基于BP神經網絡的鑄坯質量評估

王 祥，馬 聰，牟聿峰

（天津鋼鐵集團有限公司煉軋廠，天津300301）

0 引言

傳統連鑄生產線的質量評估一般選用抽樣檢測法，但是這種方法不能將鑄坯質量信息實時地反饋。為了完善上述不足，引用人工神經網絡的算法，可以實現在生產過程中對產品質量做出預判，并快速做出相應對策。人工神經網絡是一種模仿大腦神經元聯接結構的數學模型，通過分析大量的數據，能夠實現非線性多維函數的逼近，進而對結論作出預判。構建BP神經網絡作為核心算法，對多維工藝數據進行監督學習，實現了產品質量的在線評估。

1 BP神經網絡算法

BP神經網絡是一種聚類算法，其訓練過程是：輸入數據即特征向量，經由輸入層加權求和加偏置值，且運用激勵函數進行轉換，將結果依次前向傳遞至隱藏層、輸出層。再計算輸出層的誤差，反向調整隱藏層和輸入層的各項權重值及偏置值。經過多次訓練迭代，神經網絡的正確率達到預期即可停止訓練。BP神經網絡基本模型見圖1。

圖1 BP神經網絡基本模型

主要步驟是：

（1）在數據集中各項變量的量綱是不同的，因此需要標準化特征值，即將輸入變量的取值范圍區間定義在[0，1]。標準化公式：

（2）將權重和偏置進行隨機初始化，其范圍區間在（-0.25，0.25）

（3）將數據集分成訓練集和測試集，導入樣本集。

（4）前向運算：

對上層輸入加權求和：

式中，Xi是輸入層中節點i（i=1,2,3,4，…，m）的向量，是隱藏層中節點 （jj=1,2,3,4，…，l）的向量，Sk是輸出層中節點k的向量，bk和bj分別是輸出節點k和隱藏層節點j的偏置值，Mjk是隱藏層節點j和輸出層節點k之間的權值，Wij是輸入層節點i和隱藏層節點j之間的權值。

運用S函數做為激勵函數：

（5）反向運算：

輸出層誤差計算：

隱藏層誤差計算：

權重更新：

偏置更新：

精度公式：

式中，c為學習率，其范圍區間在 [0.1，0.5]；Errk和Errj是輸出層節點k和隱藏層節點j的誤差；bi和bj是輸入層i和隱藏層j的偏置值；g是學習次數；Sgk是神經系統學習到第g次所得的輸出值。

對樣本集反復學習的過程，既是迭代的過程，當均方差達到所需精度時，停止學習。

2 數據采集

數據集主要是由人工進行核查，并將質量判定結果作為期望值錄入數據庫中。在核查數據集的過程中：當遇到相同質量數據，但缺陷結論相違背時，則要刪除此數據。當遇到質量數據誤差極小，則要合并此類數據，避免重復學習造成不必要的資源浪費。

數據采集服務器運用Oracle作為后臺數據庫，OPC方式采集生產過程中所有與鑄坯質量有關的數據。數據采集服務器的作用分為兩個階段：訓練階段作為采集測試集和訓練集的數據。預測階段是通過實時的采集過程數據和工藝數據，以實現在生產過程中對鑄坯的缺陷做預測。

數據采集服務器配置有以太網卡，通訊協議是TCP/IP，從10號網段采集PLC數據，主要包括：大包和中包的重量、中包溫度、結晶器液位、結晶器冷卻水溫度、二冷水流量、智能輕壓下液壓缸位置、拉矯輥轉矩、弧形段鑄坯溫度、拉速及摩擦力等。從20號網段采集二級系統的數據主要包括：爐號、鋼種、斷面、化學成分、結晶器摩擦力、相位差、坯長及切割長度等。

鑄坯質量缺陷主要表現為表面質量缺陷、內部質量缺陷和幾何形狀缺陷。

3 訓練并測試BP神經網絡

構建3層的BP神經網絡，從數據庫中抽取8000組數據作為訓練集，用于逼近函數。引入111個參數作為BP神經網絡輸入參數，既111維輸入向量。經過歸一化處理后，輸出為3維向量分別用“1”表示有質量缺陷，“0”表示質量無缺陷。質量缺陷診斷結果見表1。

表1 質量缺陷診斷結果

為了提高預測精度，降低訓練時長，避免過擬合和欠擬合，要控制好隱藏層節點的數目。選用隱藏層節點數目計算公式：

式中，m為輸入層節點數目，l為輸出節點數目，a為1～10之間調節常數。

經計算，隱藏層節點數目取值范圍[11，20]。學習率設定為0.2，經過試驗證明三層神經網絡111—16—3收斂相對最快，確定了隱藏層節點數目為16。迭代15487次達到了訓練誤差精度。

神經網絡的訓練部分和診斷部分見圖2。

圖2 神經網絡的訓練部分和診斷部分

從數據庫中抽取4000組數據作為測試集，用來測試神經網絡。經過測試，內部質量相對誤差為0.935，外表質量相對誤差為0.913，幾何形狀相對誤差為0.927。測試結果證明BP神經網絡的測試結果具備在線診斷能力。

4 構建質量在線診斷系統

數據采集服務器通過自動采集和人工輸入方式，對鑄坯過程進行在線跟蹤，然后將數據傳輸至在線診斷服務器。為消除數據的噪聲和波動，將數據進行均值和方差處理，歸一化處理后的數據用于在線診斷。當鑄坯產生質量缺陷事件時，系統會形成質量事件的列表，并實時地對鑄坯缺陷位置進行跟蹤定位。以切割完成信號作為觸發條件，自動將新鑄坯的爐號、坯長、質量相關聯，通過客戶端一并顯示出來，以便于工程師分析。

當生產鑄坯系統對質量的預測結果與實際一致時，則神經網絡不需要重復學習。當預測結果與實際不一致時，則將其視為新樣本用來訓練神經網絡，更新權重值，進而強化神經網絡的映射能力。也可以由具有工程師權限的人員合理調整BP神經網絡的參數，進而實現對診斷服務器的優化。

在實際生產中，系統對參量的采集、運算和判定時間小于3s，完全滿足實時性的要求。當神經網絡經過大量的積累，具有最佳質量診斷能力時，由工程師利用各項輸入向量的權重值進行排列，比較出影響質量缺陷的重要因素，可反作用于加強工藝操作人員對此類參數的重視程度。同時，還可以通過選取關鍵質量因素，將其輸入神經網絡相應的節點，對其他輸入節點作降維處理，將神經網絡前向運算，由輸出值反映其影響鑄坯缺陷的能力。通過將此輸入向量按照指定步長遞增取值，得到一一對應的輸出值，通過構建笛卡兒坐標系，繪制出缺陷的貢獻曲線趨勢圖，并深入分析其規律，作為優化工藝參數的依據。

5 系統中待完善的功能

由于系統尚處于開發階段，為了提高在線質量診斷的準確性，在將來，還可對系統作出如下拓展：

（1）為了避免BP神經網絡在學習過程產生振蕩，陷入局部最小值的缺陷，引入無監督學習的Kohonen網絡與BP網絡相融合，通過并行運算減少誤差。

（2）建立板坯質量知識庫模型來監視生產異常事件，并以插件的形式嵌入系統，作為神經網絡診斷模型的輔助。當生產中發生異常事件時，知識庫會對質量做出初步診斷，按照異常事件等級提出處理意見，作為參考在客戶端電腦上顯示出來，并作為神經網絡模型的數據源的一部分，參與模糊運算，提高系統的命中率。

（3）細化神經網絡的參量，對不同品種鋼采用不同參量。

（4）對質量數據、質量診斷結果、質量事件等創建歷史趨勢圖，便于工程師統計分析歷史數據，為設備的及時檢修提供理論依據。

6 結束語

本文論述了采用BP神經網絡作為核心算法，對鑄坯質量進行有效預測，能夠輔助板坯質量管理。為提高神經網絡的預測精確度，需要大量的準確數據供其分析，因此降低現場信號采集的誤差和異常波動十分重要。本系統具有可推廣性，在未來可運用到其他生產線，為實現生產的“零缺陷率”保駕護航。