人工智能技術(shù)在軋制過程中的應(yīng)用現(xiàn)狀

人工智能技術(shù)在軋制過程中的應(yīng)用現(xiàn)狀A(yù)pplicationofArtificialIntelligentTechnologyinRollingProcess摘要：本文通過分析人工智能技術(shù)在軋制過程中的三個(gè)應(yīng)用實(shí)例，探討人工智能技術(shù)的特點(diǎn)、應(yīng)用效果及應(yīng)用前景。關(guān)鍵詞：人工智能；專家系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；模糊控制；軋制Abstract:Thearticlediscussesthecharacteristics,applicationeffectsandapplicationprospectsofartificialintelligenttechnologythroughanalyzingthreeapplicationexamplesofartificialintelligenttechnologyinrollingprocesses.KeyWords:artificialintelligence;expertsystem;neuralnetworks;fuzzycontrol;rolling.人工智能技術(shù)包含很多內(nèi)容，本文通過三個(gè)應(yīng)用實(shí)例主要闡述的是神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)和模糊控制。現(xiàn)代金屬軋制過程特別是連軋過程的控制非常復(fù)雜，它涉及到壓力、速度、流量、溫度等大量物理參數(shù)，以及彈性變形、塑性變形、熱-力耦合等復(fù)雜過程、工件內(nèi)部組織結(jié)構(gòu)與性能的變化等多方面的問題。從控制的角度來看，金屬軋制過程具有典型的多變量、非線性、強(qiáng)耦合特征?；仡欆堉评碚摰陌l(fā)展歷程，如果說20世紀(jì)30年代卡爾曼（Kraman）理論及其后繼的工程法為軋制理論的發(fā)展樹立了第一個(gè)里程碑，60年代變分法、上下界法等一系列基于能量原理的近代解法標(biāo)志著第二個(gè)里程碑，70-80年代以有限元為代表的現(xiàn)代數(shù)值模擬解析方法確立了第三個(gè)里程碑的話，那么90年代人工智能在軋制領(lǐng)域中的廣泛應(yīng)用可以說為軋制理論與技術(shù)的發(fā)展樹立了第四個(gè)里程碑。下面通過三個(gè)例子來看一下人工智能技術(shù)在軋制工藝中的實(shí)際應(yīng)用。1基于BP神經(jīng)網(wǎng)絡(luò)的CSP生產(chǎn)線軋制力預(yù)測模型[1]人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡寫為ANNs）是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的，并具有自學(xué)習(xí)和自適應(yīng)的能力。人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activationfunction）o每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達(dá)。本文使用數(shù)學(xué)模型和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對軋制力進(jìn)行預(yù)測，考慮的影響因素有軋制變量、噴油量及軋制力模型計(jì)算值，由于考慮了摩擦對軋制力的影響，因而避免了過大的軋制力預(yù)測偏差。網(wǎng)絡(luò)結(jié)構(gòu)為11*7*1。神經(jīng)網(wǎng)絡(luò)所依據(jù)的是大量實(shí)際生產(chǎn)數(shù)據(jù)，由于建立模型過程中不需要作任何假設(shè)或近似，只需通過權(quán)值矩陣來記住什么條件下會得到什么結(jié)果，所以能更加真實(shí)的反映出軋制過程的本質(zhì)特征，可以在一定程度上彌補(bǔ)軋制力模型本質(zhì)上的不足。本文中使用的樣本是在任意時(shí)間段內(nèi)隨機(jī)選擇100張連鑄坯經(jīng)過7個(gè)機(jī)架軋制時(shí)的700組實(shí)際生產(chǎn)數(shù)據(jù)作為訓(xùn)練樣本，另隨機(jī)選擇30張連鑄坯經(jīng)過7個(gè)機(jī)架軋制時(shí)的210組實(shí)際生產(chǎn)數(shù)據(jù)作為檢驗(yàn)樣本，訓(xùn)練樣本不包括檢驗(yàn)樣本，檢驗(yàn)效果具有普遍意義。BP神經(jīng)網(wǎng)絡(luò)模型對CSP生產(chǎn)線生產(chǎn)SPHC鋼精軋階段軋制力的預(yù)測值與實(shí)測平均值的相對誤差僅為1.08%，而軋制力模型的平均相對誤差為6.32%，BP神經(jīng)網(wǎng)絡(luò)模型對軋制力實(shí)測平均值的跟蹤能力更好，在軋制力預(yù)測方面具有較高的應(yīng)用價(jià)值。2連鑄坯質(zhì)量預(yù)測專家系統(tǒng)的研發(fā)與應(yīng)用[2]專家系統(tǒng)是一類具有專門知識和經(jīng)驗(yàn)的計(jì)算機(jī)智能程序系統(tǒng)，通過對人類專家的問題求解能力的建模，采用人工智能中的知識表示和知識推理技術(shù)來模擬通常由專家才能解決的復(fù)雜問題，達(dá)到具有與專家同等解決問題能力的水平。這種基于知識的系統(tǒng)設(shè)計(jì)方法是以知識庫和推理機(jī)為中心而展開的，艮"專家系統(tǒng)=知識庫+推理機(jī)，它把知識從系統(tǒng)中與其他部分分離開來。專家系統(tǒng)強(qiáng)調(diào)的是知識而不是方法。很多問題沒有基于算法的解決方案，或算法方案太復(fù)雜，采用專家系統(tǒng)，可以利用人類專家擁有豐富的知識，因此專家系統(tǒng)也稱為基于知識的系統(tǒng)（Knowledge-BasedSystems）o一般說來，一個(gè)專家系統(tǒng)應(yīng)該具備以下三個(gè)要素：（1）具備某個(gè)應(yīng)用領(lǐng)域的專家級知識；（2）能模擬專家的思維；（3）能達(dá)到專家級的解題水平。本文通過總結(jié)連鑄坯表面質(zhì)量和內(nèi)部質(zhì)量的影響因素，采用VC++編程語言，將基于冶金專家知識的連鑄坯質(zhì)量預(yù)測規(guī)則程序化，研發(fā)出一種連鑄坯質(zhì)量在線預(yù)報(bào)系統(tǒng)。其基本原理是針對表面和內(nèi)部質(zhì)量的影響因素建立連鑄坯質(zhì)量冶金知識庫，開發(fā)判定規(guī)則和推理機(jī)制。采用對切割完成的一段長度的鑄坯所用因素綜合在一起的邏輯判斷方法對連鑄坯質(zhì)量進(jìn)行在線判斷、推理和決策，并給出相應(yīng)的缺陷產(chǎn)生原因解釋。該系統(tǒng)包括四個(gè)模塊，實(shí)時(shí)數(shù)據(jù)采集及存儲單元、澆鑄信息跟蹤模塊單元、鑄坯質(zhì)量預(yù)報(bào)模塊單元、質(zhì)量預(yù)報(bào)數(shù)據(jù)存儲單元。該系統(tǒng)具有異常事件質(zhì)量判定功能、實(shí)時(shí)數(shù)據(jù)采集功能、生產(chǎn)過程跟蹤功能、板坯質(zhì)量報(bào)表的查詢和導(dǎo)出功能、板坯質(zhì)量影響事件的修正和補(bǔ)充功能；其具有實(shí)時(shí)性強(qiáng)、質(zhì)量缺陷位置判定準(zhǔn)確、能判定出某些人工無法判定的異常質(zhì)量問題的特點(diǎn)。3基于模糊神經(jīng)網(wǎng)絡(luò)參數(shù)整定的熱軋帶鋼厚度仿人智能控制[3]模糊控制，是采用由模糊數(shù)學(xué)語言描述的控制律（控制規(guī)則）來操縱系統(tǒng)工作的控制方式。按照模糊控制律組成的控制裝置稱為模糊控制器。模糊控制的特點(diǎn)是不需要考慮控制對象的數(shù)學(xué)模型和復(fù)雜情況，而僅依據(jù)由操作人員經(jīng)驗(yàn)所制訂的控制規(guī)則就可構(gòu)成。凡是可用手動方式控制的系統(tǒng)，一般都可通過模糊控制方法設(shè)計(jì)出由計(jì)算機(jī)執(zhí)行的模糊控制器。模糊控制所依據(jù)的控制律不是精確定量的。其模糊關(guān)系的運(yùn)算法則、各模糊集的隸屬度函數(shù)，以及從輸出量模糊集到實(shí)際的控制量的轉(zhuǎn)換方法等，都帶有相當(dāng)大的任意性。對于模糊控制器的性能和穩(wěn)定性，常常難以從理論上作出確定的估計(jì)，只能根據(jù)實(shí)際效果評價(jià)其優(yōu)劣。本論文針對熱軋帶鋼厚度控制中存在的問題，研究基于模糊神經(jīng)網(wǎng)絡(luò)參數(shù)整定的熱軋帶鋼厚度控制仿人智能控制的策略。模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)理論與模糊理論相結(jié)合的產(chǎn)物。仿人智能控制算法是以熟練操作者的觀察、決策等智力行為為基礎(chǔ)，根據(jù)被調(diào)量的偏差及偏差變化趨勢來決定控制策略，當(dāng)控制系統(tǒng)的偏差趨于增大時(shí)，仿人控制器就有強(qiáng)烈的控制作用，抑制偏差的增加；而當(dāng)偏差有回零趨勢時(shí)，仿人控制器就會減小控制作用，等待觀察系統(tǒng)的變化。熱軋帶鋼厚度受原材料的尺寸、形狀、鋼種，以及加熱溫差、化學(xué)成分準(zhǔn)確度、軋制力等諸多因素影響，它是一個(gè)復(fù)雜的非線性被控對象，常規(guī)的控制方法難以取得理想的控制效果，而用模糊神經(jīng)網(wǎng)絡(luò)對仿人智能控制的參數(shù)進(jìn)行整定可得出理想的控制參數(shù)，進(jìn)而對帶鋼厚度進(jìn)行有效的控制。4結(jié)論（1） 由1可以看出，神經(jīng)網(wǎng)絡(luò)與理論模型的有機(jī)結(jié)合可以很好的減弱單個(gè)建模技術(shù)的缺陷，達(dá)到互補(bǔ)的效果，這在研究工藝參數(shù)對產(chǎn)品性能的影響方面有很好的預(yù)測與指導(dǎo)作用。推廣到其他領(lǐng)域也簡單易行，只需改變樣本數(shù)據(jù)和理論模型便可進(jìn)行另一關(guān)鍵參數(shù)的預(yù)測，實(shí)用性較高，可信度高。（2） 從2模型可以看出，質(zhì)量預(yù)測專家系統(tǒng)可以有針對性的對板坯質(zhì)量進(jìn)行檢查，指導(dǎo)后道工序的生產(chǎn)，大大提高了生產(chǎn)效率。這也對其他生產(chǎn)線的在線質(zhì)量檢測與預(yù)報(bào)的實(shí)現(xiàn)指引了道路，相信在日后的研究中將會有更多更加高效的專家系統(tǒng)服務(wù)于實(shí)際生產(chǎn)。（3） 3中實(shí)現(xiàn)了基于模糊神經(jīng)網(wǎng)絡(luò)參數(shù)整定的熱軋帶鋼厚度仿人智能控制策略，而在仿人智能控制領(lǐng)域的發(fā)展方向上，遺傳算法、專家控制等都可以與仿人智能控制結(jié)合開發(fā)新的控制技術(shù)應(yīng)用于實(shí)際生產(chǎn)當(dāng)中。參考文獻(xiàn)：HEYa-yuan,YANXiang,LILi-xin,ZHOUQian-xue,GUANJi-sheng.PredictionModelofRollingForceofCSPLineBasedonBPNeuralNetwork[J].MaterialsforMechanicalEngineering,2014:Vol.38No.10.（何亞元，嚴(yán)翔，李立新，周千學(xué),官計(jì)生.基于BP神經(jīng)網(wǎng)絡(luò)的CSP生產(chǎn)線軋制力預(yù)測模型[J].機(jī)械工程材料.2014,M）l.38,No.10.）SUNDan,QIANHong-zhi,WANGSheng-dong,JIANGXue-jun,HUPi-jun.Research,DevelopmentandApplicationofSpecialist’sSystem forCastingSlab ’sQualityPrediction[J].Mining&Metallurgy.2013:V）l.22,Suppl.（孫丹，錢宏智,王勝東，蔣學(xué)軍,胡丕俊.連鑄坯質(zhì)量預(yù)測專家系統(tǒng)的研發(fā) 與 應(yīng) 用 [J].礦.2013.Vol.22.Suppl.）[3]ZHANGGuan-yu.Human-simulatedIntelligentControlBasedonParametersSettingbyFuzzyNeuralNetworkofHot-rollingStripThickness.Master?sThesis.2013.（張貫宇.基于模糊神經(jīng)網(wǎng)絡(luò)參數(shù)整定的熱軋帶鋼厚度仿人智能控制.太原理工大學(xué)碩士學(xué)位論文.2013.）[4]WANGGuo-dong,LIUXiang-hua.ArtificialIntelligentOptimizationofMetalRollingProcess.MetallurgicalIndustryPress,2000.（王國棟，劉相華《金屬軋制過程人工智能優(yōu)化》 ，冶金工業(yè)出版社,2000.）KANGYong-lin,FUJie.etc.OrganizationPerformanceControlofThinSlabContinuousCastingandRollingSteel.MetallurgicalIndustryPress,2006.（康永林,傅杰等《薄板坯連鑄連軋鋼的組織性能控制》，冶金工業(yè)出版社,2006.）ZHANGJi-xian.NeuralNetworksandItsApp