下载文档原格式
《轧机传动系统扭振智能控制方法研究》篇一一、引言随着现代工业的快速发展，轧机作为金属加工行业的重要设备，其传动系统的稳定性与效率直接关系到生产的质量与效率。
然而，轧机传动系统中常常出现的扭振问题，不仅会影响设备的正常运行，还会对生产效率和产品质量造成不良影响。
因此，研究轧机传动系统的扭振智能控制方法，对于提高轧机的工作性能和稳定性具有重要意义。
二、轧机传动系统扭振问题概述轧机传动系统的扭振问题主要表现为系统在运行过程中产生的周期性或非周期性的扭转振动。
这种振动主要由电机与负载之间的转速波动、传动装置的制造误差、系统刚度的变化等多种因素引起。
扭振问题的存在会导致设备运行不稳定，加剧机械部件的磨损，甚至可能引发严重的安全事故。
因此，研究轧机传动系统的扭振控制方法，对于提高设备的运行稳定性和延长使用寿命具有重要意义。
三、传统扭振控制方法及其局限性传统的轧机传动系统扭振控制方法主要包括机械调整、液压阻尼和电气控制等。
这些方法在一定程度上可以减少扭振的幅度和频率，但往往存在以下局限性：一是难以根据实际工况进行自适应调整；二是控制效果受系统参数变化的影响较大；三是对于复杂工况下的扭振问题，控制效果往往不理想。
因此，需要研究更加智能化的扭振控制方法。
四、智能扭振控制方法研究针对传统扭振控制方法的局限性，本研究提出了一种基于智能控制的轧机传动系统扭振控制方法。
该方法主要利用人工智能技术，通过实时监测和分析系统的运行状态，实现自适应的扭振控制。
具体包括以下几个方面：1. 智能识别与监测：通过安装传感器和监测装置，实时采集轧机传动系统的运行数据，包括转速、扭矩、振动等。
利用人工智能技术对这些数据进行处理和分析，实时识别系统的运行状态和扭振情况。
2. 智能诊断与预测：根据实时监测的数据，利用机器学习、深度学习等人工智能技术，对系统的运行状态进行诊断和预测。
通过分析系统的历史数据和运行规律，预测可能出现的扭振问题，并及时采取相应的控制措施。
《轧机传动系统扭振智能控制方法研究》篇一一、引言随着现代工业的快速发展，轧机作为金属加工行业的重要设备，其传动系统的稳定性与效率显得尤为重要。
然而，轧机传动系统中扭振问题一直是影响其性能的关键因素之一。
扭振不仅会降低设备的生产效率，还可能导致设备的损坏和维修成本的增加。
因此，对轧机传动系统扭振的智能控制方法进行研究具有重要的理论价值和实践意义。
二、轧机传动系统扭振问题概述轧机传动系统的扭振问题主要源于电机与轧辊之间的力矩传递不均、系统刚度不足以及外部负载的波动等因素。
扭振会导致传动系统的动力性能下降，增加设备的维护成本，甚至可能引发安全事故。
传统的控制方法主要依靠经验丰富的操作人员和复杂的机械结构来减少扭振，但效果有限且难以适应复杂的工况。
因此，研究智能控制方法对解决轧机传动系统的扭振问题具有重要意义。
三、智能控制方法在轧机传动系统中的应用针对轧机传动系统的扭振问题，智能控制方法提供了一种有效的解决方案。
这些方法主要包括基于人工智能的预测控制、优化控制和自适应控制等。
这些方法可以实时监测和分析传动系统的运行状态，通过调整控制参数来减少扭振。
此外，智能控制方法还可以根据不同的工况和负载变化自动调整控制策略，提高系统的适应性和稳定性。
四、轧机传动系统扭振智能控制方法研究本文提出了一种基于深度学习的轧机传动系统扭振智能控制方法。
该方法通过在系统中安装传感器来实时监测传动系统的运行状态，包括力矩、速度、加速度等参数。
然后，利用深度学习算法对这些数据进行处理和分析，预测出传动系统的扭振情况。
接着，根据预测结果，通过优化算法调整控制参数，实现对扭振的智能控制。
具体而言，该方法包括以下几个步骤：1. 数据采集与预处理：通过传感器实时采集轧机传动系统的运行数据，包括力矩、速度、加速度等参数。
然后对这些数据进行预处理，包括去噪、滤波和归一化等操作，以便后续的深度学习算法处理。
2. 深度学习模型构建：构建深度学习模型，如循环神经网络（RNN）或长短期记忆网络（LSTM）等，用于分析和预测传动系统的扭振情况。
b"*18(.(>9"*".?/04设计与研究设计与研究4b "*18(.(>9"*".?/0!SJ 4!#2网络结构及其建立神经网络理论定理%!%3&%8%?%^定理-G .等已经证明#经过充分学习的三层f T 网络即只有一个隐含层的网络#能够以任意精度逼近任意非线性关系’所以#采用三层f T 网络建立刀架振动趋势预测模型’三层神经元网络由输入层%隐含层和输出层构成#每层由一个或者多个节点构成’输入层的节点数由输入向量的维数决定#输出层节点数由输出向量的维数决定’这里输入向量的维数取G #输出节点数为5’隐含层节点数可采用经验公式Z K >c !"c .作为参考#Z %"和>分别为隐含层%输入层和输出层节点数#.是常数#.)-E #5E .’然后经过反复试验最终确定G [F [5的网络模型效果较好’网络隐含层神经元变换函数采用).(*18型#输出层采用3%8*18型函数’采用("_++函数新建网络#同时确定网络结构和训练函数#在-A 2Q A f 工具箱中有Q "^"(‘"?8[-.?j;.?>优化方法的训练函数)?.1(3&’$2实验过程与趋势预测为了更加精确地采集机床振动信号#采用振动传感器进行数据采集#其示意图如图D 所示’压电式加速度传感器安装在刀架上#信号调理模块将传感器采集的电压信号进行预处理#然后传输到数据采集卡#数据采集卡将模拟信号转换为计算机能分析和处理的数字信号’对于该试验中采集振动信号的传感器采用朗斯的Q $E5GSA H 2内装=$压电加速度传感器#它将标准的压电加速度传感器与电荷放大器集于一体#简化了测试系统#其量程为p 68#灵敏度为5GEE &k H 8’传感器用磁力安装座固定在刀架上#安装位置如图6所示’信号调理模块选用美国b .).+%?)0公司的U$-Gf JP 加速度输入模块#它不仅能够为加速度传感器提供电源#还具有隔离直流电流#对信号进行放大%滤波等功能’数据采集卡采用美国,=公司的高速数据采集卡b "*18(.(>9"*".?/04设计与研究编号数值编号数值编号数值编号数值5EY 5J65E EY 5GS 5F EY 5GJ DP EY 5G6D EY 5JG 55EY 5GJ DE EY 5G6DF EY 5GF 6EY 5GF 5D EY 5GG D5EY 5G56E EY 5G6J EY 5GF 56EY 5JP DD EY 5GJ 65EY 5JN G EY 5GJ 5J EY 5GS D6EY 5GS 6D EY 5JN S EY 5GP 5G EY 5GJ DJ EY 5JP 66EY 5G6N EY 5SD 5S EY 5GG DG EY 5JS 6J EY 5GE P EY 5GF 5N EY 5JP DS EY 5S56G EY 5JF FEY 5GJ5PEY 5SEDNEY 5SD6SEY 5G6按照上述方法采用多"预测模型进行J "预测#经计算机仿真计算#预测结果如表D 所示’表"2预测结果编号实际值改进f T 网络标准f T 网络预测值误差H I 预测值误差H I 6N EY 5GF EY 5GFJ EY DG EY 5S6S DY PF 6P EY 5GD EY 5GSN 6Y EF EY 5G55EY GF 6F EY 5SD EY 5GSS 6Y 66EY 56FP 56Y S JEEY 5JNEY 5G65JY 5GEY D6DJNY JF由表D 可见#改进f T 神经网络方法的预测精度明显好于传统f T 算法#预测误差较小#满足预测精度要求’为了体现改进f T 算法的优越性#图J 和图G分别给出了相同实验条件下#利用改进f T 神经网络算法和标准fT 网络建立预测模型时的网络收敛情况’在本次实验中利用改进的f T 网络建立预测模型时平均P "就能达到要求的训练精度#而用标准fT 网络要训练上万次#采用改进的f T 算法建立网络模型#在达到相同训练精度的条件下节省了时间’:结语通过对机床刀架的振动进行监测#并预测其振动趋势#对于有效提高机床的可靠性有很重要意义’同时对改进f T 网络规模%参数的确定#以及神经网络进行多"预测的具体实现作了有益的探索’实验中发现#多"预测模型随着预测步数的增加#误差不断累积#预测精度开始下降#但在规定的要求范围内’该改进的f T 网络还有待于更进一步的完善’总之#依照上述原理建立的f T 网络多步预测模型#全局的收敛速度快#且误差较小#对于预知机床的振动情况有一定的指导意义’参考文献54肖俊#胡伟#鲁志政等Y 数控车床故障率的可靠性可分析Y 现代制造工程#DEES *5D +D4Q "?.B #T 1(]%3.*-Y,"180‘%?0%%>‘.*">Q "^"(‘"?8[-.?j;.?>).38%a?1)0&+%?(";?.3(")_%?7)?.1(1(8Y=X X X 2?.(*./)1%(*%(,";?.3,")a _%?7*Y DEED #56*G +)5DEE [5DE664-Y 2Y @.8.(#-Y-"(0.h #2?.1(1(8+"">+%?_.?>(")_%?7*_1)0)0"-.?aj;.?>).38%?1)0&#=X X X2?.(*Y ,";?.3,")_%?7*Y 5FFJ #G *S +)FPF #FF6J4杨崴崴#缪思恩#盛锴Y 基于小波神经网络的汽轮发电机组振动故障预测的研究#电站系统工程#DEEN *G +G4k Y !;?7%^.Y !%3&%8%?%^e *)0"%?"&.(>&;3)13.#"?(";?.3(")_%?7*Y ,";a?.3(")_%?7*#5FFD *G +)GE5[GES 第一作者#黄建军$男$5FP5年生$硕士研究生$主要研究方向#数控设备工况监测与故障诊断&!编辑4孙德茂"4*收稿日期)DEEP [55[DF +44文章编号%FJDE如果您想发表对本文的看法$请将文章编号填入读者意见调查表中的相应位置&。
BP神经网络结构的改进及其在智能控制中的应用
蔡宁;赵英凯
【期刊名称】《化学工业与工程技术》
【年(卷),期】1995(000)004
【摘要】无
【总页数】4页(P18-21)
【作者】蔡宁;赵英凯
【作者单位】无
【正文语种】中文
【相关文献】
1.改进的BP神经网络在传动轴结构设计中的应用 [J], 王胜;杨宏才
2.BP神经网络改进遗传算法在桁架结构优化设计中的应用 [J], 李梦欢;徐安
3.基于改进的机器学习协同推荐算法在智能控制中的应用研究 [J], 樊继慧;滕少华
4.改进的BP神经网络在车辆目标识别中的应用研究 [J], 刘路
5.改进 BP 反传算法在智能控制系统中的应用 [J], 陈祥光;黄聪明
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的热连轧精轧机组轧制力高精度预报吕程王国栋刘相华姜正义朱洪涛(东北大学)袁建光解旗(宝山钢铁(集团)公司)摘要以实测数据为基础，在精轧预设定中采用BP神经网络的方法取代传统的轧制力数学模型，并对神经网络输入项和训练样本进行分析，提出改善神经网络预报精度的一些方法。
预报结果和实测数据比较表明，预报精度有较大的提高。
为满足现场要求提出神经网络预报轧制力在线应用方案。
关键词BP神经网络轧制力预报热连轧HIGH-PRECISION PREDICTION OF ROLLING LOAD OF FINISHING STANDS WITH NEURAL NETWORKSL Cheng WANG Guodong LIU Xianghua JIANG Zhengyi ZHUHongtao(Northeastern University)YUAN Jianguang XIE Qi(Baoshan Iron and Steel Corp.)ABSTRACT On the basis of the measured data of the 2050 mm hot strip mill,the neural networks have been used for prediction of rolling load instead of traditional models for pre-setting finishing stands.The input of networks and training data have been analyzed and some methods for improving the precision of prediction are proposed.The comparison of the measured values and the predicted values show that the methods are very good.In order to satisfy the demand of steel works,a proposal of application of predicting rolling load is given.KEY WORDS BP neural networks,prediction of rolling load,hot continuous rolling1 前言目前，在热连轧生产中，由于钢种的多样化、订货的小批量化以及对尺寸精度要求的不断提高，要求精轧机预设定更加灵活和准确。
《轧机传动系统扭振智能控制方法研究》篇一一、引言随着现代工业的快速发展，轧机作为金属加工的重要设备，其传动系统的稳定性和效率对产品质量和生产效率具有重要影响。
然而，轧机传动系统中扭振问题一直是影响其性能的关键因素之一。
扭振不仅会导致设备运行的不稳定，还会对设备产生损害，影响产品的精度和表面质量。
因此，研究轧机传动系统的扭振智能控制方法具有重要的现实意义。
二、轧机传动系统扭振问题分析轧机传动系统扭振问题的产生，主要是由于电机与轧辊之间的传动不平衡、负载变化、系统刚度不足等因素引起的。
扭振不仅会降低设备的运行效率，还会对设备的寿命和产品质量产生负面影响。
传统的扭振控制方法主要依赖于经验和试错法，缺乏理论指导和智能优化，难以满足现代工业的高效、稳定、智能化的需求。
三、智能控制方法研究针对轧机传动系统的扭振问题，本文提出了一种智能控制方法。
该方法基于现代控制理论、信号处理技术和人工智能技术，通过实时监测和分析传动系统的运行状态，实现对扭振的智能控制和优化。
1. 信号处理技术信号处理技术是智能控制方法的基础。
通过对传动系统中的振动信号进行采集、处理和分析，可以获取系统的运行状态和扭振特征。
利用频谱分析、小波分析等信号处理方法，可以提取出扭振信号的频率、幅度、相位等特征参数，为后续的智能控制提供依据。
2. 人工智能技术人工智能技术是实现智能控制的关键。
通过建立基于人工智能的模型，可以对传动系统的运行状态进行预测和优化。
例如，可以利用神经网络、支持向量机等机器学习算法，对历史数据进行分析和学习，建立扭振控制的模型和规则。
然后，根据实时监测的数据，对模型进行修正和优化，实现对扭振的智能控制。
3. 智能控制策略基于信号处理技术和人工智能技术，可以制定出多种智能控制策略。
例如，可以根据扭振的特征参数，制定出适应不同工况的控制策略。
通过调整电机的转速、力矩等参数，实现对扭振的有效控制。
同时，还可以利用优化算法，对控制策略进行优化和改进，提高控制的效果和效率。
《轧机传动系统扭振智能控制方法研究》篇一一、引言在轧机生产过程中，传动系统的扭振问题是一个普遍存在的难题。
扭振不仅影响轧机的生产效率，还可能对设备造成损害，甚至影响整个生产线的稳定运行。
因此，对轧机传动系统扭振的智能控制方法进行研究，具有重要的理论价值和实践意义。
本文旨在探讨轧机传动系统扭振的智能控制方法，以期为相关领域的研究和应用提供参考。
二、轧机传动系统扭振问题概述轧机传动系统的扭振问题主要表现在以下几个方面：一是由于轧制力的变化、轧辊的不均匀磨损等原因，导致传动系统产生周期性或非周期性的扭振；二是由于传动系统的刚度不足、轴承间隙过大等因素，使得扭振现象更加严重；三是扭振会影响轧机的生产效率、产品质量以及设备的使用寿命。
因此，对轧机传动系统扭振的控制显得尤为重要。
三、传统轧机传动系统扭振控制方法及局限性传统的轧机传动系统扭振控制方法主要包括机械调整、液压阻尼、电气控制等。
这些方法在一定程度上可以降低扭振的幅度和频率，但往往存在以下局限性：一是难以实现精确控制，无法根据实际工况进行自适应调整；二是可能对其他系统产生干扰，影响设备的正常运行；三是无法满足高精度、高效率的生产需求。
四、智能控制方法在轧机传动系统扭振控制中的应用针对传统方法的局限性，智能控制方法在轧机传动系统扭振控制中得到了广泛应用。
智能控制方法主要包括模糊控制、神经网络控制、遗传算法、自适应控制等。
这些方法可以根据实际工况，实现自适应调整，提高扭振控制的精确性和效率。
例如，模糊控制可以通过建立模糊规则库，实现对轧机传动系统扭振的实时监测和智能控制；神经网络控制可以通过学习历史数据，预测未来扭振趋势，从而提前采取控制措施。
五、智能控制方法在轧机传动系统扭振控制中的具体应用在具体应用中，可以根据实际工况选择合适的智能控制方法。
例如，可以采用基于神经网络的自适应控制方法，通过神经网络对轧机传动系统的动态特性进行学习和预测，实现对扭振的实时监测和智能控制。
基于神经网络状态观测器的轧机扭振抑制研究的开
题报告
一、研究背景
机械加工过程中，轧机扭振问题极易发生，导致产品出现不合格、
设备寿命缩短等问题，同时对生产线的稳定运行也造成了不小的影响。
因此，如何解决轧机扭振问题成为了研究和解决的热点问题之一。
传统的扭振抑制方法主要是在机械设计中采取减振减阻措施，这种
方法有时会增加设计与制造成本。
近年来，随着计算机技术、控制理论
等领域的快速发展，基于控制方法的扭振抑制技术日益成为研究热点。
其中，基于神经网络的状态观测器已经被广泛应用于各个领域中的机电
系统控制，其具有非线性建模的能力和适应性等优点。
因此，将神经网
络状态观测器应用于轧机扭振抑制中，是一种可行的方法。
二、研究内容
本研究旨在基于神经网络状态观测器，提出一种针对轧机扭振抑制
的控制方法。
具体研究内容包括：
1. 建立轧机振动模型。
通过分析轧机振动的特点，建立合适的振动
模型，为后续控制方法的设计提供理论基础。
2. 设计基于神经网络状态观测器的控制器。
利用神经网络状态观测
器对轧机振动进行在线监测与预测，并结合控制算法设计相应的控制器。
3. 系统仿真与实验验证。
使用Matlab等软件搭建仿真平台，对所设计的控制方法进行仿真与优化，最终通过实验等方式验证该控制方法的
可行性和有效性。
三、研究意义
本研究采用基于神经网络状态观测器的控制方法，可以有效抑制轧机扭振现象，提高轧机精度和产品质量，延长轧机使用寿命，同时减少设备损坏和停机损失等问题，具有显著的经济和社会意义，可为轧机扭振抑制领域的研究提供新思路和新方法。
V ol 35No.5Oct.2015噪声与振动控制NOISE AND VIBRATION CONTROL 第35卷第5期2015年10月文章编号：1006-1355(2015)05-0134-05基于改进BP 神经网络的轧机扭振智能控制时培明，李冰洋(燕山大学电气工程学院,河北秦皇岛066004)摘要：针对轧机传动系统扭振控制问题，建立考虑负载转矩的轧机传动系统动力学模型。
考虑到扭振模型比较复杂和参数不易测量的特点，提出基于神经网络的状态观测器，并对标准BP 网络进行优化处理。
设计基于改进BP 神经网络状态观测器的智能控制系统，并利用SIMULINK 对轧机实例进行仿真。
结果表明设计的智能控制系统对轧机传动系统的扭振有良好的控制效果。
关键词：振动与波；轧机传动系统；扭振；改进BP 神经网络；状态观测器中图分类号：TM341；TH113.1文献标识码：ADOI 编码：10.3969/j.issn.1006-1335.2015.05.028Intelligent Control of Torsional Vibration of Rolling Mills Basedon Improved BP Neural NetworkSHI Pei-ming ,LI Bing-yang(College of Electrical Engineering,Yanshan University,Qinhuangdao 066004，Hebei China )Abstract :The dynamic model of the drive system of rolling mills was established to study the torsional vibration control problem in the loading condition.Due to the complicated characteristics and the difficulty in parameters measurement of the torsional vibration model,the state observer method was proposed based on neural network,and the typical BP network was optimized.The intelligent control system based on the improved BP neural network observers was designed and the real mill examples were simulated using SIMULINK.The results show that the designed smart control system of the rolling mill drive system has a good effect for torsional vibration control.Key words :vibration and wave ;transmission system of the rolling mill ;torsional vibration ;improved BP neural network ;state observer随着轧机装备水平的提高，相应对传动系统提出了高精度和高动态性能的技术要求。
为了适应现代轧钢工业的发展，我国轧机在近期都进行了大规模电气自动化系统的技术更新改造，轧机传动已由先进的交流调速取代传统的直流调速，大大提高了轧机传动的技术性能指标。
但轧机大多利用原机械设备，机械与电气配合不好，容易出现传动系统的扭振现象，扭振作为轧机传动系统的一个外部扰动环节，会引起系统动态速降，甚至破坏控制系统的稳定性，另一方面对轧机的破坏非常严重。
扭振使传收稿日期：2014－11－25基金项目：河北省自然科学基金(E2012203194)；河北省高等学校创新团队领军人才培育计划项目（连铸、轧钢自动化技术及应用）(LJRC013)作者简介：时培明（1979－），男，黑龙江哈尔滨人，副教授，主要从事轧机振动控制等方面的研究工作。
E-mail:spm@动部件产生疲劳损伤，降低部件的使用寿命。
剧烈的振动还会引起部件的突然破坏性断裂，造成很大的经济损失[1]。
针对大型连轧机传动系统频繁出现轧机传动振动事故，国内外学者进行了大量的研究，以解决轧机扭振对轧钢生产的影响[2]。
但这些研究成果基本上是从轧机传动机械与工艺条件出发，通过对机械系统的合理设计或者改变系统的参数，如电机和轧辊的转动惯量，弹性轴的刚度等来减小机电共振现象，很少涉及轧制扰动对电气系统的影响，以及从电气传动自动化系统的角度来解决轧机传动机电振动的问题。
随着现代控制理论的发展，尤其是智能控制的出现，为扭振的抑制提供了新的思路。
本文针对轧机模型比较复杂和参数不易测量的特点，提出基于神经网络的状态观测器，并对标准BP 网络进行优化处理。
在理论分析的基础上，进一步通过仿真研究对这种方法的可行性和有效性进行验证。
第5期1轧机传动系统的扭振模型构成一台轧机传动系统的机械传动部件很多，可以认为轧机的主传动系统是一个由若干惯性部件和弹性部件构成的“质量弹簧系统”。
为了便于计算组合，传动系统可以对惯性部件与弹性部件进行合并，使整个系统得以简化，忽略连接轴阻尼，将其看成是由电动机和轧辊通过连接轴连接在一起的二质量系统，如图1所示。
图1轧机二质量系统模型图1中M e 是电机输出电磁转矩；M ω是轧机轧制转矩；M L 是负荷转矩；ωm 是电机旋转角频率；ωL 是轧机旋转角频率；J m 是电机转动惯量；J L 是轧机转动惯量；θm 是电机旋转角度；θL 是轧机旋转角度；K 是连接轴弹性系数。
根据运动学方程式写出微分方程式得ìíîïïïïM e-M ω=J m d ωmd tM ω-M L =J Ld ωLd t M ω=K ()θm -θL (1)由于θm =∫ωm d t，θL =∫ωL d t，因此M ω=K ()θm -θL 可以改为M ω=K ∫()ωm -ωL d t (2)对（2）两边微分可得ωm -ωL =1K ∙d Mωd t(3)由（1）（2）和（3）可以写出电机模型的状态方程：{X =AX +BU Y =CX +DU(4)其中A =éëêêêêùûúúúú0-1J L0K 0-K 010B =éëêêêêùûúúúú1J m 0000-1J L C =[]100,D =[]000X =[]ωm M ωωL ,Y =[]ωm0T,U =[]M eM L0T把状态方程式进行拉式变换得ìíîïïïï()M e -M ω1J m S =ωm()ωm -ωL K S =M ω()M ω-M L 1J L S =ωL(5)由（5）得轧机二质量系统结构框图，如图2所示。
图2二质量系统结构框图2改进BP 神经网络状态观测器2.1改进BP 神经网络标准BP 网络模型把应用转换为了一个数学优化问题，把训练样本的输入输出问题转变成了一个非线性数学优化方面的问题。
BP 神经网络根据Widrow-Hoff 规则，在学习算法方面使用数学优化算法中的最速下降算法，BP 学习算法是一个全局逼近的优化算法。
因而，具有一个很好的泛化能力和较强的容错性。
从理论方面来说，BP 网络具有非常强的非线性映射能力，只要BP 神经网络的隐含层层数和隐含层的神经元节点数足够多，那么网络就可以完成对任意非线性映射的逼近。
但是，它也有着许多缺点：收敛速度慢，在学习过程中，学习速率的收敛情况比较慢。
因此，BP 算法容易出现一个吋间比较长的输出误差“平原”，即出现数学上所说的平台；易陷入局部最小，无法确保算法是否收敛到了全局最小点。
既然，标准BP 网络算法是一个数值优化方面的非线性优化问题，那么，局部极小值的问题就不可避免地存在。
BP 网络是沿着一个局部的方向来逐渐改善网络的极值，然后希望使输出误差函数达到最小化的一组全局解，但是，实际上得到的往往是一个局部极小值。
因此，需要对标准的BP 算法进行改进[4]。
标准BP 网络采用的优化算法是梯度下降法，但是因为该方法搜索的效率比较低，并且其学习率是固定的，这就不可避免的会产生某些缺陷。
本文针对标准BP 网络学习速率是固定这一缺点，提出一个全新的改进方案。
在BP 网络中，误差反向传播的时候，神经元节点间的连接权系数不同，那么将采用不同的学习速率，然后对其进行寻优搜索。
对于输出层与隐层间的那些连接权系数w ip 1，w ip 2，…w ipm ，在反向传播调节的时候，将采用不同的学习速率，釆用不同的学习率η1，η2，…，ηm 对其进行调整。
对于基于改进BP 神经网络的轧机扭振智能控制135第35卷噪声与振动控制不同神经元节点间的那些差异性的调节，都可以使学习率的自适应能力得到最大限度地调动，而且也可以尽最大努力在学习中满足权系数的多变要求。
在对传统的学习率自适应方法改进后，该方法的误差反向传播过程如图3所示。
图3改进后误差反向调节过程经过改进的新学习速率算法，可以随机选取算法中学习步长η的起始值。
但是新算法的学习步长是不固定的，在寻求目标函数E ()w 的最小值过程中，会对算法的学习步长进行调整，调整公式可为ìíîïïη()k +1=m λ×η()k λ=sgn []d ()m d ()m -1m ∈R(6)公式（6）中，m 是实数范围内的一个常数，取值为2或3；λ的值是由一个符号函数确定的，值为-1或1，由d ()m d ()m -1决定的。
新算法学习步长的调整步骤如下：(1)如果d ()m d ()m -1>0，也就是说，在前两次迭代中目标函数的梯度方向是一致的。
在这种情况下需要保持新算法原来的搜索方向，并且对算法原来的学习步长进行计算处理，处理的目的是增大算法的学习步长，然后再继续学习。
算法的新步长η()m +1可以通过式（7）取得。
η()m +1=m ×η()m （7）(2)如果d ()m d ()m -1<0，在第m 步和第m -1步迭代中，目标函数的梯度方向相反，那么在这个时候需要做的是逐步减小算法的学习步长，而这一迭代步骤是在与原来相反的搜索方向上进行的，继续进行学习，算法产生的误差就能够重新下降。
