【文章內容簡介】 模型圖對于第 i 個神經元，接受多個其他神經元的輸入信號xi ，各突觸強度以系數 wij 表示，這是第 j 個神經元對第 i 個神經元作用的加權值。利用某種運算把輸入信號的作用結合起來，給出它們的總效果，稱為“凈輸入”，用 Ii 表示。凈輸入的表達式有多種類型，最簡單的一種形式是線性加權求和，即Ii = ∑wij xi。此作用引起神經元 i 的狀態(tài)變化，神經元 i 的輸出 yi 是當前狀態(tài)的函數。利用大量的神經元相互連接就構成了神經網絡。需要指出的是，雖然BP神經網絡得到了廣泛的應用，但是BP神經網絡也存在著收斂速度慢、容易陷入局部最小、網絡結構的確定比較困難等缺點。 遺傳算法遺傳算法GA(Genetic Algorithm)是一類借鑒生物界的進化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機制）演化而來的隨機化搜索方法。在遺傳算法中，通過編碼組成初始群體后，遺傳操作的任務就是對群體的個體按照它們對環(huán)境的適應度（適應度評估）施加一定的操作，從而實現優(yōu)勝劣汰的進化過程。從優(yōu)化搜索的角度而言，遺傳操作可使問題的解，一代又一代的優(yōu)化，并逼近最優(yōu)解。遺傳操作包括以下三個基本遺傳算子：選擇、交叉、變異。選擇的目的是把優(yōu)化的個體或解直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代，它是建立在群體中個體的適應度評估基礎上的。交叉是遺傳算法中起核心作用的遺傳操作，它是把兩個父代個體的部分結構加以替換重組而生成新個體的操作。變異算子是對群體中的個體的碼串隨機挑選一個或多個基因座上的基因值做變動的操作。遺傳算法的過程如圖32所示：確定實際問題參數集對參數集進行編碼初始化群體P(t)評估群體滿足停止規(guī)則YES結束三個基本算子：遺傳操作NO產生新一代群體圖32 遺傳算法的過程 基于遺傳神經網絡的卷取溫度預報模型為了克服 BP 神經網絡存在的收斂速度慢、容易陷入局部最小、網絡結構的確定比較困難等缺點，一些最優(yōu)化方法逐漸被用于對 BP 神經網絡的優(yōu)化計算中，其中遺傳算法（即 GA 算法）和 BP 神經網絡的結合產生了遺傳神經網絡。由于遺傳算法能夠收斂到全局最優(yōu)解，而且遺傳算法的魯棒性強（所謂魯棒性，是指控制系統(tǒng)在一定的參數攝動下，維持某些性能的特性），將遺傳算法和BP 神經網絡結合起來有著重要的意義，不僅能夠發(fā)揮 BP 神經網絡的泛化映射能力，而且可以使神經網絡具有更快的收斂性以及較強的學習能力[9]。其模型結構形式如圖33所示：GA模型適應度fBP神經網絡網絡結構參數輸出誤差平方和E圖33 遺傳神經網絡模型結構BP神經網絡的輸入層和輸出層是根據使用者的需求來設計的。本文設定的輸入層是對卷取溫度有著主要影響的因素和數學模型計算的中間結果，共包含8個輸入參數：鋼種、終軋厚度、終軋速度、終軋溫度、粗調開閥數、精調開閥數、冷卻水溫和冷卻模式；設定的輸出層單元數為1，即帶鋼卷取溫度；隱層數為單隱層，只對單隱層的節(jié)點數進行尋優(yōu)。隱層激活函數采用下列的 logistic 函數： ()式中 a 為函數斜率。網絡的學習收斂速度和精度與函數的形狀有密切關系，其函數斜率 a 的選取一般也是根據經驗值取1。設網絡的輸入層單元數、隱層單元數和輸出層單元數分別為 Ni、Nh 和No。由于隱節(jié)點個數不定，所以網絡優(yōu)化時碼串長度是可變的，這樣會給遺傳算子的操作帶來不便。為了保證交叉和變異時子代個體的完整性，取串碼的最大可能長度，即確定隱節(jié)點最大可能值 Nhmax ，本文取 Nhmax = 2(Ni + No)。根據實際需要，令每一層神經元只與其前一層神經元有連接，輸入和輸出之間沒有直接連接，則總的連接權值為(Ni + No) Nhmax。碼串總長度為L = (Ni + No+1) Nhmax + No +2，包括了網絡結構、隱層作用函數、連接權值和閾值的所有信息。以訓練集樣本為遺傳神經網絡的輸入和期望輸出，計算出網絡輸出和期望輸出的誤差，取其均方差作為目標函數值 J ,則 J 為下式： ()式中 n — 遺傳優(yōu)化中第n個個體； Num — 輸入輸出樣本對個數； m — 輸出層節(jié)點個數；yj(k) — 第 k 個樣本輸入時，第 j 個輸出節(jié)點的期望輸出；— 第 k 個樣本輸入時，第 j 個輸出節(jié)點的實際輸出；由于遺傳算法要求的是極大值，所以將極小值目標函數轉化為極大值來處理，于是可得到適應度函數：()該式在J(n) Jmax時成立，當J(n)≥ Jmax時，f(n)=0。式中 Jmax — 進化過程中 J(n) 的最大值； f — 個體的適應度函數值。整個過程的計算框圖如圖34所示開始群體初始化評價個體計算適應度值達到精度要求或進化到最大代數選擇交叉變異否GA適應度最高的個體解碼成BP神經網絡結構訓練BP神經網絡滿足精度要求結束否是是BP圖34 遺傳神經網絡的計算框圖 預設定模型當第一臺精軋機 F1 咬鋼時，基礎自動化控制 L1 級給過程自動化控制 L2 級發(fā)送事件信號，啟動層流冷卻控制系統(tǒng)的 L2 級作預設定，L2 級的計算機將在卷取溫度預報模型的基礎上選擇帶鋼的冷卻策略，并根據精軋末機架設定的終軋厚度、終軋溫度、終軋速度設定值以及冷卻策略等參數應用差分模型進行計算，設定粗調和精調所需開啟冷卻集管的組數（冷卻水段數），控制好目標卷取溫度和冷卻速度，保證帶鋼性能，然后將上述預設定結果傳送給基礎自動化控制級 L1級的計算機進行預設定控制。預設定模型需要進行冷卻能力校核，分為最大冷卻能力校核和最小能力校核。最大冷卻能力校核是以PDI（原始數據輸入模型）的稀疏模式檢查冷卻能力，如果最大冷卻能力不足，則把稀疏模式進行提升，如果提升后冷卻能力還不夠，則把所有閥門都開啟，并且報警；最小冷卻能力校核是把所有閥門都關閉，如果此時卷取溫度偏低，說明來料的溫度偏低，需要報警。預設定模型的流程圖如圖35所示：開始模型計算數據準備最大能力校核判斷提升冷卻稀疏模式NOOK最小能力校核判斷OK報警開閥數設定計算啟動CSM結束圖35 預設定模型流程圖確切地說，水冷區(qū)冷卻水段數按照溫降模型來計算只能認為是一種理想情況下的靜態(tài)數學模型。由于帶鋼在穿越層流冷卻區(qū)時通常是變速前進，而在影響帶鋼冷卻強度的諸多因素中，帶鋼速度又最為活躍[10]。因此，冷卻水段數的計算只是針對帶鋼上某一點的，于是必須對帶鋼進行跟蹤，適時開啟水閥，使得對該點來說，是在 N 個水冷段的作用下穿越層流冷卻區(qū)的，而對其他點來說，由于變速運動導致通過層流冷卻區(qū)所用時間不同，對應的冷卻水段就可能不是 N。由以上可知，冷卻水段數 N 的計算比較復雜，因此，在實際的控制過程中，往往將帶鋼厚度細分成若干個規(guī)格，對各個規(guī)格分別用統(tǒng)計的方法確定一組系數，并用一個線性方程來表征冷卻水段數 N 與有關工藝系數之間的關系，即 ()在實際應用中，下面的統(tǒng)計模型的效果較好，在我國大部分帶鋼熱連軋生產線上都得到了應用。該方程為 ()式中 N — 冷卻噴水段數目 Pi — 標準條件（v = vs ，TFC=TFS ，TCA=TCAS）下預設定噴水段數； Ri — 帶鋼速度影響系數； v — 帶鋼終軋實測速度，m/s； vs — 帶鋼終軋設定速度，m/s； a1 — 終軋速度變化對卷取溫度的影響系數； TFC — 帶鋼終軋實測溫度，℃； TFS — 帶鋼終軋設定溫度，℃； TCA — 卷取目標溫度，℃； TCAS — 卷取標準溫度，℃； Q — 綜合傳熱系數； h — 帶材實測厚度，m；a2 — 水溫補償系數。 前饋控制模型在帶鋼熱連軋生產線上，精軋末機架與層流冷卻系統(tǒng)的第一組集管之間的距離一般為 10m 左右，當帶鋼出精軋末機架后，層流冷卻系統(tǒng)將根據所測的的帶鋼出口速度、終軋溫度、冷卻水溫以及帶鋼厚度，通過數學模型計算，決定集管噴嘴開啟和關閉的位置、數量和組態(tài)。并連續(xù)檢測第 6 臺精軋機架 F6 的出口速度、溫度、厚度、冷卻水溫的變化，從而不斷地通過改變冷卻集管的開啟和關閉的數量，來預先進行卷取溫度的控制。前饋控制冷卻水段數采用下列公式計算： ()式中 NFF — 前饋控制冷卻噴水段數； TFA — 終軋溫度目標值，℃； ΔT — 轉移控制所需要的溫度修正值，℃。 其實，前饋控制模型是在預設定模型的基礎推導而來，除此之外，還可以推導出以下兩個控制模型：（1） 終軋溫度補償控制模型： ()式中 NFFT — 終軋溫度補償控制冷卻噴水段數； aa2 — 系數。（2） 轉移控制模型： ()式中 NT — 轉移控制冷卻噴水段數。這里的轉移控制，是考慮在卷取溫度控制中引入反饋控制方式后，為盡可能減小控制滯后，而將反饋調節(jié)集中在層流冷卻系統(tǒng)的下游處進行。假設上游冷卻水段數過多，就會使帶鋼的溫度過低，則進行反饋控制時，必須關閉噴水段，才能使帶鋼溫度提高，然而下游又沒有可關閉的噴水段，這樣反饋控制就起不了作用。因此在卷取溫