基于多 RBF 神经网络的板形数据建模
①
张秀玲
1,2
, 代景欢
1
, 康学楠
1
, 李金祥
1
, 魏楷伦
1
(1.燕山大学 河北省工业计算机控制工程河北省重点实验室,河北 秦皇岛 066004; 2.燕山大学 国家冷轧板带装备及工艺工程技术研究中心,河北 秦
皇岛 066004)
摘 要: 常规单 RBF 神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响,为此设计了多 RBF 神经网络板形识
别模型,用多个子网络分别识别不同的特征参数,能够更直接、更充分的提取出输入与每个输出的关系。 仿真研究结果表明:所设
计的多 RBF 神经网络板形识别模型能够正确识别出全部板形缺陷的类型,并且识别精度上比单 RBF 神经网络板形识别模型提高
了 16.1%。
关键词: 板形识别; 主成分分析; 多 RBF 神经网络; 遗传算法
中图分类号: TG333 文献标识码: A doi:10.3969/ j.issn.0253
-
6099.2019.06.031
文章编号: 0253
-
6099(2019)06
-
0124
-
05
Plate Data Modeling Based on Multiple RBF Neural Networks
ZHANG Xiu⁃ling
1,2
, DAI Jing⁃huan
1
, KANG Xue⁃nan
1
, LI Jin⁃xiang
1
, WEI Kai⁃lun
1
(1.Key Laboratory of Industrial Computer Control Engineering of Hebei Province, Yanshan University, Qinhuangdao
066004, Hebei, China; 2. National Engineering Research Center for Equipment and Technology of Cold Strip Rolling,
Yanshan University, Qinhuangdao 066004, Hebei, China)
Abstract: Conventional plate recognition model with single RBF neural network cannot identify the influence of input
variation on each characteristic parameter. Thus, a plate recognition model with multiple RBF neural networks was
designed to solve this problem, which can identify different parameters with multiple sub⁃networks, and extract the
relationship between each input and output more directly and adequately. The simulation results show that this plate
recognition model with multiple RBF neural networks can identify all types of plate defects, with the recognition accuracy
16.1% higher compared with the plate recognition model with single RBF neural network.
Key words: plate recognition; principal component analysis; multiple RBF neural networks; genetic algorithm
板形识别即从板形仪检测到的离散应力信号中识
别出板带钢的板形缺陷类型的过程
[1]
,主要任务就是
运用数学方法把板形仪检测到的离散的板形应力值,
变换为较少几个特征参数。 板形识别的效果会直接影
响板形控制效果
[2
-
3]
,所以建立精确的板形识别模型,
对于提高板带材的生产品质具有重要意义。
对于板形识别,当前研究主要围绕图像识别
[4
-
5]
或信号识别两大类。 基于信号识别的研究又分为以下
4 个方面:① 信号去噪声处理研究,如文献[6]在应用
最速离散跟踪微分器对板形信号进行滤波处理后,识
别精度和抗干扰能力都有很好效果;文献[7] 利用小
波去噪的方法来处理板形实测信号中的噪声信号,去
噪效果显著。 ② 特征提取方法研究,直接将实际测得
的板形信号 作为模 型输入
[8]
,模 型的结 构会 十分 复
杂;为简化网络结构,常规方法采用待识别样本与常见
板形基本模式的欧氏距离作为模型输入
[9]
。 ③ 模型
设计与改进研究,如文献[10]用一个 RBF 网络来学习
云推理网络输出与标准输出的误差,以此来对模型进
行校正,提高了模型的精度。 ④ 模型优化算法的研
究,如文献[11]中用改进遗传算法优化的 Elman 网络
进行板形识别,模型收敛速度快且识别精度高。
本文借鉴多模型建模,通过减小建模范围来提高
模型精度的思想,改进常规单 RBF 神经网络板形识别
模型,设计出多 RBF 神经网络板形识别模型。 不同于
①
收稿日期: 2019
-
06
-
21
基金项目: 河北省自然科学基金⁃钢铁联合研究基金项目(E2015203354);河北省高校创新团队领军人才培育计划项目(LJRC013);河北省教育
厅科学研究计划河北省高等学校自然科学研究重点项目(ZD2016100);2016 年燕山大学基础研究专项培育课题(16LGY015)
作者简介: 张秀玲(1968
-
),女,山东章丘人,博士,教授,主要研究方向为基于人工智能的复杂系统建模、控制、模式识别及计算机仿真。
第 39 卷第 6 期
2019 年 12 月
矿 冶 工 程
MINING AND METALLURGICAL ENGINEERING
Vol.39 №6
December 2019
评论0
最新资源