安　波， 閆　彬， 劉永姜

(1. 山西林業(yè)職業(yè)技術(shù)學(xué)院 信息工程系， 山西 太原 030009； 2. 西北機電工程研究所艦炮研究室， 陜西 咸陽 712099；3. 中北大學(xué) 機械與動力工程學(xué)院， 山西 太原 030051)

?

基于BP和Kohonen神經(jīng)網(wǎng)絡(luò)結(jié)合的鑄坯在線質(zhì)量評估

安波1， 閆彬2， 劉永姜3

(1. 山西林業(yè)職業(yè)技術(shù)學(xué)院 信息工程系， 山西 太原 030009； 2. 西北機電工程研究所艦炮研究室， 陜西 咸陽 712099；3. 中北大學(xué) 機械與動力工程學(xué)院， 山西 太原 030051)

摘要:針對連鑄坯鑄造在線質(zhì)量評估中存在的實時性和準確性評判誤差較大等問題， 提出一種基于人工智能神經(jīng)元網(wǎng)絡(luò)技術(shù)的在線質(zhì)量評估方法. 通過獲取訓(xùn)練樣本和進行獨立實驗， 分析和研究了鑄造材料中主要元素對在線連鑄坯質(zhì)量的影響. 將收斂速度快、 評判準確率高的BP神經(jīng)網(wǎng)絡(luò)模型和Kohonen自組織特征映射神經(jīng)網(wǎng)絡(luò)模型相結(jié)合， 在評估過程中兩者并行運算， 評判結(jié)果相互融合， 實現(xiàn)了對連鑄坯在線質(zhì)量的準確判定. MATLAB仿真結(jié)果表明， 融合運算后的在線質(zhì)量評估平均相對誤差小于10%.

關(guān)鍵詞:連鑄坯； BP神經(jīng)網(wǎng)絡(luò)； Kohonen神經(jīng)網(wǎng)絡(luò)； 在線質(zhì)量評估

0引言

隨著我國鑄造產(chǎn)業(yè)的發(fā)展， 連鑄流程在其工藝、 設(shè)備和技能方面不斷進步. 在連鑄坯自動化生產(chǎn)過程中， 傳統(tǒng)質(zhì)量評估的方法是抽樣， 但這種方法無法實現(xiàn)實時在線生產(chǎn)中鑄造坯質(zhì)量問題的確定和閉環(huán)控制處理， 如有質(zhì)量問題的鑄坯及時回爐. 要滿足閉環(huán)實時控制和處理， 需建立線性分析模型， 主要原因在于鑄造坯質(zhì)量判定因素的多樣性. 那么， 基于多樣性的工藝參數(shù)和鑄坯質(zhì)量方面缺陷的關(guān)系， 采用人工智能的方法和手段， 尤其是不斷發(fā)展的神經(jīng)網(wǎng)絡(luò)技術(shù)， 完成連鑄坯智能化在線質(zhì)量評估， 可以在連鑄坯鑄造過程中質(zhì)量評估滿足實時性要求的同時， 設(shè)計實現(xiàn)提高評估準確性， 減少誤差.

神經(jīng)網(wǎng)絡(luò)不同于當前的基本邏輯學(xué)和符號學(xué)思維， 而是在添加數(shù)據(jù)的基礎(chǔ)上， 以學(xué)習(xí)和推理相結(jié)合的方式更為直接地實現(xiàn)了信息分析和挖掘， 實現(xiàn)了與專家系統(tǒng)相同的功能， 而二者的結(jié)合將實現(xiàn)從知識獲取、 知識學(xué)習(xí)到知識推理簡化了的完整過程[1-4].

通過研究發(fā)現(xiàn)， 采用BP神經(jīng)網(wǎng)絡(luò)和Kohonen自組織特征映射網(wǎng)絡(luò)結(jié)合可以快速并較為準確地實現(xiàn)連鑄坯在線質(zhì)量的評判. 通過對工藝參數(shù)到質(zhì)量缺陷因素地分析和推斷， 確定鑄坯質(zhì)量評估依據(jù)， 選用和構(gòu)建神經(jīng)網(wǎng)絡(luò)評估算法模型， 由MATLAB工具對鑄坯的合格與不合格包括多種缺陷進行在線聚類分析和判斷. 在降低成本、 改進產(chǎn)品質(zhì)量、 實現(xiàn)實時在線評估、 提高連鑄生產(chǎn)效率方面具有重要的現(xiàn)實意義.

1BP網(wǎng)絡(luò)模型與Kohonen網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)應(yīng)用一般包含3個過程： 數(shù)據(jù)采集和整理， 評估能力學(xué)習(xí)和性能優(yōu)化， 實際評估.

1.1BP網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是多層前向傳遞和反向映射的神經(jīng)元網(wǎng)絡(luò)運算模型. 網(wǎng)絡(luò)包括輸入層、 隱藏層和輸出層. 網(wǎng)絡(luò)拓撲結(jié)構(gòu)受前饋約束， 實質(zhì)上是一種梯度下降的最小化方法[5-7]. 該過程通過權(quán)重的選擇來極小化網(wǎng)絡(luò)輸出和實際輸出之間的誤差.

BP網(wǎng)絡(luò)模型通常以網(wǎng)絡(luò)輸出誤差平方和的最小值作為網(wǎng)絡(luò)訓(xùn)練的理想結(jié)果. 其中ω為權(quán)重向量， F(xi,ω)為神經(jīng)網(wǎng)絡(luò)的輸出映射函數(shù)， (xi,yi)為訓(xùn)練數(shù)據(jù)集合.

(1)

主要步驟為：

Step1初始化權(quán)重向量ω， 并令μ=1.2,β=1.15,α=0.05,η=0.02,E0=0.05,λ=1,k=0.

Step 2k←k+1.

Step 3根據(jù)下列兩式調(diào)整權(quán)值ω.

Step4根據(jù)式(2)計算誤差Ek.

(2)

Step5如果K

Step 8結(jié)束.

根據(jù)上述步驟進行網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)， 首先輸入信號從輸入層經(jīng)隱藏層逐層處理， 如果輸出層得不到期望輸出， 則轉(zhuǎn)入方向映射， 根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閥值， 在調(diào)整后的網(wǎng)絡(luò)輸出逼近期望輸出時， 網(wǎng)絡(luò)具有了記憶和預(yù)測能力[8]. 接下來， 具有預(yù)測能力的網(wǎng)絡(luò)被用來實現(xiàn)鑄坯質(zhì)量的在線預(yù)評估. 其拓撲結(jié)構(gòu)見圖 1 所示.

隱藏層由多個單隱藏層組成. 多隱藏層結(jié)構(gòu)較單隱藏層網(wǎng)絡(luò)泛化能力強， 預(yù)測精度高， 但訓(xùn)練時間長[9]. 因此， 隱藏層結(jié)構(gòu)設(shè)計往往成為網(wǎng)絡(luò)優(yōu)化的關(guān)鍵.

1.2Kohonen網(wǎng)絡(luò)模型

Kohonen網(wǎng)絡(luò)是無監(jiān)督競爭性學(xué)習(xí)網(wǎng)絡(luò)， 能根據(jù)環(huán)境自動訓(xùn)練聚類. 網(wǎng)絡(luò)只有輸入層和輸出層， 輸出層也稱為競爭層[10]. 網(wǎng)絡(luò)結(jié)構(gòu)將N個輸入神經(jīng)元映射到1或2維度的離散神經(jīng)元映射空間中.

基本思想是： 輸入空間中彼此相近的模式在輸出映射中也應(yīng)彼此相近[11]. 當N個維數(shù)的向量作為樣本輸入網(wǎng)絡(luò)時， 競爭層上的神經(jīng)元計算輸入樣本與競爭層神經(jīng)元之間的距離， 其中最小距離的神經(jīng)元為獲勝神經(jīng)元. 通過反復(fù)訓(xùn)練， 調(diào)整獲勝神經(jīng)元和相鄰神經(jīng)元連接權(quán)值， 使最終輸出層神經(jīng)元的連接權(quán)值具有一定的分布， 同類神經(jīng)元具有相近的權(quán)值[12]. 網(wǎng)絡(luò)訓(xùn)練后輸出層神經(jīng)元被劃分為不同響應(yīng)特征的區(qū)域.

2基于BP和Kohonen網(wǎng)絡(luò)鑄坯質(zhì)量評估模型

評估實現(xiàn)需經(jīng)過樣本采集、 神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)、 運用網(wǎng)絡(luò)測評. 在連鑄制作過程中， 可通過實時跟蹤來計算設(shè)備和連鑄工藝的參數(shù)， 對連鑄質(zhì)量進行估測和控制.

2.1樣本采集

根據(jù)鑄坯生產(chǎn)的基本原理， 連鑄坯質(zhì)量問題可以從三個缺陷方面問題判斷， 即連鑄坯幾何形狀、 表面質(zhì)量、 內(nèi)部質(zhì)量. 發(fā)生上述質(zhì)量方面的問題與鋼水凝固點以及連鑄設(shè)備和工藝有關(guān).

通過人工經(jīng)驗獲得多組工藝參數(shù)和質(zhì)量判斷結(jié)果， 當然這是較為復(fù)雜的過程， 需要從大量的數(shù)據(jù)中提取相關(guān)信息.

本次研究提取訓(xùn)練樣本及測試數(shù)據(jù)工作， 引入鑄造設(shè)備和工藝相關(guān)26個參數(shù)構(gòu)造26維輸入向量， 提取抽樣檢查數(shù)據(jù)近6 000組； 輸出參數(shù)為3維輸出向量， 取8組值反應(yīng)具體質(zhì)量問題， 歸一處理后取值如下： 1為有缺陷(有質(zhì)量問題)， 0為無缺陷(無質(zhì)量問題).

2.2學(xué)習(xí)訓(xùn)練

1) BP網(wǎng)絡(luò)采用訓(xùn)練樣本， 歸一化處理后通過26維向量到3維向量的運算， 得到訓(xùn)練后的網(wǎng)絡(luò)拓撲； 訓(xùn)練時采用的樣本數(shù)量和收斂能力決定最終采用的網(wǎng)絡(luò)拓撲[13].

經(jīng)過試驗嘗試4種網(wǎng)絡(luò)架構(gòu)， 因收斂速度最快， BP網(wǎng)絡(luò)結(jié)構(gòu)采用26-11-5-3， 即26維節(jié)點的輸入層， 2個隱藏層分別是11節(jié)點和5節(jié)點， 3維節(jié)點輸出層， 見表 2.

圖 3 所示為上述BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差， 從圖中可以看出在迭代9 656次時達到了要求的誤差精度.

2) 同樣使用Kohonen自組織特征映射神經(jīng)網(wǎng)絡(luò)輸入訓(xùn)練樣本在線學(xué)習(xí)， 歸一化處理后通過26維向量到8個不同響應(yīng)特征區(qū)域的運算， 得到訓(xùn)練后的網(wǎng)絡(luò)拓撲； 訓(xùn)練時采用的樣本數(shù)量和收斂能力決定最終采用的網(wǎng)絡(luò)拓撲.

經(jīng)過試驗嘗試3種網(wǎng)絡(luò)架構(gòu)， 因收斂速度最快， 競爭層上的神經(jīng)元采用1維結(jié)構(gòu)， 節(jié)點數(shù)取120， 見表 3.

2.3運用網(wǎng)絡(luò)測評

2.3.1綜合測評方法

BP網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)對輸出結(jié)果計算預(yù)測誤差， 在設(shè)定閥值基礎(chǔ)上， 判斷各自計算輸出預(yù)測值， 判定鑄坯幾何形狀、 表面、 內(nèi)部結(jié)果： 用1和0表示有缺陷和無缺陷.

BP網(wǎng)絡(luò)輸出判定值： {x1,x2,x3}； Kohonen網(wǎng)絡(luò)輸出判定值： {y1,y2,y3}； {x1,x2,x3}和{y1,y2,y3}逐位或運算， 得出{Z1,Z2,Z3}； 如 0 0 1與1 0 0逐位或運算結(jié)果1 0 1.

通過{Z1,Z2,Z3}取值， 在線綜合判斷鑄坯是否存在質(zhì)量問題及存在哪方面的缺陷.

2.3.2綜合測評模型

標準的BP算法是一種梯度下降學(xué)習(xí)算法. 沒有考慮到以前積累的經(jīng)驗， 即以前時刻的梯度方向， 常常使學(xué)習(xí)過程發(fā)生振蕩， 通常易陷入局部極小值等方面的缺陷[14]. 因此， 通過BP網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)兩種測評模型的融合， 并行評估可減小評判誤差， 提高準確性. 具體融合模型見圖 4.

3仿真實驗結(jié)果分析

經(jīng)過長期數(shù)據(jù)采集、 算法分析、 測試的仿真實驗后， 實驗結(jié)果表明： BP和Kohonen網(wǎng)絡(luò)結(jié)合實現(xiàn)的鑄坯質(zhì)量評估方法， 利用了2種網(wǎng)絡(luò)快速收斂的特征， 降低了知識學(xué)習(xí)的復(fù)雜性， 提高了質(zhì)量判斷的準確度， 減少了誤判率.

兩種神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果對比總結(jié)如表 4 所示.

從相關(guān)系數(shù)、 平均相對誤差兩個衡量指標來看， BP網(wǎng)絡(luò)預(yù)測值與實測值的相關(guān)系數(shù)都在0.91以上， Kohonen網(wǎng)絡(luò)預(yù)測值與實測值的相關(guān)系數(shù)都在0.92以上， 融合運算后的平均相對誤差都小于10%. 仿真系統(tǒng)通過現(xiàn)有數(shù)據(jù)， 發(fā)現(xiàn)評測無縫鋼鑄胚質(zhì)量方面的準確度達到92%. 從實時性測試工藝上看， 在線鑄坯鑄成間隔時間為90 s， 通過測試， 系統(tǒng)實際生產(chǎn)中參量的采集、 運算和判定時間小于3 s， 即可完成評測結(jié)果所需的數(shù)據(jù)采集和評估,完全滿足實時性要求[15].

4結(jié)論

BP神經(jīng)網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)相結(jié)合可在線對鑄造過程中鑄坯質(zhì)量進行有效的預(yù)測評估， 更好地輔助鑄坯生產(chǎn)和質(zhì)量管理. 使用BP神經(jīng)網(wǎng)絡(luò)和Kohonen自組織特征映射神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)可以分別實現(xiàn)知識學(xué)習(xí)的基本樣本訓(xùn)練， 但無法持續(xù)進行不受監(jiān)視地適應(yīng)性學(xué)習(xí). 為提高準確率， 在實際操作系統(tǒng)中， 應(yīng)考慮并加強適應(yīng)性方法的研究.

參考文獻:

[1]王磊， 袁慎芳. Kohonen神經(jīng)網(wǎng)絡(luò)在復(fù)合材料損傷主動監(jiān)測技術(shù)中的應(yīng)用[J]. 材料科學(xué)與工程， 2002， 20(4)： 513-516.

Wang Lei, Yuan Shenfang. Application of Kohonen neural network in the active monitoring technology of composite material damage[J]. Materials Science and Engineering, 2002, 20(4)： 513-516. (in Chinese)

[2]馬野， 李楠. 應(yīng)用自組織映射神經(jīng)網(wǎng)絡(luò)進行模擬電路故障診斷的仿真研究[J]. 系統(tǒng)仿真學(xué)報， 2001， 13(5)： 582-584.

Ma Ye, Li Nan. Simulation of fault diagnosis of analog circuits using self organizing map neural network[J]. Simulata Systematica Sinica, 2001, 13(5)： 582-584. (in Chinese)

[3]俸世洲， 周尚波. SOM神經(jīng)網(wǎng)絡(luò)在獨立學(xué)院招生決策中的應(yīng)用[J]. 計算機工程與科學(xué)， 2011， 33(5)： 136-140.

Feng Shizhou, Zhou Shangbo. Application of SOM neural network in the decision making of independent colleges[J]. Computer Engineering & Science， 2011， 33(5)： 136-140. (in Chinese)

[4]張可， 柴毅， 匡金駿. 基于征兆鄰搜索優(yōu)化聚類和自組織映射神經(jīng)網(wǎng)絡(luò)的多病害診斷[J]. 農(nóng)業(yè)工程學(xué)報， 2011， 27(1)： 215-222.

Zhang Ke， Chai Yi， Kuang Jinjun. Multi disease diagnosis of neural network based on the optimal clustering and self organizing map for the optimal clustering and self organizing map[J]. Transactions of the Chinese Society of Agricultural Engineering， 2011， 27(1)： 215-222. (in Chinese)

[5]馮利利， 王華奎， 韓應(yīng)征, 等. 基于K-means算法改進的SOM神經(jīng)網(wǎng)絡(luò)調(diào)制識別分類器[J]. 電腦開發(fā)與應(yīng)用， 2011， 24(1)： 8-10.

Feng Lili， Wang Huakui， Han Yingzheng, et al. Improved SOM neural network modulation recognition classifier based on K-means algorithm[J]. Computer Development & Applications， 2011， 24(1)： 8-10. (in Chinese)

[6]王杰， 閆東偉. 提高預(yù)測精度的ELMAN和SOM神經(jīng)網(wǎng)絡(luò)組合[J]. 系統(tǒng)工程與電子技術(shù). 2004(12)： 1943-1945.

Wang Jie， Yan Dongwei. The combination of ELMAN and SOM neural network to improve prediction precision[J]. Systems Engineering and Electronics， 2004(12)： 1943-1945. (in Chinese)

[7]傅軍棟， 喻勇， 黎丹. BP神經(jīng)網(wǎng)絡(luò)在解決電力消耗問題中的應(yīng)用[J]. 華東交通大學(xué)學(xué)報， 2015， 32(2)： 123-128.

Fu Jundong， Yu Yong， Li Dan. Application of BP neural network in solving the problem of electric power consumption[J]. Journal of East China Jiaotong University， 2015： 32(2)： 123-128. (in Chinese)

[8]徐小華， 李坤， 胡忠旭. 基于虛擬儀器和BP神經(jīng)網(wǎng)絡(luò)的語音識別系統(tǒng)的設(shè)計[J]. 新余學(xué)院學(xué)報， 2014， 19(6)： 9-10.

Xu Xiaohua， Li Kun， Hu Zhongxu. Design of speech recognition system based on virtual instrument and BP neural network[J]. Journal of Xinyu University， 2014， 19(6)： 9-10. (in Chinese)

[9]楊洋， 陶歆. 基于遺傳算法BP人工神經(jīng)網(wǎng)絡(luò)的熱軋帶鋼力學(xué)性能預(yù)報模型[J]. 柳鋼科技， 2014(3)： 35-38.

Yang Yang， Tao Xin. Prediction model of mechanical properties of hot rolled strip based on genetic algorithm BP artificial neural network[J]. Science and Technology of Liuzhou Steel， 2014(3)： 35-38. (in Chinese)

[10]謝超凡, 徐魯雄, 徐琳. 基于神經(jīng)網(wǎng)絡(luò)的教學(xué)評分系統(tǒng)模型[J]. 內(nèi)江師范學(xué)院學(xué)報， 2016， 31(2)： 8-11.

Xie Chaofan， Xu Luxiong， Xu Lin. Teaching evaluation system model based on Neural Network[J]. Journal of Neijiang Normal University， 2016， 31(2)： 8-11. (in Chinese)

[11]Xiang Changsheng, Zhou ZiYing. A new music classification method based on BP neural network[J]. International Journal of Digital Content Technology and its Applications， 2011, 5(6)： 85-94.

[12]Matsuda， Nobuo Laaksonen， Jorma; Tajima， Fumiaki; Sato， Hideaki. Classification of fundus images for diagnosing glaucoma by self-organizing map and learning vector quantization[J]. Lecture Notes in Computer Science v 5507 LNCS， n PART 2， 2009: 703-710.

[13]Ma Yinglong, Zhang Jinlong, Wu Haijiang, et al. An approach to ontology information mining based on relational database[J]. International Journal of Digital Content Technology and its Applications， 2011, 5(10)： 285-295.

[14]Dong Jiaqiang, Du Yajun, Feng Mingli. A novel strategy for constructing user ontology[J]. International Journal of Digital Content Technology and its Applications， 2011, 5(5)： 149-156.

[15]Jiang Jing， Hua Yang， Zhang Honglei. Applying rough sets and BP neural networks to detect network intrusions[J]. International Journal of Advancements in Computing Technology， 2012, 4(7): 299-307.

The Online Quality Evaluation of Continuous Casting Billet Based on BP and Kohonen Neural Network

AN Bo1, YAN Bin2, LIU Yong-jiang3

(1. Dept. of Information Engineering, Shanxi Forestry Vocational and Technical College, Taiyuan 030009, China;2. Naval Research Office of Northwest Institute of Mechanical & Electrical Engineering, Xianyang 712099, China;3. School of Mechanical Engineering, North University of China, Taiyuan 030051, China)

Key words:continuous casting billet; BP neural network; Kohonen neural network; online quality evaluation

Abstract:In the process of online quality evaluation of continuous casting billet,there existed great error in instantaneity and accuracy. An online quality evaluation method based on the neural network technology of artificial intelligence was proposed.The influence of main elements in cast material on on-line continuous casting billet quality were analyzed and studied by obtaining the training samples and independent experiments. Due to its high convergence speed and high evaluation accuracy, the BP neural network model and the Kohonen self-organizing feature map neural network model had been combined and selected. In the process of evaluation, the two models were computing parallelly and evaluation results of the two models were fusing mutually to realize the accurate online judgment of quality of the defective casting billet. The simulation experimental results of MATLAB showed the average relative error was less than 10% after fusion operation.

文章編號:1673-3193(2016)03-0268-05

收稿日期:2015-12-19

作者簡介：安波(1967-)， 男， 講師， 主要從事計算機教學(xué)教法研究.

中圖分類號:TJ765.2

文獻標識碼:A

doi:10.3969/j.issn.1673-3193.2016.03.012