基于遗传神经网络的冷轧轧制力预报模型的研究

摘要

为了满足市场对带钢产品的质量要求，提高轧制力设定精度变得越来越重要。
　　 轧制过程是一个非线性强耦合的复杂过程，建立在一定假设条件下的传统轧制力数学模型，很难准确表达轧制过程的实际特性，其计算精度也很低。人工神经网络以其特有的非线性信息处理能力，为轧制力的计算开辟了新天地。
　　 本文利用神经网络和遗传算法结合的方法，建立了基于遗传神经网络的带钢冷轧轧制压力预报模型。建模过程中，主要做了如下工作：
　　 1．分析带钢冷轧生产过程的特点，确定了影响带钢冷轧轧制压力的主要因素。
　　 2．利用传统的轧制力数学模型求解轧制力。
　　 3．建立了基于BP神经网络的带钢冷轧轧制压力模型。采用Levenberg-Marquardt算法优化BP网络，实现对冷轧轧制压力的快速预报。
　　 4．建立了基于遗传神经网络的冷轧轧制压力预报模型。
　　 采用嵌套式计算结构，包括主遗传算法模块和神经网络模块，其中神经网络模块中包含神经网络和子遗传算法两部分。主遗传算法放在程序入口处对BP网络的初始权阈值及隐层神经元数进行修正；在神经网络进行反向计算误差时，利用子遗传算法再次修正隐层与输出层之间的权重和隐层阈值。
　　 利用相同的样本数据在MATLAB中对所建模型进行仿真，并将三种模型的预测结果进行对比分析，结果表明，基于遗传神经网络的轧制力模型的预报误差范围为0～±6％，明显低于传统轧制力数学模型的9％-34％和BP网络模型的0～±8％，其误差精度可以满足生产应用的要求。