钢铁工业BP神经网络运用思考

导语：钢铁工业BP神经网络运用思考一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

人工神经网络（ArtificialNeuralNetworks，即ANN）是20世纪80年展起来的一种模仿生物结构和功能的信息处理系统，它具有自组织、自学习、自适应、快速处理、高度容错、联想记忆以及可以逼近任意复杂的非线性系统等独特优点。在材料科学与工程领域中，人工神经网络在处理材料科学的许多问题中发挥了巨大作用，已普遍用于材料设计与成分优化、材料的智能加工与控制、材料加工工艺的优化、材料相变规律研究与相变点预测、材料性能及缺陷预测等方面［1-6］。在钢铁工业中，基于误差反向传播网络（BackPropagation，即bp算法）的神经网络以其结构清晰、可操作性强等优点而成为钢铁工业中使用最广泛的一种人工神经网络模型。

1BP神经网络简介

1986年，Rumelhart，Hinton和Williams完整而简明地提出一种ANN的误差反向传播训练算法（简称BP算法），系统地解决了多层网络中隐含单元连接权的学习问题，由此算法构成的网络我们称为BP网络。

1.1BP神经网络的基本原理

BP网络的基本思路是将训练过程分为两个阶段，第一阶段正向传播，输入信息从输入层经隐含层单元处理后传向输出层，每一层神经元的状态只影响下一层神经元状态。倘若在输出层得不到希望的输出，则转入第二阶段反向传播，将误差信号沿原来的神经元连接通路返回。通过修改各层神经元的权值，逐次地向输入层传播进行计算。这样，反复地运用这两个过程，使得误差信号最小，最后使得信号误差达到允许的范围之内。

1.2BP神经网络的神经元模型

BP神经元的结构模式如图1所示，基于以下几点假定：其一，每一个神经元是一个多输入单输出的信息单元；其二，突触分兴奋性和抑制性两种类型；其三，神经元输出有阈值特性；其四，神经元输入与输出间有固定的时滞；其五，忽略时间的整合和不应期；其六，神经元本身是非时变的。BP神经元的三个重要功能：一是加权-可对每个输入信号进行不同程度的加权；二是求和-确定全部输入信号的组合效果；三是转移-通过转移函数f（.），确定其输出。1.3BP神经网络的结构BP神经网络的主要功能决定于两个方面：一是网络的组成结构形式，也就是BP神经网络的连接方式；二是网络的学习和运行规则，及网络中连接权值的调整规则。如图2和图3所示，BP神经网络多层网络有单层网络级连而成，即网络中下一层各神经元接受前一层各神经元的输出。输入层各神经元负责接收来自外界的输入信息，并传递给中间各隐层神经元；每一个隐层是神经网络的内部信息处理层，负责信息变换；最后一个隐层将信息传递到输出层，输出层将信息进一步处理后即向外界输出信息处理结果，完成了一次从输入到输出的信息处理。由输出层构成多层网络时，各层间的转移函数应是非线性的，否则多层网络只相当于一个单层网络，其映射和存储能力丝毫不比单层强。

2BP神经网络在钢铁工业中的应用

2.1BP神经网络在钢铁冶炼中的应用

近年来，BP神经网络以其并行运算及强大的非线性处理能力被广泛应用于转炉炼钢控制中，随后转炉人工智能静态控制模型被成功开发，使终点命中率有了很大提高。因此，国内外许多学者进行了大量的基于神经网络的转炉控制研究［8，9］。AmlanDatta等［10］报道了在转炉炼钢过程中开发BP神经网络模型来预测钢水中硫含量。模型经40个样本学习后，现场应用的实际相关系数为0.87。水城钢铁（集团）有限责任公司炼钢厂的张毅［11］采用3层BP神经网络来预测炼钢成品的C、Si、Mn成分，根据炼钢的实际生产数据选取铁水、废钢、供氧、吹氩、硅锰合金、增碳剂等28个因素作为输入变量，对输入参数进行归一化处理，采取附加动量项和自适应学习步长的措施，解决了BP神经网络局部收敛和学习时间过长的问题，提高了神经网络预报的准确率。杭州电子科技大学的朱亚萍［12］针对转炉炼钢静态模型终点命中率较低的问题，分析了影响转炉炼钢终点命中率的各种因素包括铁水量、铁水温度、铁水各项化学成分含量等共17个变量，确定了BP神经网络（BPNN）的拓扑结构，并依此建立了转炉炼钢静态模型，该研究提高了转炉炼钢静态模型的终点C含量和温度预测精度。宝钢的杨志勇等［13］针对铁水预处理粉剂模型，设计了BP人工神经元网络数学模型，并给出了在系统中的应用方案，使脱硫效果提高8%，符合现场实际生产需求，由于模型精确度大幅提高，脱硫生产操作过程能够得以稳定，极大地减轻了高炉和转炉的脱硫负担。

2.2BP神经网络在钢铁轧制中的应用

AMukhopadhyay，AIqbal等［14］采用三层BP神经网络预报了低碳热轧板的极限强度、屈服强度和延伸率，并研究了不同网络结构对预报准确率的影响，该模型采用121组数据进行验证，验证值与实测值吻合良好。该模型已在印度塔塔钢铁公司热轧厂成功在线应用。山东莱芜钢铁集团有限公司板带厂的王洪彬［15］利用所建BP神经网络卷取温度预设模型提高了卷取温度的控制精度，能够给出不同厚度规格时的可靠的预设定值，从而减轻了反馈控制的负担，提高了卷取温度的控制质量。重庆钢铁集团公司的朱颖杰等人［16］利用BP神经网络的方法预测SPCC冷轧带钢产品力学性能并以现场得到的化学成分（C、Si、Mn、P、S、Al）和工艺参数（退火温度、轧制速度）正交试验数据为基础，采用离线学习的方法得出网络的预报值，BP神经网络具有良好的预报性能，实测值与预报值之间的偏差不超过8%。昆明理工大学的栗景树等人［17］以昆钢热轧产品Q235为例，对热轧板带的质量预测进行研究。利用BP神经网络理论建立以化学成分、轧制参数为输入，以力学性能为输出的质量预测模型-BP热轧板带质量模型，并利用训练好的BP神经网络质量模型，对产品的力学性能进行预测，98%的预测输出与实际输出误差在5%以下。北京科技大学的吴晋斌等人［18］以0.33%C，0.40%Si，1.50%Mn，0.099%V的中碳含钒微合金钢在应变速率为0.005～30s-1、温度为750～1050℃条件下的单向热压缩变形实验数据为样本数据，用商用软件matlab6.5构建BP人工神经网络模型。适用于预测一定温度与应变速率范围内（0.1～0.9）应变处的热变形流变应力，与常用的表征稳态或峰值应变处的流变应力与温度和应变速率关系的Arrhenius方程相比，应用范围更广。东北大学的邱红雷等人［19］为了提高中厚板轧机轧制力的预报精度，采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报。应用结果表明，采用本方法预报轧制力时精度优于传统的数学模型，相对误差可以控制在±3%以内。

2.3BP神经网络在漏钢预测中的应用

连续铸钢生产过程中漏钢是最严重的事故之一，在20世纪70年代后期，为尽可能降低连铸过程中发生漏钢事故所造成的损失，研发了连铸漏钢预报技术［20，21］。20世纪90年代，神经网络开始应用于漏钢预报系统中［22-24］。目前，国内外工程中获得实际应用的神经元模型大部分是BP网络模型。田陆等人［25］提出了一种基于前馈反向传播（BP算法）神经网络的漏钢预报系统。通过神经网络分析漏钢前一段时间结晶器的温度特征曲线，提前诊断出漏钢的可能性，做出及时的预报，防止漏钢的发生。此系统得到了广泛的应用。东北大学的厉英等人［26］建立了BP神经网络漏钢预测模型，增加了BP神经网络参数，改变了传统只考虑温度因素的方式，将拉速和中间包钢水温度作为输入参数，扩大了漏钢因素的考虑范围，提高了预报的准确性，对某钢厂现场实际数据进行训练和预测，实验测试结果准确率为100%。2.4BP神经网络在钢材组织及性能中的应用钢的力学性能与其化学成分和工艺参数间呈现高度的非线性关系，难以用数学模型精确描述，但人工神经网络特别适合描述非线性关系，在钢的力学性能的研究中有重要作用。近年人工神经网络在钢的性能预测方面得到了广泛的应用，取得了令人满意的结果。C觟l等人［27］采用广义回归神经网络（GRNN）对一种APIX65微合金化钢的韧性进行预测。网络的输入为化学成分（C、Nb、Ti、N），冶炼工艺参数（钢液总量，硬硼酸钙石、石灰、FeMn、FeSi、Al、CaSi加入量，吹Ar量，吹Ar时间），加工工艺参数（保温温度、保温时间、出炉温度、变形率、终轧厚度、终轧温度、卷取温度），网络的输出为冲击功。预测结果表明GRNN能有效地预测冲击功，相关系数为0.984，平均相对误差为3.04%。XuLiujie等［28］采用BP网络根据淬火温度和回火温度预测高钒高速钢（HVH-SS）残余奥氏体量、硬度、磨粒磨损强度；采用贝叶斯正则化与LevenbergMarquardt算法结合的改进的BP网络，改进后的BP网络能精确预测奥氏体量、硬度、磨粒磨损强度，并能用于研究热处理工艺对性能的影响规律，从而确定最佳热处理工艺。改变该钢中V、C含量后采用与上述相同的BP网络对磨损失重进行预测，该BP网络能精确预测磨损失重并反映化学成分与磨损失重间的关系，从而确定了V、C的最优加入量［29］。FWMargrave等用超声波探伤仪，对含有裂纹、线缺陷、穿孔、夹渣、气孔等缺陷的试样进行探伤，测得能表征缺陷的不同形状、位置、尺寸、服役条件（应力）等情况的回波信号，再将这些信号处理后作为BP神经网络的输入，输出端为上述5种缺陷和无缺陷共6个输出变量。缺陷的识别准确率大于90%。

3BP神经网络在钢铁工业中的局限及发展前景

BP神经网络存在学习收敛速度慢、学习时间长和数据依赖性强等局限性，因此寻找合适的算法与BP神经网络相结合，解决上述问题，是BP神经网络发展的重要研究方向。多年来，围绕BP神经网络陷入局部极小值的问题，国内外的研究者做了大量的工作。解决这一问题，必须彻底摆脱依赖梯度信息来指导数值调整方向，引进其他算法与BP算法相互结合。因此，模拟退火法、单纯形法、趋化性算法、随机学习算法、动量算法以及递推最小二乘（RLS）技术等方法应运而生。针对学习时间长这一问题，现在一般采用离线学习、在线预报作为变通手段。BP神经网络的发展为冶金工作者提供了一个全新的知识获取和处理手段。与其它传统模型（如数学模型、回归模型、时间序列模型及经验分析模型）相比，它具有较强的抗噪声和非线性问题处理能力。另外，它的实时性又使其能对过程实现在线响应。基于此，它被越来越多地收入到专家系统中，同时，其结构价值也在专家系统的功能应用中得到体现。

4结语

总之，BP神经网络在钢铁材料研究中有着广阔的应用前景，能快速准确地根据钢的化学成分及工艺参数预测性能、相变温度、时间及微观组织，同时可用于研究各影响因素对微观组织、相变温度、时间及性能的影响规律；BP神经网络也可用于钢铁冶金及表面防护过程工艺参数的预测及控制。但BP神经网络的发展受人脑的科学研究成果的限制，理论体系还不完善，收敛速度及预测结果精度有待进一步提高。因此，在应用过程中应改进模型算法或建立新的模型，使BP神经网络更好地应用于钢铁材料研究领域。