摘  要： 當重軌矯直參數(shù)控制模型的計算參數(shù)模型給出的壓下量不能滿足工藝要求時，需要建立一個自學習模型重新分配壓下量。自學習模型中訓練好的人工神經(jīng)網(wǎng)絡（ANN）可用于預測下次計算模型的分配系數(shù)，從而得出一個較優(yōu)的初始壓下量輸入值，采用RBFNN算法從數(shù)據(jù)庫中存儲的歷史數(shù)據(jù)中智能學習參數(shù)相互之間的關系，給出優(yōu)化的調整值。
關鍵詞： 重軌矯直；自學習；ANN；智能學習

    作為重軌生產(chǎn)中的最后變形工藝，矯直對提高重軌質量、提高成材率等具有重要意義。為實現(xiàn)對重軌矯直過程參數(shù)的精確控制，開發(fā)了平直度模型、力能參數(shù)模型、工藝參數(shù)模型、結構參數(shù)模型、應力應變模型和自學習模型等重軌矯直參數(shù)控制模型。由于在矯直過程中有許多不確定因素，如變形抗力、重軌表面摩擦系數(shù)、表面溫度、來料厚度等，其結果會導致矯直壓力參數(shù)的變化。但因所建立的數(shù)學模型帶有平均性質，用這樣的模型來預報某特定條件下某一重軌的矯直壓下量，必然會出現(xiàn)偏差。這種測量值與計算值的偏差，再加上參數(shù)檢測所帶來的測量誤差，必然影響模型的預報精度，故需建立一套方法來解決，自學習模型就是為滿足這個需求而建立的。
1 重軌矯直參數(shù)控制模型
    平立復合矯參數(shù)模型是矯直過程中各參數(shù)和變量之間所存在的某種數(shù)量相互之間的關系，采用形式化語言，概括或近似表達出來的一種數(shù)學結構。通過科學理論和生產(chǎn)實踐，研究建立重軌鋼矯直過程中理論統(tǒng)計型模型的方法和程序。
    平立復合矯參數(shù)模型的基本任務是根據(jù)來料條件及對成品的要求，通過數(shù)學計算參數(shù)模型的計算，確定各輥的位移量、矯直力、速度等，以保證獲得盡可能符合要求的重軌鋼成品。模型計算流程如圖1所示。

    根據(jù)圖1所示的計算要求可知，平立復合矯參數(shù)模型包含如下幾個部分：
    （1）結構參數(shù)模型，用于計算和分析平立復合矯直過程中的輥徑，由此確定各輥預壓下量，是最重要的控制模型之一。
    （2）力能參數(shù)模型，用于計算矯直力和工作轉矩。
    （3）工藝參數(shù)模型，用于計算和分析平立復合矯各輥的壓彎量。
    （4）平直度模型，計算在初始設定參數(shù)的情況下，模型能夠得到的矯直效果。
    （5）自學習模型，從數(shù)據(jù)庫中存儲的歷史數(shù)據(jù)中智能學習參數(shù)相互之間的關系，給出優(yōu)化的調整值。
    （6）應力應變模型，為自學習模型實現(xiàn)智能化提供樣本數(shù)據(jù)庫支持。
2 自學習模型的建立
    為實現(xiàn)自學習功能，需要建立一個自學習數(shù)學模型，要提高模型的精度，需要運用所獲取的數(shù)據(jù)，對數(shù)學模型不斷進行修正。然而，在實際過程中，運用所獲取的數(shù)據(jù)來判斷被監(jiān)測對象的狀態(tài)是一種復雜的非線性推理過程，在這一過程中難以建立明確的數(shù)學模型，且隨著系統(tǒng)復雜度的增大，輸入與輸出之間的規(guī)則難以建立和維護。因此，ANN被引入使用。
2.1 人工神經(jīng)網(wǎng)（ANN）的應用
    由于ANN不需要預先給出有關模式的經(jīng)驗知識和判別函數(shù)，能對來自不同狀態(tài)的信息逐一進行訓練而獲得某種映射關系，因此它在模式識別領域的應用越來越廣泛。ANN不僅可根據(jù)樣本進行學習，改善模式識別能力，而且無需對模式分布進行一些統(tǒng)計上的假設，突破了傳統(tǒng)智能算法技術的束縛。
    自學習的過程實際上是把征兆空間的向量映射到解空間的過程。假設征兆空間為X，解空間為Y，自學習的工作即實現(xiàn)空間X到空間Y的映射F：
    F：X→Y(1)
    通常，映射F是未知的，并且難以用明確的數(shù)學模型來描述，但ANN可以通過學習輸入到輸出的樣本集，實現(xiàn)輸入到輸出的映射關系，其作用可用圖2表示。

      在圖2中，x和x′為輸入空間的樣本，y和y′為輸出空間的樣本。用部分已知輸入樣本x和輸出樣本y對ANN進行訓練，訓練后的網(wǎng)絡可以學會輸入樣本與輸出樣本之間的內在聯(lián)系，并把這種“知識”存儲在各神經(jīng)元的連接權值上。訓練好的網(wǎng)絡可用來替代映射關系F，完成已知輸入樣本x′到未知輸出樣本y′的映射。采用ANN實現(xiàn)自學習的關鍵點是輸入輸出樣本集的構建和神經(jīng)網(wǎng)絡訓練算法的選擇。
    運用神經(jīng)網(wǎng)絡進行故障診斷時，需要大量的輸入輸出樣本來構成樣本集，神經(jīng)網(wǎng)絡通過對樣本集中數(shù)據(jù)的訓練來學習輸入和輸出之間的映射關系。
    以60 kg/m重軌鋼為例，用水平矯中2號輥（R2H）、4號輥（R4H）、6號輥（R6H）、8號輥（R8H）和9號輥（R9H），以及垂直矯中2號輥（R2V）、4號輥（R4V）、6號輥（R6V）和8號輥（R8V）的壓下量作為網(wǎng)絡的輸入，用上述輥對應的調整系數(shù)（如水平矯中2號輥的調整系數(shù)為R2HC）作為輸出，通過現(xiàn)場記錄的數(shù)據(jù)，形成神經(jīng)網(wǎng)絡輸入輸出樣本集，建立了訓練樣本輸入輸出表，部分數(shù)據(jù)如表1和表2所示。表中的數(shù)據(jù)可用來指導神經(jīng)網(wǎng)絡的訓練。訓練好的ANN可用于預測下次計算模型的分配系數(shù)，從而得出一個較優(yōu)的初始壓下量輸入值。

2.2 RBFNN訓練算法
    本項目提出采用RBFNN作為神經(jīng)網(wǎng)絡的訓練算法。
    RBFNN結構與BPNN結構類似，也是由輸入層、隱層和輸出層組成的前饋網(wǎng)絡，其結構如圖3所示。對于從X→Y的映射，RBFNN可寫為：

 
    采用上述步驟可以確定RBFNN的網(wǎng)絡結構參數(shù)，用表1和表2中的樣本數(shù)據(jù)對其訓練后可以用于平立復合矯各輥的壓下量調整系數(shù)的計算。
    從重軌參數(shù)控制模型中的計算模型得出矯直的初始壓下量，當不能滿足矯直的工藝要求時，自學習模型采用RBFNN算法從數(shù)據(jù)庫中存儲的歷史數(shù)據(jù)中智能學習參數(shù)相互之間的關系，給出優(yōu)化的調整值，使得矯直控制模型能很好地控制重軌的矯直工藝，并在實際應用中取得很好的效果。
參考文獻
[1] 崔莆．矯直理論與參數(shù)計算(第二版)[M]．北京：北京工業(yè)出版社，1994．
[2] 于鳳琴，于輝，杜鳳山.復合重軌矯直機的矯直力計算[J]．燕山大學學報，2005，(29)：448-450.
[3] 吳洪巖，劉淑華，張崳.基于RBFNN的強化學習在機器人導航中的應用[J].吉林大學學報，2009，27（2）：185-190.