王 祥，馬 聰，牟聿峰

（天津鋼鐵集團(tuán)有限公司煉軋廠，天津300301）

0 引言

傳統(tǒng)連鑄生產(chǎn)線的質(zhì)量評(píng)估一般選用抽樣檢測(cè)法，但是這種方法不能將鑄坯質(zhì)量信息實(shí)時(shí)地反饋。為了完善上述不足，引用人工神經(jīng)網(wǎng)絡(luò)的算法，可以實(shí)現(xiàn)在生產(chǎn)過程中對(duì)產(chǎn)品質(zhì)量做出預(yù)判，并快速做出相應(yīng)對(duì)策。人工神經(jīng)網(wǎng)絡(luò)是一種模仿大腦神經(jīng)元聯(lián)接結(jié)構(gòu)的數(shù)學(xué)模型，通過分析大量的數(shù)據(jù)，能夠?qū)崿F(xiàn)非線性多維函數(shù)的逼近，進(jìn)而對(duì)結(jié)論作出預(yù)判。構(gòu)建BP神經(jīng)網(wǎng)絡(luò)作為核心算法，對(duì)多維工藝數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)，實(shí)現(xiàn)了產(chǎn)品質(zhì)量的在線評(píng)估。

1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是一種聚類算法，其訓(xùn)練過程是：輸入數(shù)據(jù)即特征向量，經(jīng)由輸入層加權(quán)求和加偏置值，且運(yùn)用激勵(lì)函數(shù)進(jìn)行轉(zhuǎn)換，將結(jié)果依次前向傳遞至隱藏層、輸出層。再計(jì)算輸出層的誤差，反向調(diào)整隱藏層和輸入層的各項(xiàng)權(quán)重值及偏置值。經(jīng)過多次訓(xùn)練迭代，神經(jīng)網(wǎng)絡(luò)的正確率達(dá)到預(yù)期即可停止訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)基本模型見圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)基本模型

主要步驟是：

（1）在數(shù)據(jù)集中各項(xiàng)變量的量綱是不同的，因此需要標(biāo)準(zhǔn)化特征值，即將輸入變量的取值范圍區(qū)間定義在[0，1]。標(biāo)準(zhǔn)化公式：

（2）將權(quán)重和偏置進(jìn)行隨機(jī)初始化，其范圍區(qū)間在（-0.25，0.25）

（3）將數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集，導(dǎo)入樣本集。

（4）前向運(yùn)算：

對(duì)上層輸入加權(quán)求和：

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

運(yùn)用S函數(shù)做為激勵(lì)函數(shù)：

（5）反向運(yùn)算：

輸出層誤差計(jì)算：

隱藏層誤差計(jì)算：

權(quán)重更新：

偏置更新：

精度公式：

式中，c為學(xué)習(xí)率，其范圍區(qū)間在 [0.1，0.5]；Errk和Errj是輸出層節(jié)點(diǎn)k和隱藏層節(jié)點(diǎn)j的誤差；bi和bj是輸入層i和隱藏層j的偏置值；g是學(xué)習(xí)次數(shù)；Sgk是神經(jīng)系統(tǒng)學(xué)習(xí)到第g次所得的輸出值。

對(duì)樣本集反復(fù)學(xué)習(xí)的過程，既是迭代的過程，當(dāng)均方差達(dá)到所需精度時(shí)，停止學(xué)習(xí)。

2 數(shù)據(jù)采集

數(shù)據(jù)集主要是由人工進(jìn)行核查，并將質(zhì)量判定結(jié)果作為期望值錄入數(shù)據(jù)庫(kù)中。在核查數(shù)據(jù)集的過程中：當(dāng)遇到相同質(zhì)量數(shù)據(jù)，但缺陷結(jié)論相違背時(shí)，則要?jiǎng)h除此數(shù)據(jù)。當(dāng)遇到質(zhì)量數(shù)據(jù)誤差極小，則要合并此類數(shù)據(jù)，避免重復(fù)學(xué)習(xí)造成不必要的資源浪費(fèi)。

數(shù)據(jù)采集服務(wù)器運(yùn)用Oracle作為后臺(tái)數(shù)據(jù)庫(kù)，OPC方式采集生產(chǎn)過程中所有與鑄坯質(zhì)量有關(guān)的數(shù)據(jù)。數(shù)據(jù)采集服務(wù)器的作用分為兩個(gè)階段：訓(xùn)練階段作為采集測(cè)試集和訓(xùn)練集的數(shù)據(jù)。預(yù)測(cè)階段是通過實(shí)時(shí)的采集過程數(shù)據(jù)和工藝數(shù)據(jù)，以實(shí)現(xiàn)在生產(chǎn)過程中對(duì)鑄坯的缺陷做預(yù)測(cè)。

數(shù)據(jù)采集服務(wù)器配置有以太網(wǎng)卡，通訊協(xié)議是TCP/IP，從10號(hào)網(wǎng)段采集PLC數(shù)據(jù)，主要包括：大包和中包的重量、中包溫度、結(jié)晶器液位、結(jié)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(zhuǎn)矩、弧形段鑄坯溫度、拉速及摩擦力等。從20號(hào)網(wǎng)段采集二級(jí)系統(tǒng)的數(shù)據(jù)主要包括：爐號(hào)、鋼種、斷面、化學(xué)成分、結(jié)晶器摩擦力、相位差、坯長(zhǎng)及切割長(zhǎng)度等。

鑄坯質(zhì)量缺陷主要表現(xiàn)為表面質(zhì)量缺陷、內(nèi)部質(zhì)量缺陷和幾何形狀缺陷。

3 訓(xùn)練并測(cè)試BP神經(jīng)網(wǎng)絡(luò)

構(gòu)建3層的BP神經(jīng)網(wǎng)絡(luò)，從數(shù)據(jù)庫(kù)中抽取8000組數(shù)據(jù)作為訓(xùn)練集，用于逼近函數(shù)。引入111個(gè)參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，既111維輸入向量。經(jīng)過歸一化處理后，輸出為3維向量分別用“1”表示有質(zhì)量缺陷，“0”表示質(zhì)量無缺陷。質(zhì)量缺陷診斷結(jié)果見表1。

表1 質(zhì)量缺陷診斷結(jié)果

為了提高預(yù)測(cè)精度，降低訓(xùn)練時(shí)長(zhǎng)，避免過擬合和欠擬合，要控制好隱藏層節(jié)點(diǎn)的數(shù)目。選用隱藏層節(jié)點(diǎn)數(shù)目計(jì)算公式：

式中，m為輸入層節(jié)點(diǎn)數(shù)目，l為輸出節(jié)點(diǎn)數(shù)目，a為1～10之間調(diào)節(jié)常數(shù)。

經(jīng)計(jì)算，隱藏層節(jié)點(diǎn)數(shù)目取值范圍[11，20]。學(xué)習(xí)率設(shè)定為0.2，經(jīng)過試驗(yàn)證明三層神經(jīng)網(wǎng)絡(luò)111—16—3收斂相對(duì)最快，確定了隱藏層節(jié)點(diǎn)數(shù)目為16。迭代15487次達(dá)到了訓(xùn)練誤差精度。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練部分和診斷部分見圖2。

圖2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練部分和診斷部分

從數(shù)據(jù)庫(kù)中抽取4000組數(shù)據(jù)作為測(cè)試集，用來測(cè)試神經(jīng)網(wǎng)絡(luò)。經(jīng)過測(cè)試，內(nèi)部質(zhì)量相對(duì)誤差為0.935，外表質(zhì)量相對(duì)誤差為0.913，幾何形狀相對(duì)誤差為0.927。測(cè)試結(jié)果證明BP神經(jīng)網(wǎng)絡(luò)的測(cè)試結(jié)果具備在線診斷能力。

4 構(gòu)建質(zhì)量在線診斷系統(tǒng)

數(shù)據(jù)采集服務(wù)器通過自動(dòng)采集和人工輸入方式，對(duì)鑄坯過程進(jìn)行在線跟蹤，然后將數(shù)據(jù)傳輸至在線診斷服務(wù)器。為消除數(shù)據(jù)的噪聲和波動(dòng)，將數(shù)據(jù)進(jìn)行均值和方差處理，歸一化處理后的數(shù)據(jù)用于在線診斷。當(dāng)鑄坯產(chǎn)生質(zhì)量缺陷事件時(shí)，系統(tǒng)會(huì)形成質(zhì)量事件的列表，并實(shí)時(shí)地對(duì)鑄坯缺陷位置進(jìn)行跟蹤定位。以切割完成信號(hào)作為觸發(fā)條件，自動(dòng)將新鑄坯的爐號(hào)、坯長(zhǎng)、質(zhì)量相關(guān)聯(lián)，通過客戶端一并顯示出來，以便于工程師分析。

當(dāng)生產(chǎn)鑄坯系統(tǒng)對(duì)質(zhì)量的預(yù)測(cè)結(jié)果與實(shí)際一致時(shí)，則神經(jīng)網(wǎng)絡(luò)不需要重復(fù)學(xué)習(xí)。當(dāng)預(yù)測(cè)結(jié)果與實(shí)際不一致時(shí)，則將其視為新樣本用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，更新權(quán)重值，進(jìn)而強(qiáng)化神經(jīng)網(wǎng)絡(luò)的映射能力。也可以由具有工程師權(quán)限的人員合理調(diào)整BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，進(jìn)而實(shí)現(xiàn)對(duì)診斷服務(wù)器的優(yōu)化。

在實(shí)際生產(chǎn)中，系統(tǒng)對(duì)參量的采集、運(yùn)算和判定時(shí)間小于3s，完全滿足實(shí)時(shí)性的要求。當(dāng)神經(jīng)網(wǎng)絡(luò)經(jīng)過大量的積累，具有最佳質(zhì)量診斷能力時(shí)，由工程師利用各項(xiàng)輸入向量的權(quán)重值進(jìn)行排列，比較出影響質(zhì)量缺陷的重要因素，可反作用于加強(qiáng)工藝操作人員對(duì)此類參數(shù)的重視程度。同時(shí)，還可以通過選取關(guān)鍵質(zhì)量因素，將其輸入神經(jīng)網(wǎng)絡(luò)相應(yīng)的節(jié)點(diǎn)，對(duì)其他輸入節(jié)點(diǎn)作降維處理，將神經(jīng)網(wǎng)絡(luò)前向運(yùn)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(zhǎng)遞增取值，得到一一對(duì)應(yīng)的輸出值，通過構(gòu)建笛卡兒坐標(biāo)系，繪制出缺陷的貢獻(xiàn)曲線趨勢(shì)圖，并深入分析其規(guī)律，作為優(yōu)化工藝參數(shù)的依據(jù)。

5 系統(tǒng)中待完善的功能

由于系統(tǒng)尚處于開發(fā)階段，為了提高在線質(zhì)量診斷的準(zhǔn)確性，在將來，還可對(duì)系統(tǒng)作出如下拓展：

（1）為了避免BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程產(chǎn)生振蕩，陷入局部最小值的缺陷，引入無監(jiān)督學(xué)習(xí)的Kohonen網(wǎng)絡(luò)與BP網(wǎng)絡(luò)相融合，通過并行運(yùn)算減少誤差。

（2）建立板坯質(zhì)量知識(shí)庫(kù)模型來監(jiān)視生產(chǎn)異常事件，并以插件的形式嵌入系統(tǒng)，作為神經(jīng)網(wǎng)絡(luò)診斷模型的輔助。當(dāng)生產(chǎn)中發(fā)生異常事件時(shí)，知識(shí)庫(kù)會(huì)對(duì)質(zhì)量做出初步診斷，按照異常事件等級(jí)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(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)源的一部分，參與模糊運(yùn)算，提高系統(tǒng)的命中率。

（3）細(xì)化神經(jīng)網(wǎng)絡(luò)的參量，對(duì)不同品種鋼采用不同參量。

（4）對(duì)質(zhì)量數(shù)據(jù)、質(zhì)量診斷結(jié)果、質(zhì)量事件等創(chuàng)建歷史趨勢(shì)圖，便于工程師統(tǒng)計(jì)分析歷史數(shù)據(jù)，為設(shè)備的及時(shí)檢修提供理論依據(jù)。

6 結(jié)束語

本文論述了采用BP神經(jīng)網(wǎng)絡(luò)作為核心算法，對(duì)鑄坯質(zhì)量進(jìn)行有效預(yù)測(cè)，能夠輔助板坯質(zhì)量管理。為提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精確度，需要大量的準(zhǔn)確數(shù)據(jù)供其分析，因此降低現(xiàn)場(chǎng)信號(hào)采集的誤差和異常波動(dòng)十分重要。本系統(tǒng)具有可推廣性，在未來可運(yùn)用到其他生產(chǎn)線，為實(shí)現(xiàn)生產(chǎn)的“零缺陷率”保駕護(hù)航。