專利名稱：平整機的制作方法
技術領域：
本發明專利涉及一種智能控制方法，特別是一種改進的神經網絡控制方法，應用于平整機改造。
背景技術：
平整機是生產汽車板、鍍錫板、彩色板等高附加值鋼帶板材的關鍵設備。保證平 整機板帶材產品質量的關鍵在于確保軋制過程中軋制速度、前張力和后張力維持穩定，否 則帶鋼表面可能會出現明暗相間的振紋，張力波動太大，甚至造成斷帶，中斷軋制過程。卷 取機、工作輥和開卷機3個機電子系統是分開設計的，并未考慮正常軋制時各子系統在穿 帶后的耦合影響。實際上工作輥速度、前張力、后張力3個參數相互耦合、相互影響，有時 前、后張力會產生強烈的耦合振動，導致軋件表面出現振紋。由于神經網絡的學習能力對整 個解耦控制器的解耦性能具有很大的影響，因此本發明提出了一種改進的神經網絡學習方 法。BP學習算法的基本原理是梯度最速下降法，其中心思想是調整權值使網絡總誤差 最小。采用梯度搜索技術，以使網絡的實際輸出值與期望的誤差均方值最小。網絡學習過 程是一種誤差后向傳播修正權系數的過程。一般來說，學習率越大，權值的改變越激烈，在訓練初期，較大的學習率對誤差的 快速下降有利，但到了一定階段，大的學習率可能導致振蕩，即出現能量函數忽升忽降或不 降反升。所以，緩慢的收斂速度和對算法收斂參數的依賴是BP算法的明顯不足。眾多方法 提出了改進方案，以下是一種能綜合考慮收斂速度和參數魯棒性的算法。
發明內容
本發明利用下述改進的神經網絡學習方法和對角矩陣解耦方法相結合的方式，其 中控制器中解耦部分對角通道中一支采用PID控制方法，控制器中控制部分對應主通道中 采用改進的神經網絡方法，控制器中解耦部分對角通道中另一支采用改進的神經網絡方 法，控制器中控制部分對應主通道中采用PID控制方法，提出了一組填料塔裝置改造方法。 其中對角矩陣解耦方法和PID控制方法是傳統方法，僅對改進的神經網絡學習方法加以描 述。BP網絡計算的主題步驟(a).置各權值和閥值的初始值Wi/(0)，θ /(0)，(ρ = 1，2. . . Q)其中ρ為第若干 層，Q表示總層數(b).輸入訓練樣本(Iycgdp = 1，2...M)其中M表示輸入輸出數量，對 每一個樣本計算輸出和權值修正(c).計算網絡各層的實際輸出Xp = f(sp) = MwVri)，式中f O為激活函數若其輸出與各頂模式對的期望輸出不一致，則將其誤差信號從輸出端反向傳播回 來，并在傳播過程中對加權系數不斷修正，直到在輸出層神經元上得到所需要的期望輸入 值為止。對樣本完成網絡權系數的調整后，再送入另一樣本模式對進行類似學習，直到完成個訓練學習為止。以下利用共軛梯度法對權值修正考慮二次型性能函數 其梯度為 其二階梯度是Hessian矩陣 于是，梯度的改變量是
式 中，α[k]是在時刻延方向p[k]搜索使性能函數E(w)最小的學習率對于二次型性能函數，最優學習率按下式確定
于是，根據共軛
條件，并由于學習率是一個標量，所以 共軛條件就轉變為搜索方向p[j]與梯度的改變量Ag[k]正交，而與Hessian矩 陣無關。初始搜索方向p
可以是任意的，第1個迭代方向p[l]只要與Ag
正交 即可，通常以最速下降方向開始，后續的方向p[k]只要與梯度的改變量序列{Agto]， Ag[l]，... Ag[k-1]}正交即可。一種簡要的方法是采用迭代 其中
圖1為本控制方法的結構2為本方法中改進神經網絡的結構圖
具體實施例方式本發明利用改進的神經網絡學習方法和對角矩陣解耦方法相結合的方式，提出了 一組平整機改造方法，其中改進的神經網絡按以下步驟實現(a).置各權值和閥值的初始值
其中ρ為第若干 層，Q表示總層數(b).輸入訓練樣本(I,，dq), (ρ = 1,2...Μ)其中M表示輸入輸出數量，對每一個 樣本進行(c) (e)步
(c).計算網絡各層的實際輸出
式中f O為激活函數(d).計算梯度g (k)和梯度改變量Δ g [k] (e).修正權值 其中p[k]是關于w(k)序列、β [k]序列、g[k]序列的函數，如 (f).當樣本集中的所有樣本都經歷了 c e步，即完成一個訓練周期，計算性能指 標 (g).如果性能指標貓族精度要求，即E彡ε，那么訓練結束，否則轉到(b)，繼續下 一個訓練周期。ε是小的正數，根據實際情況選取。其中β [k]的計算方法如下n-nk-l)]f[k]Ag[k-l]其中激活函數可采用三角函數、雙極性函數、分段函數、sigmoid函數、基于 sigmoid函數的變形函數等。 所述修正權值特指在個迭代計算若干次后，將搜索方向重新設置為梯度方向，再 按(e)迭代。
權利要求
平整機的技術特征是本發明利用下述改進的神經網絡學習方法和對角矩陣解耦方法相結合的方式，其中控制器中解耦部分對角通道中一支采用PID控制方法，控制器中控制部分對應主通道中采用改進的神經網絡方法，控制器中解耦部分對角通道中另一支采用改進的神經網絡方法，控制器中控制部分對應主通道中采用PID控制方法，提出了一組平整機改造方法；其中對角矩陣解耦方法和PID控制方法是傳統方法，僅對改進的神經網絡學習方法加以描述；所述改進的神經網絡學習方法流程按以下方式進行(a).置各權值和閥值的初始值wijp(0)，θjp(0)，(p＝1，2...Q)其中p為第若干層，Q表示總層數(b).輸入訓練樣本(Iq，dq)，(p＝1，2...M)其中M表示輸入輸出數量，對每一個樣本進行(c)～(e)步(c).計算網絡各層的實際輸出xp＝f(sp)＝f(wpxp-1)，式中，f(*)為激活函數(d).計算梯度g(k)和梯度改變量Δg[k](e).修正權值其中p[k]是關于w(k)序列、β[k]序列、g[k]序列的函數，如P[k+1]＝β[k+1]P[k]-g[k+1](f).當樣本集中的所有樣本都經歷了(c)～(e)步，即完成一個訓練周期，計算性能指標，(g).如果性能指標貓族精度要求，即E≤ε，那么訓練結束，否則轉到(b)，繼續下一個訓練周期。ε是小的正數，根據實際情況選取。F2009100480084C00011.tif,F2009100480084C00012.tif
2.根據權利要求項1，所述激活函數的技術特征是激活函數可采用三角函數、雙極性函數、分段函數、sigmoid函數、基于sigmoid函數 的變形函數，等。
3.根據權利要求項1，所述修正權值的技術特征是所述修正權值特指在個迭代計算若干次后，將搜索方向重新設置為梯度方向，再按(e) 迭代。
4.根據權利要求項1，所述β[k]的技術特征是 ^ [l + P(k-\)]Pr[k-l]Ag[k-l]°
全文摘要
本發明專利平整機，涉及一種智能控制方法，特別是一種改進的神經網絡控制方法，針對平整機控制對象的非線性和耦合特性，利用改進的神經網絡學習方法和對角矩陣解耦方法相結合的方式，提出了一種平整機優化方法；其中改進的神經網絡采用作為改進的權值修正方法。
文檔編號G06N3/08GK101846969SQ200910048008
公開日2010年9月29日 申請日期2009年3月23日 優先權日2009年3月23日
發明者程明 申請人:上海都峰智能科技有限公司