层前的拉矫等构成了一个全过程的复杂的 冷轧板形控制系统．在这个系统中，前一个工序的出口板形影响后一个工序的板形．所以，带钢的最终板形不可能单独由系统中的某一个工序或某一设备所决定，而由整个系统决定。 1 热轧过程中对板形的控制 热轧过程中，根据钢种不同，设定热轧目标终轧温度．必要时还要提高钢坯的出炉温度，确保热轧带钢的边部终轧温度控制晶粒均匀成长，尽量消除硬度沟的影响，为冷轧提供较为合适的板形．尤其是热轧后部设立平整机，通过在热状态下，平整机的拉伸矫平，消化板形缺陷。 2 采用液压AGC系统 为了实现轧件的自动测厚控制(简称AGC)，使得纵向板形得以实现平直度，在现代板带轧机上一般装有液压压下装置．采用液压压下的自动厚度控制系统，通常称为液压AGC．AGC系统包括：(1)测厚部分，
智 能 控 制 导 论 论 文 ●系别： ●班级： ●学号： ●姓名： ●日期：
人工神经网络 关键词:人工神经网络、产生、发展、应用 内容摘要: 人工神经网络是二十世纪科学技术所取得的重大成果之一，是人类认识自然道路上的又一座里程碑。90年代以来，国际学术界掀起了研究人工神经网络的热潮，但是探讨其哲学思想方面的研究相对薄弱。我们知道，任何一门影响巨大、意义深远的科学技术，其发展过程必然揭示了科学技术发展的基本规律以及影响其发展的主要因素。 人工神经网络（Artificial Neural Networks, ANN），一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。人工神经网络是一门发展十分迅速的交叉学科，它是由大量处理单元组成的非线性大规模自适应动力系统，具有学习能力、记忆能力、计算能力以及智能处理能力，并在不同程度和层次上模仿人脑神经系统的信息处理、存储及检索功能。同时，人工神经网络具有非线性、非局域性、非定常性、非凸性等特点，因此在智能控制、模式识别、计算机视觉、自适应滤波和信号处理、非线性优化、自动目标识别、连续语音识别、声纳信号的处理、知识处理、智能传感技术与机器人、生物医学工程等方面都有了长足的发展。 人工神经网络产生的背景 自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。在这些理论基础之上，科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。另一方面，19世纪之前，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系统的关键。为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。所以，人工神经网络的创立不是偶然的，而是20世纪初科学技术充分发展的产物。 发展历史 人工神经网络的研究始于20世纪40年代，至今已有60多年的历史，其发展很不平衡，既有其繁花似锦、兴旺昌盛的高速发展期，又有其困难重重、步履维艰的低潮期，甚至曾经有人对此理论持悲观态度，认为该理论“已走入死胡同，无发展的余地”。