通過神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)實現(xiàn)漏鋼預(yù)報
2014-07-21 14:53:59裴斌
中國新技術(shù)新產(chǎn)品 2014年8期
裴斌
摘 要：針對連鑄生產(chǎn)中粘結(jié)性漏鋼引起的惡性事故，為解決該情況，設(shè)計采用基于BP神經(jīng)網(wǎng)絡(luò)為機理的漏鋼預(yù)報系統(tǒng)解決方案，介紹了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟及數(shù)據(jù)處理分析。方案經(jīng)測試，能夠準確實現(xiàn)漏鋼預(yù)報，誤報率較低，為用戶創(chuàng)造了顯著的經(jīng)濟效益。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)歸一化處理；專家系統(tǒng)
中圖分類號：TF77 文獻標識碼：A
概述
漏鋼是連鑄生產(chǎn)中的惡性事故，它不僅產(chǎn)生廢品、降低鑄機作業(yè)率和影響產(chǎn)量，而且損壞設(shè)備，極大地降低企業(yè)經(jīng)濟效益，每次漏鋼造成的經(jīng)濟損失達十幾萬元。因此，鑄機漏鋼成為衡量鑄機生產(chǎn)水平高低的重要指標之一。在各種原因造成的漏鋼中粘結(jié)性漏鋼占絕大多數(shù)，因此減少粘結(jié)性漏鋼是降低連鑄漏鋼率的關(guān)鍵。解決粘結(jié)性漏鋼問題除了改善保護渣質(zhì)量同時精心操作以確保拉速、結(jié)晶器內(nèi)鋼液面穩(wěn)定以外，開發(fā)漏鋼預(yù)報裝置用于預(yù)先警告漏鋼的發(fā)生是最有效的措施。所以，目前國內(nèi)外裝備先進的板坯連鑄機都裝配了結(jié)晶器漏鋼預(yù)報裝置，并在生產(chǎn)實際中發(fā)揮了重要作用，為用戶創(chuàng)造了顯著的經(jīng)濟效益。
1 系統(tǒng)硬件結(jié)構(gòu)
該系統(tǒng)結(jié)構(gòu)如圖1所示
2 軟件實現(xiàn)
神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)測模式識別系統(tǒng)在上位機軟件中采用vc作為開發(fā)平臺。利用vc中的MFC框架構(gòu)建系統(tǒng)，對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用matlab軟件來實現(xiàn)。這樣既可以利用matlab強大的數(shù)學(xué)運算能力，又可以利用vc強大的運算控制能力和友好的人機交互能力。
漏鋼預(yù)報采用神經(jīng)網(wǎng)絡(luò)技術(shù)，根據(jù)比較研究本設(shè)計采用BP神經(jīng)網(wǎng)絡(luò)。BP的學(xué)習(xí)算法是一種有教師的學(xué)習(xí)算法。
本系統(tǒng)中所用三層前向BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及相關(guān)公式如下圖所示。
其中λ[0，1]為一常數(shù)， W（n）為上一次學(xué)習(xí)時的權(quán)值修正量。這樣做有利于加速學(xué)習(xí)過程，λ的取值一般可在0.7～0.8左右。本次設(shè)計的神經(jīng)網(wǎng)絡(luò)模型選取的是feed-forward backprop網(wǎng)絡(luò)。
2.1網(wǎng)絡(luò)訓(xùn)練
在漏鋼檢測中，要想達到高的報出率和低的誤報率，訓(xùn)練樣本中應(yīng)該包含有足夠多的信息量。為達到足夠信息的目的，在仿真中綜合20多組數(shù)據(jù)作為訓(xùn)練樣本構(gòu)建網(wǎng)絡(luò)，以其中一組數(shù)據(jù)為輸入仿真網(wǎng)絡(luò)得到真實輸入與目標值的誤差圖像如圖3所示：
分析原因不難發(fā)現(xiàn)在這些數(shù)據(jù)中有很多趨勢接近的數(shù)據(jù)所默認的目標值卻完全不相同。為避免這一矛盾，簡化訓(xùn)練樣本，選取了其中一組較典型的數(shù)據(jù)以求達到以較少的樣本量卻包含較多信息的目的，將這一數(shù)據(jù)叫做樣本一。
在確定以樣本一為訓(xùn)練對象后，選取了一個3個熱電偶數(shù)據(jù)序列輸入18個隱含層的網(wǎng)絡(luò)來訓(xùn)練，此次訓(xùn)練中隱含層和輸出層函數(shù)均選用的對數(shù)函數(shù)“tansig”，訓(xùn)練步數(shù)選取為100步。之后選取了樣本一中比較典型的3個熱電偶數(shù)據(jù)作為熱電偶的輸入數(shù)據(jù)，訓(xùn)練結(jié)果如圖4：
從圖4可看出的訓(xùn)練結(jié)果精度還是比較理想，針對上圖訓(xùn)練所構(gòu)建的網(wǎng)絡(luò)，將訓(xùn)練數(shù)據(jù)作為輸入數(shù)據(jù)所達到的實際輸出與目標輸出之間的差值如上圖5所示：
由差值圖6-7像可以看出，對應(yīng)于輸入值的實際輸出值和目標輸出值之間的差別極小，結(jié)果比較理想，但是在實際的環(huán)境中，輸入值的高低會隨著各種因素的改變而改變（如環(huán)境溫度，冷卻速度等），因此，將輸入值整體降低50度、整體升高50度后作為輸入仿真圖像的結(jié)果分別如圖5所示：
從上面兩個仿真圖的結(jié)果可以看出，當(dāng)輸入的數(shù)據(jù)保持與訓(xùn)練數(shù)據(jù)一樣的趨勢，但整體均值有所差異的時候，訓(xùn)練數(shù)據(jù)所構(gòu)建的網(wǎng)絡(luò)仿真結(jié)果非常不理想，為解決這一矛盾，采取數(shù)據(jù)處理及專家系統(tǒng)，避免了由溫度偏差所造成的誤報、漏報。
2.2數(shù)據(jù)歸一化處理：
在bpnet.c中datafloat函數(shù)中修改數(shù)據(jù)處理的方法。
/*doublemaxvalue=0，minvalue=400；
for（dfi=0；dfi if（minvalue>*（dfmatrix+dfi））{minvalue=*（dfmatrix+dfi）；}// 求得最小值} for（dfi=0；dfi 2.3專家系統(tǒng) 知識庫： 規(guī)則1：if 當(dāng)前采樣值前30個平均值小于前200個溫度值的平均值的1.15倍Then正常 規(guī)則2：if 在當(dāng)前采樣點的以前的連續(xù)40個采樣點中，下熱點偶溫度超過上熱偶溫度的個數(shù)<15 Then正常 規(guī)則3：if 當(dāng)前采樣點的前30個采樣數(shù)據(jù)中下熱電偶溫度超過上熱點溫度的最大連續(xù)采樣點數(shù)<5The正常 #definenumbaffer200 #defineriserate1.15 #defineconvertnum15 #definecontiueconvernem5 intdatabuffer[numbaffer][42]； doublesumdateH200=0， sumdateL200=0， sumdateH30=0， sumdateL30=0； int compareresult[40]； //比較結(jié)果int coutinuecompass[36]； //連續(xù)5個值下熱偶超過上面熱電偶int sum5=0； //連續(xù)5個比較結(jié)果int sumcoutinous5=0 ； //有多少個連續(xù)5個for （int num=0；num {for（intlocation=0；location<42；location++）{databuffer[num][location]=databuffer[num+1][location]；}for（intlocation1=0；location1<42；location1++）{databuffer[numbaffer-1][location1]=（int）pbnumc[location1+1]；}} 專家?guī)鞂崿F(xiàn) sumdateH200=0；sumdateL200=0；sumdateH30=0；sumdateL30=0；if（ptestresult[sdc]>ALARMLEVEL） { //神經(jīng)網(wǎng)絡(luò)判斷為漏鋼//邏輯條件1 ：溫度升高，前40個采樣點的平均溫度，高于前200個點的值 4%for（int num200=0；num200 2.4結(jié)果分析 定義：漏報率P1：發(fā)生了漏鋼而沒有報出的概率； 準確率P2，在報出此數(shù)中，真實預(yù)報此數(shù)的概率。P2=真實漏鋼次數(shù)/報警此數(shù)。參與統(tǒng)計的總樣本數(shù)為N，其中發(fā)生漏鋼的樣本數(shù)Nl，神經(jīng)網(wǎng)絡(luò)發(fā)出報警的次數(shù)為Nb，報出的真實漏鋼次數(shù)為Nz，誤報的次數(shù)為Nw。 圖8為用神經(jīng)網(wǎng)絡(luò)測試的結(jié)果，圖中的三條線，藍色和紫色分別代表上下熱偶溫度的波形，黃色代表預(yù)測結(jié)果。圖中熱電偶溫度變化趨勢和粘接時發(fā)生的溫度波形一致，說明這三個時刻發(fā)生了漏鋼，且神經(jīng)網(wǎng)絡(luò)也正確預(yù)報出了漏鋼情況。 參與統(tǒng)計的總樣本數(shù)為N=110，其中發(fā)生漏鋼的樣本數(shù)Nl=54，神經(jīng)網(wǎng)絡(luò)發(fā)出報警的次數(shù)為Nb=57，報出的真實漏鋼次數(shù)為Nz=54，誤報的次數(shù)為Nw=3。 由此可以得出： 結(jié)語 為了更好地完成漏鋼預(yù)報，需要得到結(jié)晶器的受熱和傳熱的機理分析和計算公式，以及結(jié)晶器粘接性漏鋼的熱電偶測量溫度的變化規(guī)律。并采用VC、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)及拉格朗日等算法進行分析和編程，還將利用大量數(shù)據(jù)實驗分析來進行算法的訓(xùn)練與完善。 參考文獻 [1]周漢香，于學(xué)斌.連鑄漏鋼預(yù)報技術(shù)[J].煉鋼，1999. {for（intlocation=0；location<42；location++）{databuffer[num][location]=databuffer[num+1][location]；}for（intlocation1=0；location1<42；location1++）{databuffer[numbaffer-1][location1]=（int）pbnumc[location1+1]；}} 專家?guī)鞂崿F(xiàn) sumdateH200=0；sumdateL200=0；sumdateH30=0；sumdateL30=0；if（ptestresult[sdc]>ALARMLEVEL） { //神經(jīng)網(wǎng)絡(luò)判斷為漏鋼//邏輯條件1 ：溫度升高，前40個采樣點的平均溫度，高于前200個點的值 4%for（int num200=0；num200 2.4結(jié)果分析 定義：漏報率P1：發(fā)生了漏鋼而沒有報出的概率； 準確率P2，在報出此數(shù)中，真實預(yù)報此數(shù)的概率。P2=真實漏鋼次數(shù)/報警此數(shù)。參與統(tǒng)計的總樣本數(shù)為N，其中發(fā)生漏鋼的樣本數(shù)Nl，神經(jīng)網(wǎng)絡(luò)發(fā)出報警的次數(shù)為Nb，報出的真實漏鋼次數(shù)為Nz，誤報的次數(shù)為Nw。 圖8為用神經(jīng)網(wǎng)絡(luò)測試的結(jié)果，圖中的三條線，藍色和紫色分別代表上下熱偶溫度的波形，黃色代表預(yù)測結(jié)果。圖中熱電偶溫度變化趨勢和粘接時發(fā)生的溫度波形一致，說明這三個時刻發(fā)生了漏鋼，且神經(jīng)網(wǎng)絡(luò)也正確預(yù)報出了漏鋼情況。 參與統(tǒng)計的總樣本數(shù)為N=110，其中發(fā)生漏鋼的樣本數(shù)Nl=54，神經(jīng)網(wǎng)絡(luò)發(fā)出報警的次數(shù)為Nb=57，報出的真實漏鋼次數(shù)為Nz=54，誤報的次數(shù)為Nw=3。 由此可以得出： 結(jié)語 為了更好地完成漏鋼預(yù)報，需要得到結(jié)晶器的受熱和傳熱的機理分析和計算公式，以及結(jié)晶器粘接性漏鋼的熱電偶測量溫度的變化規(guī)律。并采用VC、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)及拉格朗日等算法進行分析和編程，還將利用大量數(shù)據(jù)實驗分析來進行算法的訓(xùn)練與完善。 參考文獻 [1]周漢香，于學(xué)斌.連鑄漏鋼預(yù)報技術(shù)[J].煉鋼，1999. {for（intlocation=0；location<42；location++）{databuffer[num][location]=databuffer[num+1][location]；}for（intlocation1=0；location1<42；location1++）{databuffer[numbaffer-1][location1]=（int）pbnumc[location1+1]；}} 專家?guī)鞂崿F(xiàn) sumdateH200=0；sumdateL200=0；sumdateH30=0；sumdateL30=0；if（ptestresult[sdc]>ALARMLEVEL） { //神經(jīng)網(wǎng)絡(luò)判斷為漏鋼//邏輯條件1 ：溫度升高，前40個采樣點的平均溫度，高于前200個點的值 4%for（int num200=0；num200 2.4結(jié)果分析 定義：漏報率P1：發(fā)生了漏鋼而沒有報出的概率； 準確率P2，在報出此數(shù)中，真實預(yù)報此數(shù)的概率。P2=真實漏鋼次數(shù)/報警此數(shù)。參與統(tǒng)計的總樣本數(shù)為N，其中發(fā)生漏鋼的樣本數(shù)Nl，神經(jīng)網(wǎng)絡(luò)發(fā)出報警的次數(shù)為Nb，報出的真實漏鋼次數(shù)為Nz，誤報的次數(shù)為Nw。 圖8為用神經(jīng)網(wǎng)絡(luò)測試的結(jié)果，圖中的三條線，藍色和紫色分別代表上下熱偶溫度的波形，黃色代表預(yù)測結(jié)果。圖中熱電偶溫度變化趨勢和粘接時發(fā)生的溫度波形一致，說明這三個時刻發(fā)生了漏鋼，且神經(jīng)網(wǎng)絡(luò)也正確預(yù)報出了漏鋼情況。 參與統(tǒng)計的總樣本數(shù)為N=110，其中發(fā)生漏鋼的樣本數(shù)Nl=54，神經(jīng)網(wǎng)絡(luò)發(fā)出報警的次數(shù)為Nb=57，報出的真實漏鋼次數(shù)為Nz=54，誤報的次數(shù)為Nw=3。 由此可以得出： 結(jié)語 為了更好地完成漏鋼預(yù)報，需要得到結(jié)晶器的受熱和傳熱的機理分析和計算公式，以及結(jié)晶器粘接性漏鋼的熱電偶測量溫度的變化規(guī)律。并采用VC、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)及拉格朗日等算法進行分析和編程，還將利用大量數(shù)據(jù)實驗分析來進行算法的訓(xùn)練與完善。 參考文獻 [1]周漢香，于學(xué)斌.連鑄漏鋼預(yù)報技術(shù)[J].煉鋼，1999.
