二级模型预报的神经元网络自适应改进
2018-09-06任志淼
山西电子技术 2018年4期
任志淼
(山西水利职业技术学院,山西 太原 030027)
1 概述
轧制模型是针对大量主要现场数据总结出的规律为依托建立的量化公式,神经元网络是通过对大量样本数据的学习实现复杂的非线性映射,在一定程度上模拟人类思维方法和行为对复杂生产过程进行控制。但是实际轧钢过程中,相同钢种规格的每块钢化学成分、温度等因素实际上存在着较大差异,导致二级长遗传设定精度出现不规则扰动的现象,并且神经元网络训练过程中与其它钢种规格交互影响,造成了品种规格交替或轧制末期产品质量的波动、轧制废品的出现。针对系统外的数据积累对全年数据进行人工分析,把以前忽略或者弱化的非主要数据提取出来分类精细建模,提高神经元网络模型对尽量多的轧制数据自适应学习能力,最终提高轧钢设定精度。
2 模型自适应功能的优化
2.1 针对软质钢和硬质钢开发不同的负荷分配方式
一般来讲“RR相对压下”负荷分配的方式是二级模型通常采用的,每个机架的原始压下率计算方法为(lv代表最初负荷给定):
eps[i]= lv[i]
“RR相对压下”负荷计算方式的特点:它的优点是每个机架压下率基本稳定,而且每个机架的速度也处于相对稳定的范围,这种稳定对性能要求高的钢种的好处是显而易见的;当然缺点是:在机架轧制压力大而且轧制要求相对更多的时候,如轧制薄规格、不锈钢、薄规格高强钢等钢种时,可能会使某个机架轧制的压力过大,容易在中后段形成比较严重的电机过流,轧制稳定性及设备安全性的风险较大。……
登录APP查看全文
