PDF《辊底式热处理炉钢板温度监测系统 研究》

3 . 1钢板温度监测方案的 B P神经网络构成 该加热炉钢板温度监测方案确定的 B P神经网络是在各炉膛 B P神经网络 的基础上 , 由前一炉膛 B P 神经网络的计算获得的钢板输出温度 ,作为下一炉膛 B P神经网络钢板的输入温度 ,串联形成监测系统 的BP神经网络.钢板加热过程监测方案的 B P神经网络构成如图

2 .

3 . 2各炉膛钢板温度监测 B P神经网络构成的假设条件 加热时『日]1()假设各炉膛 中加热气体燃烧时炉膛温度升高相互之间没有影响, 不影 个+.,n.响各炉膛加热 B P神经网络经 自学习所构成的权值函数矩阵 , 所产生的钢 儿~席板温度计算误差 , 由钢板输入输 出温度参数的采集 以各炉膛气体燃烧相互 炉温檄・作用的实际条件下获得补偿 , 故网络权值函数矩阵的确定与炉膛气体燃烧 的实际情况相近. 加热时间2锄缇

3 . 3钢板温度监测 B P神经网络信息的特性函数确定 一.每当信息向网络输入时 , 信息从输入层传至隐含层 , 再传人输出层输 ~ : 出, 每经过一层都要由相应的特性 函数进行变换 , 该特性函数( 激励函数 ) 加炉i蛊梯'

必须是可微的.该方案在信息从输入层传至隐含层时特性 函数定义为 s 型函数 ;

信息由隐含层传至输 出层时特性 函数定义为线性函数 (

1 i n e o 保温时『日]1'

铜彀温度3s型函数:s ( x ) = l , (

1 + 已)(1)t33O3…一加拱 温度 s型函数的可微特性 :― d S ( ― x ) : f 一f11(2) .. 檄…一3.4BP神经网络的 B P算法规则 保温时间2锄嘘 学习的 目的是对网络连接权值矩阵中的权值元素进行调整 , 使得对任 个十.n.一输入都能得到所期望的输出, 且输出值与期望值的误差的平方和最小, ~ 一 二灌 府 作为判定学习程度和质量好坏 的主要依据 , 同时也要防止权值函数调整掉 琳温.. 梯度入局部最优的缺陷状态 ,产生不合理的权值矩阵函数. BP网络算法 的学习步骤 : '

(

1 ) 确定初始权值矩阵列. (

2 ) 从训练样例集 中取一样例组 ,把输入信息输入 B P神经网络. ( 3)由各加热炉膛 B P神经网络分别计算出各节点的输出. 备蚌友出皱(4)计算各加热炉膛 B P神经网络的实际输出与期望输 出的误差. ( 5) 从各加热炉膛 BP 神经网络输 出层反向误差计算到第一隐含层 , 图 2监测方案B P 网络构成 按一定原则向小误差方向调整各节点的连接权值. ( 6) 对训练样例集 中每一样例组重复以上步骤 , 直到整个训练样例集 加热 时间钢 板温 度 的误差达到要求时为止,即输出值与期望值的误差的平方和最小,此时的 T T t n 权值矩阵列可作为各层节之间信息传递的传递 函数 ,由输入信息计算输出 一加热温度信息. 梯度3.5各炉膛钢板温度 BP神经网络预 自组织学 习的 B P算法 . .

3 .

5 .

1 B P神经网络初始权值矩阵的确定 压图3为每一炉膛 B P神经网络构成 , 在进行 B P神经网络 的信息传递和 '

I n + l 权值矩阵调整学习前 ,必须事先确定一初始权值矩阵. 图3炉膛B P 网 络构成 维普资讯 http://www.cqvip.com 第2

0 卷第1 期 何庆中等: 辊底式热处理炉钢板 温度监测 系统研究

3 J , w w '

w '

【 w w w (

3 ) 似)(4)3.5.2BP神经网络信息的传递计算 网络信息从输人层到隐含层( 第一层到第二层) 可得到隐含层各节点的输出值D).tnD其中n为训练样例组序号 ( n = l 、2 、3 、4 、…… o 从隐 含层到 输出 层( 第 二层到 第 三层) 的 输出 值钢 板温 度川).‰):)(5) ( 6)