平整机制造技术

本发明专利技术专利平整机，涉及一种智能控制方法，特别是一种改进的神经网络控制方法，针对平整机控制对象的非线性和耦合特性，利用改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了一种平整机优化方法；其中改进的神经网络采用作为改进的权值修正方法。

【技术实现步骤摘要】

本专利技术专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用于平整机改造。
技术介绍
平整机是生产汽车板、镀锡板、彩色板等高附加值钢带板材的关键设备。保证平 整机板带材产品质量的关键在于确保轧制过程中轧制速度、前张力和后张力维持稳定，否 则带钢表面可能会出现明暗相间的振纹，张力波动太大，甚至造成断带，中断轧制过程。卷 取机、工作辊和开卷机3个机电子系统是分开设计的，并未考虑正常轧制时各子系统在穿 带后的耦合影响。实际上工作辊速度、前张力、后张力3个参数相互耦合、相互影响，有时 前、后张力会产生强烈的耦合振动，导致轧件表面出现振纹。由于神经网络的学习能力对整 个解耦控制器的解耦性能具有很大的影响，因此本专利技术提出了一种改进的神经网络学习方 法。BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差 最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过 程是一种误差后向传播修正权系数的过程。一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的 快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不 降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法 提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。
技术实现思路
本专利技术利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，其 中控制器中解耦部分对角通道中一支采用PID控制方法，控制器中控制部分对应主通道中 采用改进的神经网络方法，控制器中解耦部分对角通道中另一支采用改进的神经网络方 法，控制器中控制部分对应主通道中采用PID控制方法，提出了一组填料塔装置改造方法。 其中对角矩阵解耦方法和PID控制方法是传统方法，仅对改进的神经网络学习方法加以描 述。BP网络计算的主题步骤(a).置各权值和阀值的初始值Wi/(0)，θ /(0)，(ρ = 1，2. . . Q)其中ρ为第若干 层，Q表示总层数(b).输入训练样本(Iycgdp = 1，2...M)其中M表示输入输出数量，对 每一个样本计算输出和权值修正(c).计算网络各层的实际输出Xp = f(sp) = MwVri)，式中f O为激活函数若其输出与各顶模式对的期望输出不一致，则将其误差信号从输出端反向传播回 来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输入 值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到完成个训练学习为止。以下利用共轭梯度法对权值修正考虑二次型性能函数 其梯度为 其二阶梯度是Hessian矩阵 于是，梯度的改变量是 式 中，α是在时刻延方向p搜索使性能函数E(w)最小的学习率对于二次型性能函数，最优学习率按下式确定 于是，根据共轭 条件，并由于学习率是一个标量，所以 共轭条件就转变为搜索方向p与梯度的改变量Ag正交，而与Hessian矩 阵无关。初始搜索方向p可以是任意的，第1个迭代方向p只要与Ag正交 即可，通常以最速下降方向开始，后续的方向p只要与梯度的改变量序列{Agto]， Ag，... Ag}正交即可。一种简要的方法是采用迭代 其中 附图说明图1为本控制方法的结构2为本方法中改进神经网络的结构图具体实施例方式本专利技术利用改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了 一组平整机改造方法，其中改进的神经网络按以下步骤实现(a).置各权值和阀值的初始值 其中ρ为第若干 层，Q表示总层数(b).输入训练样本(I,，dq), (ρ = 1,2...Μ)其中M表示输入输出数量，对每一个 样本进行(c) (e)步(c).计算网络各层的实际输出 式中f O为激活函数(d).计算梯度g (k)和梯度改变量Δ g (e).修正权值 其中p是关于w(k)序列、β 序列、g序列的函数，如 (f).当样本集中的所有样本都经历了 c e步，即完成一个训练周期，计算性能指 标 (g).如果性能指标猫族精度要求，即E彡ε，那么训练结束，否则转到(b)，继续下 一个训练周期。ε是小的正数，根据实际情况选取。其中β 的计算方法如下n-nk-l)]fAg其中激活函数可采用三角函数、双极性函数、分段函数、sigmoid函数、基于 sigmoid函数的变形函数等。 所述修正权值特指在个迭代计算若干次后，将搜索方向重新设置为梯度方向，再 按(e)迭代。权利要求平整机的技术特征是本专利技术利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，其中控制器中解耦部分对角通道中一支采用PID控制方法，控制器中控制部分对应主通道中采用改进的神经网络方法，控制器中解耦部分对角通道中另一支采用改进的神经网络方法，控制器中控制部分对应主通道中采用PID控制方法，提出了一组平整机改造方法；其中对角矩阵解耦方法和PID控制方法是传统方法，仅对改进的神经网络学习方法加以描述；所述改进的神经网络学习方法流程按以下方式进行(a).置各权值和阀值的初始值wijp(0)，θjp(0)，(p＝1，2...Q)其中p为第若干层，Q表示总层数(b).输入训练样本(Iq，dq)，(p＝1，2...M)其中M表示输入输出数量，对每一个样本进行(c)～(e)步(c).计算网络各层的实际输出xp＝f(sp)＝f(wpxp-1)，式中，f(*)为激活函数(d).计算梯度g(k)和梯度改变量Δg(e).修正权值其中p是关于w(k)序列、β序列、g序列的函数，如P＝βP-g(f).当样本集中的所有样本都经历了(c)～(e)步，即完成一个训练周期，计算性能指标，(g).如果性能指标猫族精度要求，即E≤ε，那么训练结束，否则转到(b)，继续下一个训练周期。ε是小的正数，根据实际情况选取。F2009100480084C00011.tif,F2009100480084C00012.tif2.根据权利要求项1，所述激活函数的技术特征是激活函数可采用三角函数、双极性函数、分段函数、sigmoid函数、基于sigmoid函数 的变形函数，等。3.根据权利要求项1，所述修正权值的技术特征是所述修正权值特指在个迭代计算若干次后，将搜索方向重新设置为梯度方向，再按(e) 迭代。4.根据权利要求项1，所述β的技术特征是 ^ PrAg°全文摘要本专利技术专利平整机，涉及一种智能控制方法，特别是一种改进的神经网络控制方法，针对平整机控制对象的非线性和耦合特性，利用改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了一种平整机优化方法；其中改进的神经网络采用作为改进的权值修正方法。文档编号G06N3/08GK101846969SQ200910048008公开日2010年9月29日 申请日期2009年3月23日 优先权日2009年3月23日专利技术者程明 申请人:上海都峰智能科技有限公司本文档来自技高网...

【技术保护点】
平整机的技术特征是：本专利技术利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，其中控制器中解耦部分对角通道中一支采用ＰＩＤ控制方法，控制器中控制部分对应主通道中采用改进的神经网络方法，控制器中解耦部分对角通道中另一支采用改进的神经网络方法，控制器中控制部分对应主通道中采用ＰＩＤ控制方法，提出了一组平整机改造方法；其中对角矩阵解耦方法和ＰＩＤ控制方法是传统方法，仅对改进的神经网络学习方法加以描述；所述改进的神经网络学习方法流程按以下方式进行：（ａ）．置各权值和阀值的初始值ｗ↓［ｉｊ］↑［ｐ］（０），θ↓［ｊ］↑［ｐ］（０），（ｐ＝１，２．．．Ｑ）其中ｐ为第若干层，Ｑ表示总层数（ｂ）．输入训练样本（Ｉ↓［ｑ］，ｄ↓［ｑ］），（ｐ＝１，２．．．Ｍ）其中Ｍ表示输入输出数量，对每一个样本进行（ｃ）～（ｅ）步（ｃ）．计算网络各层的实际输出ｘ↑［ｐ］＝ｆ（ｓ↑［ｐ］）＝ｆ（ｗ↑［ｐ］ｘ↑［ｐ－１］），式中，ｆ（↑［＊］）为激活函数（ｄ）．计算梯度ｇ（ｋ）和梯度改变量Δｇ［ｋ］（ｅ）．修正权值ｗ（ｋ＋１）＝ｗ（ｋ）＋ｗ［ｋ］Δｇ［ｋ－１］／ｗ［ｋ－１］Δｇ［ｋ－１］Ｐ（ｋ）其中ｐ［ｋ］是关于ｗ（ｋ）序列、β［ｋ］序列、ｇ［ｋ］序列的函数，如Ｐ［ｋ＋１］＝β［ｋ＋１］Ｐ［ｋ］－ｇ［ｋ＋１］（ｆ）．当样本集中的所有样本都经历了（ｃ）～（ｅ）步，即完成一个训练周期，计算性能指标，Ｅ（ｗ）＝１／２ｗ↑［Ｔ］Ｑｗ＋ｂ↑［Ｔ］ｗ＋ｃ（ｇ）．如果性能指标猫族精度要求，即Ｅ≤ε，那么训练结束，否则转到（ｂ），继续下一个训练周期。ε是小的正数，根据实际情况选取。...

【技术特征摘要】

【专利技术属性】
技术研发人员：程明，
申请(专利权)人：上海都峰智能科技有限公司，
类型：发明
国别省市：31[中国|上海]