人工智能技术在轧制过程中的应用现状

人工智能技术在轧制过程中的应用现状ApplicationofArtificialIntelligentTechnologyinRollingProcess摘要：本文通过分析人工智能技术在轧制过程中的三个应用实例，探讨人工智能技术的特点、应用效果及应用前景。关键词：人工智能；专家系统；神经网络；模糊控制；轧制Abstract:Thearticlediscussesthecharacteristics,applicationeffectsandapplicationprospectsofartificialintelligenttechnologythroughanalyzingthreeapplicationexamplesofartificialintelligenttechnologyinrollingprocesses.KeyWords:artificialintelligence;expertsystem;neuralnetworks;fuzzycontrol;rolling.人工智能技术包含很多内容，本文通过三个应用实例主要阐述的是神经网络、专家系统和模糊控制。现代金属轧制过程特别是连轧过程的控制非常复杂，它涉及到压力、速度、流量、温度等大量物理参数，以及弹性变形、塑性变形、热-力耦合等复杂过程、工件内部组织结构与性能的变化等多方面的问题。从控制的角度来看，金属轧制过程具有典型的多变量、非线性、强耦合特征。回顾轧制理论的发展历程，如果说20世纪30年代卡尔曼（Kraman）理论及其后继的工程法为轧制理论的发展树立了第一个里程碑，60年代变分法、上下界法等一系列基于能量原理的近代解法标志着第二个里程碑，70-80年代以有限元为代表的现代数值模拟解析方法确立了第三个里程碑的话，那么90年代人工智能在轧制领域中的广泛应用可以说为轧制理论与技术的发展树立了第四个里程碑。下面通过三个例子来看一下人工智能技术在轧制工艺中的实际应用。1基于BP神经网络的CSP生产线轧制力预测模型[1]人工神经网络（ArtificialNeuralNetworks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activationfunction）o每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。本文使用数学模型和BP神经网络相结合的方法对轧制力进行预测，考虑的影响因素有轧制变量、喷油量及轧制力模型计算值，由于考虑了摩擦对轧制力的影响，因而避免了过大的轧制力预测偏差。网络结构为11*7*1。神经网络所依据的是大量实际生产数据，由于建立模型过程中不需要作任何假设或近似，只需通过权值矩阵来记住什么条件下会得到什么结果，所以能更加真实的反映出轧制过程的本质特征，可以在一定程度上弥补轧制力模型本质上的不足。本文中使用的样本是在任意时间段内随机选择100张连铸坯经过7个机架轧制时的700组实际生产数据作为训练样本，另随机选择30张连铸坯经过7个机架轧制时的210组实际生产数据作为检验样本，训练样本不包括检验样本，检验效果具有普遍意义。BP神经网络模型对CSP生产线生产SPHC钢精轧阶段轧制力的预测值与实测平均值的相对误差仅为1.08%，而轧制力模型的平均相对误差为6.32%，BP神经网络模型对轧制力实测平均值的跟踪能力更好，在轧制力预测方面具有较高的应用价值。2连铸坯质量预测专家系统的研发与应用[2]专家系统是一类具有专门知识和经验的计算机智能程序系统，通过对人类专家的问题求解能力的建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。这种基于知识的系统设计方法是以知识库和推理机为中心而展开的，艮"专家系统=知识库+推理机，它把知识从系统中与其他部分分离开来。专家系统强调的是知识而不是方法。很多问题没有基于算法的解决方案，或算法方案太复杂，采用专家系统，可以利用人类专家拥有丰富的知识，因此专家系统也称为基于知识的系统（Knowledge-BasedSystems）o一般说来，一个专家系统应该具备以下三个要素：（1）具备某个应用领域的专家级知识；（2）能模拟专家的思维；（3）能达到专家级的解题水平。本文通过总结连铸坯表面质量和内部质量的影响因素，采用VC++编程语言，将基于冶金专家知识的连铸坯质量预测规则程序化，研发出一种连铸坯质量在线预报系统。其基本原理是针对表面和内部质量的影响因素建立连铸坯质量冶金知识库，开发判定规则和推理机制。采用对切割完成的一段长度的铸坯所用因素综合在一起的逻辑判断方法对连铸坯质量进行在线判断、推理和决策，并给出相应的缺陷产生原因解释。该系统包括四个模块，实时数据采集及存储单元、浇铸信息跟踪模块单元、铸坯质量预报模块单元、质量预报数据存储单元。该系统具有异常事件质量判定功能、实时数据采集功能、生产过程跟踪功能、板坯质量报表的查询和导出功能、板坯质量影响事件的修正和补充功能；其具有实时性强、质量缺陷位置判定准确、能判定出某些人工无法判定的异常质量问题的特点。3基于模糊神经网络参数整定的热轧带钢厚度仿人智能控制[3]模糊控制，是采用由模糊数学语言描述的控制律（控制规则）来操纵系统工作的控制方式。按照模糊控制律组成的控制装置称为模糊控制器。模糊控制的特点是不需要考虑控制对象的数学模型和复杂情况，而仅依据由操作人员经验所制订的控制规则就可构成。凡是可用手动方式控制的系统，一般都可通过模糊控制方法设计出由计算机执行的模糊控制器。模糊控制所依据的控制律不是精确定量的。其模糊关系的运算法则、各模糊集的隶属度函数，以及从输出量模糊集到实际的控制量的转换方法等，都带有相当大的任意性。对于模糊控制器的性能和稳定性，常常难以从理论上作出确定的估计，只能根据实际效果评价其优劣。本论文针对热轧带钢厚度控制中存在的问题，研究基于模糊神经网络参数整定的热轧带钢厚度控制仿人智能控制的策略。模糊神经网络是神经网络理论与模糊理论相结合的产物。仿人智能控制算法是以熟练操作者的观察、决策等智力行为为基础，根据被调量的偏差及偏差变化趋势来决定控制策略，当控制系统的偏差趋于增大时，仿人控制器就有强烈的控制作用，抑制偏差的增加；而当偏差有回零趋势时，仿人控制器就会减小控制作用，等待观察系统的变化。热轧带钢厚度受原材料的尺寸、形状、钢种，以及加热温差、化学成分准确度、轧制力等诸多因素影响，它是一个复杂的非线性被控对象，常规的控制方法难以取得理想的控制效果，而用模糊神经网络对仿人智能控制的参数进行整定可得出理想的控制参数，进而对带钢厚度进行有效的控制。4结论（1） 由1可以看出，神经网络与理论模型的有机结合可以很好的减弱单个建模技术的缺陷，达到互补的效果，这在研究工艺参数对产品性能的影响方面有很好的预测与指导作用。推广到其他领域也简单易行，只需改变样本数据和理论模型便可进行另一关键参数的预测，实用性较高，可信度高。（2） 从2模型可以看出，质量预测专家系统可以有针对性的对板坯质量进行检查，指导后道工序的生产，大大提高了生产效率。这也对其他生产线的在线质量检测与预报的实现指引了道路，相信在日后的研究中将会有更多更加高效的专家系统服务于实际生产。（3） 3中实现了基于模糊神经网络参数整定的热轧带钢厚度仿人智能控制策略，而在仿人智能控制领域的发展方向上，遗传算法、专家控制等都可以与仿人智能控制结合开发新的控制技术应用于实际生产当中。参考文献：HEYa-yuan,YANXiang,LILi-xin,ZHOUQian-xue,GUANJi-sheng.PredictionModelofRollingForceofCSPLineBasedonBPNeuralNetwork[J].MaterialsforMechanicalEngineering,2014:Vol.38No.10.（何亚元，严翔，李立新，周千学,官计生.基于BP神经网络的CSP生产线轧制力预测模型[J].机械工程材料.2014,M）l.38,No.10.）SUNDan,QIANHong-zhi,WANGSheng-dong,JIANGXue-jun,HUPi-jun.Research,DevelopmentandApplicationofSpecialist’sSystem forCastingSlab ’sQualityPrediction[J].Mining&Metallurgy.2013:V）l.22,Suppl.（孙丹，钱宏智,王胜东，蒋学军,胡丕俊.连铸坯质量预测专家系统的研发 与 应 用 [J].矿.2013.Vol.22.Suppl.）[3]ZHANGGuan-yu.Human-simulatedIntelligentControlBasedonParametersSettingbyFuzzyNeuralNetworkofHot-rollingStripThickness.Master?sThesis.2013.（张贯宇.基于模糊神经网络参数整定的热轧带钢厚度仿人智能控制.太原理工大学硕士学位论文.2013.）[4]WANGGuo-dong,LIUXiang-hua.ArtificialIntelligentOptimizationofMetalRollingProcess.MetallurgicalIndustryPress,2000.（王国栋，刘相华《金属轧制过程人工智能优化》 ，冶金工业出版社,2000.）KANGYong-lin,FUJie.etc.OrganizationPerformanceControlofThinSlabContinuousCastingandRollingSteel.MetallurgicalIndustryPress,2006.（康永林,傅杰等《薄板坯连铸连轧钢的组织性能控制》，冶金工业出版社,2006.）ZHANGJi-xian.NeuralNetworksandItsApp