鋼鐵工業BP神經網絡運用思考

導語：鋼鐵工業BP神經網絡運用思考一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

人工神經網絡（ArtificialNeuralNetworks，即ANN）是20世紀80年展起來的一種模仿生物結構和功能的信息處理系統，它具有自組織、自學習、自適應、快速處理、高度容錯、聯想記憶以及可以逼近任意復雜的非線性系統等獨特優點。在材料科學與工程領域中，人工神經網絡在處理材料科學的許多問題中發揮了巨大作用，已普遍用于材料設計與成分優化、材料的智能加工與控制、材料加工工藝的優化、材料相變規律研究與相變點預測、材料性能及缺陷預測等方面［1-6］。在鋼鐵工業中，基于誤差反向傳播網絡（BackPropagation，即bp算法）的神經網絡以其結構清晰、可操作性強等優點而成為鋼鐵工業中使用最廣泛的一種人工神經網絡模型。

1BP神經網絡簡介

1986年，Rumelhart，Hinton和Williams完整而簡明地提出一種ANN的誤差反向傳播訓練算法（簡稱BP算法），系統地解決了多層網絡中隱含單元連接權的學習問題，由此算法構成的網絡我們稱為BP網絡。

1.1BP神經網絡的基本原理

BP網絡的基本思路是將訓練過程分為兩個階段，第一階段正向傳播，輸入信息從輸入層經隱含層單元處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元狀態。倘若在輸出層得不到希望的輸出，則轉入第二階段反向傳播，將誤差信號沿原來的神經元連接通路返回。通過修改各層神經元的權值，逐次地向輸入層傳播進行計算。這樣，反復地運用這兩個過程，使得誤差信號最小，最后使得信號誤差達到允許的范圍之內。

1.2BP神經網絡的神經元模型

BP神經元的結構模式如圖1所示，基于以下幾點假定：其一，每一個神經元是一個多輸入單輸出的信息單元；其二，突觸分興奮性和抑制性兩種類型；其三，神經元輸出有閾值特性；其四，神經元輸入與輸出間有固定的時滯；其五，忽略時間的整合和不應期；其六，神經元本身是非時變的。BP神經元的三個重要功能：一是加權-可對每個輸入信號進行不同程度的加權；二是求和-確定全部輸入信號的組合效果；三是轉移-通過轉移函數f（.），確定其輸出。1.3BP神經網絡的結構BP神經網絡的主要功能決定于兩個方面：一是網絡的組成結構形式，也就是BP神經網絡的連接方式；二是網絡的學習和運行規則，及網絡中連接權值的調整規則。如圖2和圖3所示，BP神經網絡多層網絡有單層網絡級連而成，即網絡中下一層各神經元接受前一層各神經元的輸出。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間各隱層神經元；每一個隱層是神經網絡的內部信息處理層，負責信息變換；最后一個隱層將信息傳遞到輸出層，輸出層將信息進一步處理后即向外界輸出信息處理結果，完成了一次從輸入到輸出的信息處理。由輸出層構成多層網絡時，各層間的轉移函數應是非線性的，否則多層網絡只相當于一個單層網絡，其映射和存儲能力絲毫不比單層強。

2BP神經網絡在鋼鐵工業中的應用

2.1BP神經網絡在鋼鐵冶煉中的應用

近年來，BP神經網絡以其并行運算及強大的非線性處理能力被廣泛應用于轉爐煉鋼控制中，隨后轉爐人工智能靜態控制模型被成功開發，使終點命中率有了很大提高。因此，國內外許多學者進行了大量的基于神經網絡的轉爐控制研究［8，9］。AmlanDatta等［10］報道了在轉爐煉鋼過程中開發BP神經網絡模型來預測鋼水中硫含量。模型經40個樣本學習后，現場應用的實際相關系數為0.87。水城鋼鐵（集團）有限責任公司煉鋼廠的張毅［11］采用3層BP神經網絡來預測煉鋼成品的C、Si、Mn成分，根據煉鋼的實際生產數據選取鐵水、廢鋼、供氧、吹氬、硅錳合金、增碳劑等28個因素作為輸入變量，對輸入參數進行歸一化處理，采取附加動量項和自適應學習步長的措施，解決了BP神經網絡局部收斂和學習時間過長的問題，提高了神經網絡預報的準確率。杭州電子科技大學的朱亞萍［12］針對轉爐煉鋼靜態模型終點命中率較低的問題，分析了影響轉爐煉鋼終點命中率的各種因素包括鐵水量、鐵水溫度、鐵水各項化學成分含量等共17個變量，確定了BP神經網絡（BPNN）的拓撲結構，并依此建立了轉爐煉鋼靜態模型，該研究提高了轉爐煉鋼靜態模型的終點C含量和溫度預測精度。寶鋼的楊志勇等［13］針對鐵水預處理粉劑模型，設計了BP人工神經元網絡數學模型，并給出了在系統中的應用方案，使脫硫效果提高8%，符合現場實際生產需求，由于模型精確度大幅提高，脫硫生產操作過程能夠得以穩定，極大地減輕了高爐和轉爐的脫硫負擔。

2.2BP神經網絡在鋼鐵軋制中的應用

AMukhopadhyay，AIqbal等［14］采用三層BP神經網絡預報了低碳熱軋板的極限強度、屈服強度和延伸率，并研究了不同網絡結構對預報準確率的影響，該模型采用121組數據進行驗證，驗證值與實測值吻合良好。該模型已在印度塔塔鋼鐵公司熱軋廠成功在線應用。山東萊蕪鋼鐵集團有限公司板帶廠的王洪彬［15］利用所建BP神經網絡卷取溫度預設模型提高了卷取溫度的控制精度，能夠給出不同厚度規格時的可靠的預設定值，從而減輕了反饋控制的負擔，提高了卷取溫度的控制質量。重慶鋼鐵集團公司的朱穎杰等人［16］利用BP神經網絡的方法預測SPCC冷軋帶鋼產品力學性能并以現場得到的化學成分（C、Si、Mn、P、S、Al）和工藝參數（退火溫度、軋制速度）正交試驗數據為基礎，采用離線學習的方法得出網絡的預報值，BP神經網絡具有良好的預報性能，實測值與預報值之間的偏差不超過8%。昆明理工大學的栗景樹等人［17］以昆鋼熱軋產品Q235為例，對熱軋板帶的質量預測進行研究。利用BP神經網絡理論建立以化學成分、軋制參數為輸入，以力學性能為輸出的質量預測模型-BP熱軋板帶質量模型，并利用訓練好的BP神經網絡質量模型，對產品的力學性能進行預測，98%的預測輸出與實際輸出誤差在5%以下。北京科技大學的吳晉斌等人［18］以0.33%C，0.40%Si，1.50%Mn，0.099%V的中碳含釩微合金鋼在應變速率為0.005～30s-1、溫度為750～1050℃條件下的單向熱壓縮變形實驗數據為樣本數據，用商用軟件matlab6.5構建BP人工神經網絡模型。適用于預測一定溫度與應變速率范圍內（0.1～0.9）應變處的熱變形流變應力，與常用的表征穩態或峰值應變處的流變應力與溫度和應變速率關系的Arrhenius方程相比，應用范圍更廣。東北大學的邱紅雷等人［19］為了提高中厚板軋機軋制力的預報精度，采用軋制力模型自適應與人工神經元網絡相結合的方法進行中厚板軋制力的在線預報。應用結果表明，采用本方法預報軋制力時精度優于傳統的數學模型，相對誤差可以控制在±3%以內。

2.3BP神經網絡在漏鋼預測中的應用

連續鑄鋼生產過程中漏鋼是最嚴重的事故之一，在20世紀70年代后期，為盡可能降低連鑄過程中發生漏鋼事故所造成的損失，研發了連鑄漏鋼預報技術［20，21］。20世紀90年代，神經網絡開始應用于漏鋼預報系統中［22-24］。目前，國內外工程中獲得實際應用的神經元模型大部分是BP網絡模型。田陸等人［25］提出了一種基于前饋反向傳播（BP算法）神經網絡的漏鋼預報系統。通過神經網絡分析漏鋼前一段時間結晶器的溫度特征曲線，提前診斷出漏鋼的可能性，做出及時的預報，防止漏鋼的發生。此系統得到了廣泛的應用。東北大學的厲英等人［26］建立了BP神經網絡漏鋼預測模型，增加了BP神經網絡參數，改變了傳統只考慮溫度因素的方式，將拉速和中間包鋼水溫度作為輸入參數，擴大了漏鋼因素的考慮范圍，提高了預報的準確性，對某鋼廠現場實際數據進行訓練和預測，實驗測試結果準確率為100%。2.4BP神經網絡在鋼材組織及性能中的應用鋼的力學性能與其化學成分和工藝參數間呈現高度的非線性關系，難以用數學模型精確描述，但人工神經網絡特別適合描述非線性關系，在鋼的力學性能的研究中有重要作用。近年人工神經網絡在鋼的性能預測方面得到了廣泛的應用，取得了令人滿意的結果。C觟l等人［27］采用廣義回歸神經網絡（GRNN）對一種APIX65微合金化鋼的韌性進行預測。網絡的輸入為化學成分（C、Nb、Ti、N），冶煉工藝參數（鋼液總量，硬硼酸鈣石、石灰、FeMn、FeSi、Al、CaSi加入量，吹Ar量，吹Ar時間），加工工藝參數（保溫溫度、保溫時間、出爐溫度、變形率、終軋厚度、終軋溫度、卷取溫度），網絡的輸出為沖擊功。預測結果表明GRNN能有效地預測沖擊功，相關系數為0.984，平均相對誤差為3.04%。XuLiujie等［28］采用BP網絡根據淬火溫度和回火溫度預測高釩高速鋼（HVH-SS）殘余奧氏體量、硬度、磨粒磨損強度；采用貝葉斯正則化與LevenbergMarquardt算法結合的改進的BP網絡，改進后的BP網絡能精確預測奧氏體量、硬度、磨粒磨損強度，并能用于研究熱處理工藝對性能的影響規律，從而確定最佳熱處理工藝。改變該鋼中V、C含量后采用與上述相同的BP網絡對磨損失重進行預測，該BP網絡能精確預測磨損失重并反映化學成分與磨損失重間的關系，從而確定了V、C的最優加入量［29］。FWMargrave等用超聲波探傷儀，對含有裂紋、線缺陷、穿孔、夾渣、氣孔等缺陷的試樣進行探傷，測得能表征缺陷的不同形狀、位置、尺寸、服役條件（應力）等情況的回波信號，再將這些信號處理后作為BP神經網絡的輸入，輸出端為上述5種缺陷和無缺陷共6個輸出變量。缺陷的識別準確率大于90%。

3BP神經網絡在鋼鐵工業中的局限及發展前景

BP神經網絡存在學習收斂速度慢、學習時間長和數據依賴性強等局限性，因此尋找合適的算法與BP神經網絡相結合，解決上述問題，是BP神經網絡發展的重要研究方向。多年來，圍繞BP神經網絡陷入局部極小值的問題，國內外的研究者做了大量的工作。解決這一問題，必須徹底擺脫依賴梯度信息來指導數值調整方向，引進其他算法與BP算法相互結合。因此，模擬退火法、單純形法、趨化性算法、隨機學習算法、動量算法以及遞推最小二乘（RLS）技術等方法應運而生。針對學習時間長這一問題，現在一般采用離線學習、在線預報作為變通手段。BP神經網絡的發展為冶金工作者提供了一個全新的知識獲取和處理手段。與其它傳統模型（如數學模型、回歸模型、時間序列模型及經驗分析模型）相比，它具有較強的抗噪聲和非線性問題處理能力。另外，它的實時性又使其能對過程實現在線響應?；诖?，它被越來越多地收入到專家系統中，同時，其結構價值也在專家系統的功能應用中得到體現。

4結語

總之，BP神經網絡在鋼鐵材料研究中有著廣闊的應用前景，能快速準確地根據鋼的化學成分及工藝參數預測性能、相變溫度、時間及微觀組織，同時可用于研究各影響因素對微觀組織、相變溫度、時間及性能的影響規律；BP神經網絡也可用于鋼鐵冶金及表面防護過程工藝參數的預測及控制。但BP神經網絡的發展受人腦的科學研究成果的限制，理論體系還不完善，收斂速度及預測結果精度有待進一步提高。因此，在應用過程中應改進模型算法或建立新的模型，使BP神經網絡更好地應用于鋼鐵材料研究領域。