[发明专利]带钢轧制过程改造方法

说明书

所属技术领域

本发明专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用于带钢轧制过程改造方法。

背景技术

带钢轧制过程是一个复杂的非线性动态过程，厚度和凸度分别是衡量板厚和板形指标的重要依据，而传统的线性控制方法难以满足高精度的板形板厚控制要求。由轧制理论可知，弯辊力、轧辊辊缝、轧机工艺性、热传导，来料的硬度变化等因素，都会影响板带的厚度和板形，而且它们之间存在很强的非线性耦合关系。由于神经网络具有较好的学习能力和非线性逼近特性，以神经网络为基础的控制器在理论和实际应用上已有一定的研究，包括神经网络为基础的解耦控制器。由于神经网络的学习能力对整个解耦控制器的解耦性能具有很大的影响，因此本发明提出了一种改进的神经网络学习方法。

BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过程是一种误差后向传播修正权系数的过程。

一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。

发明内容

本发明利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，其中控制器中解耦部分对角通道采用改进的神经网络方法，控制器中主通道中采用PID控制方法，提出了一组循环流化床锅炉优化方法。其中对角矩阵解耦方法和PID控制方法是传统方法，仅对改进的神经网络学习方法加以描述。

BP网络计算的主题步骤：

(a).置各权值和阀值的初始值(p＝1，2...Q)其中p为第若干层，Q表示总层数

(b).输入训练样本(I_q，d_q)，(p＝1，2...M)其中M表示输入输出数量，对每一个样本计算输出和权值修正

(c).计算网络各层的实际输出x^p＝f(s^p)＝f(w^px^p-1)，式中f(*)为激活函数

(e)若其输出与各顶模式对的期望输出不一致，则将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输入值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到完成个训练学习为止。

以下利用共轭梯度法对权值修正：

考虑二次型性能函数其梯度为其二阶梯度是Hessian矩阵于是，梯度的改变量是

Δg[k]＝g[k+1]-g[k]＝(Qw[k+1]+b)-(Qw[k]+b)＝QΔw[k]＝α[k]Hp[k]

式中，α[k]是在时刻延方向p[k]搜索使性能函数E(w)最小的学习率

对于二次型性能函数，最优学习率按下式确定于是，根据共轭条件，并由于学习率是一个标量，所以α[k]p^T[k]Hp[j]＝Δg^T[k]p[j]＝0。共轭条件就转变为搜索方向p[j]与梯度的改变量Δg[k]正交，而与Hessian矩阵无关。

初始搜索方向p[0]可以是任意的，第1个迭代方向p[1]只要与Δg[0]正交即可，通常以最速下降方向开始，后续的方向p[k]只要与梯度的改变量序列{Δg[0]，Δg[1]，...Δg[k-1]}正交即可。一种简要的方法是采用迭代