基于多RBF神经网络的板形数据建模.pdf
版权申诉
117 浏览量
2021-09-25
21:23:29
上传
评论
收藏 1.55MB PDF 举报
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