基于rbf神经网络的钢坯温度预报软测量模型研究

《基于rbf神经网络的钢坯温度预报软测量模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、《工业控制计算机》2010年第23卷第5期73基于RBF神经网络的钢坯温度预报软测量模型研究Soft－sensingModeltoPredictTemperatureofSteelSlabBasedonRBFNeuralNetwork高国丽（吉林农业科技学院信息工程学院，吉林吉林132101）陈洪军（吉林铁道职业技术学院电气工程系，吉林吉林132002）摘要钢坯加热过程是钢铁企业热轧生产中非常重要的工艺环节。钢坯温度预报模型是实现加热炉优化控制的重要基础，用常规仪器很难直接测量出钢坯温度。给出了

2、基于RBF神经网络的软测量模型结构，对钢坯温度进行预报的仿真结果。关键词：加热炉，RBF神经网络，软测量，钢坯温度AbstractHeatingprocessispartofironandsteelenterprise＇shot－rolledwhichisveryimportant．Themodeltopredictthetem-peratureofsteelslabisanimportantpartforrealizingoptimizecontrol．Itisdifficulttomeasu

3、reslab＇stemperaturedirectlybygeneralinstrument．Thispaperoffersthemodelstructureofsoft－sensingbasedonRBFneuralnetwork．Keywords:reheatingfurnace,RBFneuralnetwork,soft－sensing,temperatureofsteelslab加热钢坯是为了达到轧制要求的热特性和冶金特性，同时输出层的输入为各隐含层神经元输出的加权求和，传递函尽量减少能

4、耗和钢坯表面的氧化烧损。对于钢坯的温升过程，在数为纯线性函数。输出：理论上存在一条最优温升曲线，钢坯的温度沿着这条温升曲线ny＝Σli·νi－β（3）上升，能保证钢坯的加热性能最好，消耗的热量最少。软测量建i＝1模通过辅助变量来获得对主导变量的最佳估计，而RBF网络具RBF网络的学习过程分为两步：第一步为无监督式学习，确备良好的非线性逼近能力，易于实现，可作为软测量建模的理想定训练输入层与隐含层间的权值w；第二步为有监督式学习，确途径。定训练隐含层与输出层间的权值v。目的是求取两层的最终权1径向

5、基函数（RBF）神经网络值w、v和阈值θ、β。径向基函数（RadialBasicFunction，RBF）神经网络是在2神经网络软测量建模借鉴生物局部调节和交叠接受区域知识的基础上，提出的采用软测量模型结构如图2所示。局部接受域来执行函数映射的人工神经网络。RBF网络是一种性能良好的前向网络，它是一种局部逼近型网络，克服了极易陷入局部最小，非常适合于非线性动态系统建模。RBF网络具有三层网络结构：输入层、隐层和输出层，其中隐层的传递函数为高斯函数，输出层的传递函数为纯线性函数，如图1所示。图2软

6、测量模型的结构图神经网络以其本质非线性特征，可以实现大规模分布式处理，具有很强的容错性、鲁棒性和自学习、自适应、自组织能力等长处，在复杂的非线性工业过程的软测量技术占有重要地位。它可以代替传统数学模型完成由输入空间到输出空间的映射，直接根据对象的输入、输出数据进行建模，需要的对象先验知识较少，并且其较强的学习能力对模型校正十分有利。基于神经网络图1RBF网络结构图的软测量模型可以很好地描述实际对象的特征，与传统的建模RBF网络的学习过程：方法相比，它需要的先验知识较少，而且避免复杂的建模结构辨隐

7、含层函数为高斯函数，其第i个神经元的输入为：识问题。由于人工神经网络具有优良的容错性和自适应性，采用神2ki＝Σ（wji－xj）·θi（1）经网络的方法解决非线性系统的建模。神经网络的种类很多，用姨j隐层输出为：于软测量技术的是BP神经网络和RBF网络。二者均由神经元22‖2‖分层连接而成，同层神经元之间均无连接，只有邻层神经元之间li＝exp［－（ki）］＝exp［－‖（wji－xj）‖·θi］（2）相互连接，信号由低层向高层神经元传输。BP算法以梯度法为74基于RBF神经网络的钢坯温度预报软

8、测量模型研究基础，算法简单，意义明确，但收敛速度慢，且存在局部极小点问RBF网络软测量模型的学习算法：题。RBF网络是一种单隐层前向网络，与BP网络相比，结构更RBF网络径向基函数为高斯函数，即：简洁，学习速度也更快，并克服了BP网络对初始值和网络结构2‖X－C‖i敏感，容易陷入局部极小点等缺陷。φci（X）＝exp‖2‖（5）2δi3钢坯预报模型温度计算其中：i＝1，2，…，m，m为隐含层神经元的个数；φCi为径向预报数学模型表达了钢坯升温过程与钢坯上下方炉温的内基函数；δi为宽度；Ci为数据