基于改进遗传算法优化BP网络的轧制力预测研究
【图文】：
c，vnc分别为现场实际测量的末机架出口厚度和末机架速度;L为4个机架间总距离，m。1．2BP神经网络模型BP神经网络由输入层、一个或多个隐含层及输出层组成，图1表示有一个隐层的BP神经网络结构。由于轧制力与很多因素有关，如张力，，变形抗力，终轧温度等，因此本文采用的神经网络输入为入口厚度，出口厚度，板带的前张力、后张力，板带宽度，累积长度，轧辊半径，终轧温度。图中Ho为入口厚度;Hi为出口厚度;Tb为后张力;Tf为前张力;W为板带宽度;L为累计的轧板长度;Ｒ为轧辊半径;CT为终轧温度。图1BP网络结构隐节点个数的选取直接影响了神经网络的预测精度。针对该问题，本文通过神经网络训练来确定隐含层的个数，首先根据经验公式确定隐含层的节点数目范围，本文中BP网络输入节点为8，隐层节点范围为9～18。通过误差对比确定最佳的隐含层神经元个数。以某“1+4”铝热连轧厂现场采集的400组数据进行神经网络训练，首先对输入数据进行归一化，然后对每一个神经网络进行训练，最大迭代次数为3000，学习率及动量项均为0．03。其结果如表1所示。表1网络训练误差隐层节点数均方差90．01020100．00927110．00868120．00950130．00798140．00806150．00786160．00768170．00702180．00782表1表明在经过3000次训练后，隐含层节点数为17的BP网络的预测效果最好，因此本文的BP网络拓扑结构为8－17－1。BP网络的输入层与隐含层之间采用双曲正切传递函数，隐含层和输出层采用一阶线性传递函数，学习112矿冶工程第35卷
图2遗传算法优化BP流程图其中－10≤x1，x2≤10，该函数是一个复杂的多模问题，具有大量局部极值点，最小值为－1。2种算法分别对2个函数运行20次取平均运算，其中混沌序列的初值为0．65，交叉率pc的上下限为0.5和0．8，变异率pm的上线限为0．01和0．1，，最大迭代次数为200;基本遗传算法交叉率为0．6，变异率为0．01，最大迭代次数为200。结果如表2所示。表2优化测试结果对比函数算法最优值平均值平均迭代次数F1遗传算法改进遗传－1．03－1．0316－0．8137－1．02687．1529．35F2遗传算法改进遗传－0．9988－0．9996－0．7026－0．94679418．13应用实例本文以河南某铝厂热连轧精轧机组为研究对象，其铝热连轧多机架连轧机组是由1台可逆热粗轧机和4台不可逆精轧机串联而构成的连轧生产线。根据现场实际数据，采用改进遗传算法对BP网络进行优化，从而得到BP网络权值、阈值初值设定的最佳参数。遗传算法优化BP网络的目的是在满足精度要求的基础上使网络的初始权值和阈值，网络的误差达最小值。因此，适应度函数为:Jmin=min∑ni=1Pci－PyiPci(14)式中n为带材数;Pci为轧制力的实测值;Pyi为神经网络预测轧制力。根据现场采集的5052铝合金轧制数据，选取500组数据，其中400组数据用来训练，100组数据用来测试。采用的改进遗传各参数选择如下:初始种群个数N取20，最大进化代数取300，混沌序列的初值为0.65，交叉率pc的上下限为0．5和0．8，变异率pm的上线限为0．01和0．1，学习率及动量项均为0．03。采用改进后的遗传算法优化BP神经网络的最终结果为3.1847×10－4。仿真图如图3所示。图3适应度曲线将该算法优化后的权值和阈值作为神经
【作者单位】： 燕山大学工业计算机控制工程河北省重点实验室;国家冷轧板带装备及工艺工程技术研究中心;
【基金】：河北省科技支撑计划项目(13211817) 河北省高等学校创新团队领军人才培训计划项目(LJRC013)资助
【分类号】：TG331
【参考文献】
相关期刊论文 前8条
1 袁晓辉;袁艳斌;王乘;张勇传;;一种新型的自适应混沌遗传算法[J];电子学报;2006年04期
2 杨景明;孙晓娜;车海军;刘畅;;基于蚁群算法的神经网络冷连轧机轧制力预报[J];钢铁;2009年03期
3 李海军;王国栋;徐建忠;刘相华;;使用变尺度混合遗传算法进行热轧负荷分配优化[J];钢铁研究学报;2007年08期
4 骆晨钟,邵惠鹤;采用混沌变异的进化算法[J];控制与决策;2000年05期
5 巩敦卫,朱美强,郭西进,李明;一种新的基于混沌变异解决早熟收敛的遗传算法[J];控制与决策;2003年06期
6 杨景明;陈杨;赵志伟;孙浩;车海军;;基于Φ函数的铝热连轧防打滑轧制规程优化[J];矿冶工程;2013年05期
7 张世华,雎刚;一种实数编码的自适应遗传算法及其在热工过程辨识中的应用研究[J];中国电机工程学报;2004年02期
8 魏立新;李兴强;李莹;杨景明;;基于自适应遗传算法的冷连轧轧制力模型自学习[J];轧钢;2010年03期
【共引文献】
相关期刊论文 前10条
1 彭智;谢玲;;混合优化算法的全局收敛性分析[J];北京理工大学学报;2012年04期
2 程加堂;艾莉;熊伟;;基于蚁群神经网络的滚动轴承故障诊断[J];轴承;2012年02期
3 陈金明;耿丽娜;郑志强;;基于遗传算法的制导炸弹最优滑翔弹道研究[J];弹箭与制导学报;2008年03期
4 张萍;魏平;于鸿洋;费春;;基于混沌的生物地理分布优化算法[J];电子科技大学学报;2012年01期
5 曹蕴;李科阳;姚煜;;基于改进混沌遗传算法的配电网架优化[J];电力科学与工程;2009年05期
6 何禹清;彭建春;毛丽林;曹丽华;;含多个风电机组的配电网无功优化[J];电力系统自动化;2010年19期
7 阳文学;;自适应两段克隆选择算法及其函数优化应用[J];电脑知识与技术;2010年30期
8 李欣然;金群;刘艳阳;林舜江;陈辉华;唐外文;;遗传策略的综合改进及其在负荷建模中的应用[J];电网技术;2006年11期
9 周林;栗秋华;张凤;;遗传投影寻踪插值模型在电能质量综合评估中的应用[J];电网技术;2007年07期
10 袁晓辉;袁艳斌;王乘;张勇传;;一种新型的自适应混沌遗传算法[J];电子学报;2006年04期
相关会议论文 前8条
1 王焱;胡海清;;数据驱动的热轧智能负荷分配[A];中国自动化学会控制理论专业委员会D卷[C];2011年
2 张启义;梅冬;陈亮;;一种遗传算法交叉操作的改进[A];中国运筹学会第十届学术交流会论文集[C];2010年
3 ;Electromagnetism-like Mechanism Particle Swarm Optimization and Application in Thermal Process Model Identification[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
4 ;Real-coding Genetic Algorithm-based Model Identification for Bed Temperature of 300MW CFB Boiler[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年
5 何大阔;王福利;;变焦加速进化遗传算法[A];第二十届中国控制会议论文集（上）[C];2001年
6 陈向阳;苗广祥;牛玉广;;基于遗传算法的两类热工对象的模型辨识[A];中国自动化学会全国第九届自动化新技术学术交流会论文集[C];2004年
7 康波;吕炳朝;;一种混沌遗传算法及其在测试生成中的应用[A];2003年中国智能自动化会议论文集（下册）[C];2003年
8 张育;张祖群;;BP神经网络优化模型在水体富营养化预测的国内进展[A];中国人口·资源与环境2013年专刊——2013中国可持续发展论坛（一）[C];2013年
相关博士学位论文 前10条
1 张明明;面向量子可逆逻辑自动综合的多目标进化算法研究[D];东华大学;2010年
2 张萍;基于群智能优化的运动估计算法研究[D];电子科技大学;2011年
3 李军华;基于知识和多种群进化的遗传算法研究[D];南京航空航天大学;2009年
4 武星;视觉导航的轮式移动机器人运动控制技术研究[D];南京航空航天大学;2010年
5 黄越;数字集成电路自动测试生成算法研究[D];江南大学;2012年
6 姚俊峰;人工智能与混沌理论在铜锍吹炼炉实时仿真与优化决策中的应用研究[D];中南大学;2001年
7 康波;混沌控制与混沌优化及其在组合电路测试生成中的应用研究[D];电子科技大学;2003年
8 宋晓峰;优生演进优化和统计学习建模[D];浙江大学;2003年
9 周斌;基于BP神经网络的内燃机排放性能建模与应用研究[D];西南交通大学;2004年
10 王瑞明;交流伺服驱动系统新型控制策略研究[D];浙江大学;2005年
相关硕士学位论文 前10条
1 裴胜玉;多目标粒子群优化算法及其应用[D];广西民族大学;2010年
2 阳文学;克隆选择算法及其在数据挖掘分类中的应用研究[D];重庆师范大学;2011年
3 张媛媛;智能算法在300MW循环流化床锅炉建模中的研究[D];华北电力大学（北京）;2011年
4 黄存坚;执行器气动定位系统的实验建模[D];杭州电子科技大学;2011年
5 杜新武;基于数据挖掘的销售预测研究[D];山东轻工业学院;2011年
6 陈超;自适应遗传算法的改进研究及其应用[D];华南理工大学;2011年
7 冯超;配电网无功补偿容量优化配置[D];华南理工大学;2011年
8 郭国林;基于进化计算的无人机航迹规划研究[D];电子科技大学;2011年
9 杜勇;4200轧机轧制过程的非线性特性及其振动研究[D];郑州大学;2011年
10 叶甲秋;自动导向小车（AGV）驱动系统辨识与动态特性分析[D];南京航空航天大学;2010年
【二级参考文献】
相关期刊论文 前10条
1 张昀;进化速率的研究与进化理论的统一[J];北京大学学报(自然科学版);1997年06期
2 王梓坤;论混沌与随机[J];北京师范大学学报(自然科学版);1994年02期
3 王军生,矫志杰,赵启林,刘相华;冷连轧过程控制在线负荷分配及修正计算[J];东北大学学报;2001年04期
4 许晓晶,饶妮妮;一类改进遗传算法的图像信息恢复研究[J];电子学报;2004年07期
5 白振华,连家创,王骏飞;冷连轧机以预防打滑为目标的压下规程优化研究[J];钢铁;2003年10期
6 董敏;刘才;李国友;;轧制力预报问题中动态网络模型的实现[J];钢铁;2006年12期
7 白金兰;王军生;王国栋;刘相华;;提高冷轧过程控制轧制力模型的设定精度[J];钢铁研究学报;2006年03期
8 张扬;曲延滨;;基于蚁群算法与神经网络的机械故障诊断方法[J];机床与液压;2007年07期
9 蒋玲艳;张军;钟树鸿;;蚁群算法的参数分析[J];计算机工程与应用;2007年20期
10 武贺;吕立华;;板带轧机负荷分配方法的综述[J];控制工程;2009年S2期
【相似文献】
相关期刊论文 前10条
1 张虎;戴景民;唐红;辛春锁;;改进的遗传算法在粒径测量中的应用[J];光电工程;2008年09期
2 武友德;;基于遗传算法的车削用量优化[J];机床与液压;2007年06期
3 匡宇国;李小英;;基于遗传算法的氧化生产调度应用[J];电镀与环保;2007年04期
4 宋仁国,董敏,张奇志,张宝金,曾梅光;7175铝合金工艺优化的遗传算法[J];材料科学与工程;1998年01期
5 朱迅;杨丽波;刘万辉;;基于改进遗传算法的拉丝机压缩比优化设计研究[J];煤矿机械;2012年12期
6 夏建生;窦沙沙;;拉延模加强筋尺寸优化的智能遗传算法[J];机械设计与研究;2010年05期
7 艾延廷;田晶;高红池;;基于多元质量损失与遗传算法的装配质量优化技术研究[J];中国机械工程;2012年10期
8 陈青艳;廖传林;胡成龙;;非支配排序最优保留遗传算法的低成本车削[J];机床与液压;2013年21期
9 罗仁平,姚华,彭颖红,张永清;预锻模形状设计优化的新方法──微观遗传算法[J];中国机械工程;2001年02期
10 高金莲;杨杰;李春书;;基于遗传算法的装配作业优化[J];机械设计;2007年01期
相关会议论文 前2条
1 范胜波;王太勇;汪文津;冷永刚;;遗传算法在切削力公式参数辨识中的应用[A];2005年中国机械工程学会年会论文集[C];2005年
2 张娜;张文志;焦时光;;基于遗传算法的棒材孔型多目标优化设计[A];2006中国金属学会青年学术年会论文集[C];2006年
相关博士学位论文 前1条
1 廖平;基于遗传算法的形状误差计算研究[D];中南大学;2002年
相关硕士学位论文 前10条
1 葛治亮;基于遗传算法的精密校直机电液伺服系统的研究[D];合肥工业大学;2010年
2 胡威;基于遗传算法的数控压齿机支撑体的优化设计[D];哈尔滨工程大学;2009年
3 陈星宇;基于改进遗传算法的装配生产线平衡技术研究[D];上海交通大学;2011年
4 张庆旭;基于遗传算法的车削用量优化研究[D];内蒙古农业大学;2009年
5 费俊锋;基于遗传算法的复杂机械产品分组选择装配方法研究[D];电子科技大学;2013年
6 王超;基于遗传算法的产品装配生产调度优化研究[D];武汉大学;2005年
7 周洪波;改进的遗传算法及其在H型钢连轧张力控制中的应用研究[D];燕山大学;2007年
8 李浩;基于遗传算法的冲压车间调度算法研究与系统实现[D];华中科技大学;2009年
9 张青;基于遗传算法的数控车间作业调度系统研究及其应用[D];武汉理工大学;2006年
10 石长云;基于多层次遗传算法的机械产品整体方案设计的研究[D];沈阳理工大学;2013年
本文编号：2544100
本文链接：https://www.wllwen.com/kejilunwen/jinshugongy/2544100.html
