摘  要： 當(dāng)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(xué)習(xí)模型重新分配壓下量。自學(xué)習(xí)模型中訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)（ANN）可用于預(yù)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(xué)習(xí)參數(shù)相互之間的關(guān)系，給出優(yōu)化的調(diào)整值。
關(guān)鍵詞： 重軌矯直；自學(xué)習(xí)；ANN；智能學(xué)習(xí)

    作為重軌生產(chǎn)中的最后變形工藝，矯直對提高重軌質(zhì)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(jié)構(gòu)參數(shù)模型、應(yīng)力應(yīng)變模型和自學(xué)習(xí)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(jié)果會導(dǎo)致矯直壓力參數(shù)的變化。但因所建立的數(shù)學(xué)模型帶有平均性質(zhì)，用這樣的模型來預(yù)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(yù)報精度，故需建立一套方法來解決，自學(xué)習(xí)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(fù)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(guān)系，采用形式化語言，概括或近似表達(dá)出來的一種數(shù)學(xué)結(jié)構(gòu)。通過科學(xué)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(fù)合矯參數(shù)模型的基本任務(wù)是根據(jù)來料條件及對成品的要求，通過數(shù)學(xué)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(fù)合矯參數(shù)模型包含如下幾個部分：
    （1）結(jié)構(gòu)參數(shù)模型，用于計算和分析平立復(fù)合矯直過程中的輥徑，由此確定各輥預(yù)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(zhuǎn)矩。
    （3）工藝參數(shù)模型，用于計算和分析平立復(fù)合矯各輥的壓彎量。
    （4）平直度模型，計算在初始設(shè)定參數(shù)的情況下，模型能夠得到的矯直效果。
    （5）自學(xué)習(xí)模型，從數(shù)據(jù)庫中存儲的歷史數(shù)據(jù)中智能學(xué)習(xí)參數(shù)相互之間的關(guān)系，給出優(yōu)化的調(diào)整值。
    （6）應(yīng)力應(yīng)變模型，為自學(xué)習(xí)模型實現(xiàn)智能化提供樣本數(shù)據(jù)庫支持。
2 自學(xué)習(xí)模型的建立
    為實現(xiàn)自學(xué)習(xí)功能，需要建立一個自學(xué)習(xí)數(shù)學(xué)模型，要提高模型的精度，需要運(yùn)用所獲取的數(shù)據(jù)，對數(shù)學(xué)模型不斷進(jìn)行修正。然而，在實際過程中，運(yùn)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(fù)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(xué)模型，且隨著系統(tǒng)復(fù)雜度的增大，輸入與輸出之間的規(guī)則難以建立和維護(hù)。因此，ANN被引入使用。
2.1 人工神經(jīng)網(wǎng)（ANN）的應(yīng)用
    由于ANN不需要預(yù)先給出有關(guān)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(jìn)行訓(xùn)練而獲得某種映射關(guān)系，因此它在模式識別領(lǐng)域的應(yīng)用越來越廣泛。ANN不僅可根據(jù)樣本進(jìn)行學(xué)習(xí)，改善模式識別能力，而且無需對模式分布進(jìn)行一些統(tǒng)計上的假設(shè)，突破了傳統(tǒng)智能算法技術(shù)的束縛。
    自學(xué)習(xí)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(shè)征兆空間為X，解空間為Y，自學(xué)習(xí)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(xué)模型來描述，但ANN可以通過學(xué)習(xí)輸入到輸出的樣本集，實現(xiàn)輸入到輸出的映射關(guān)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(jìn)行訓(xùn)練，訓(xùn)練后的網(wǎng)絡(luò)可以學(xué)會輸入樣本與輸出樣本之間的內(nèi)在聯(lián)系，并把這種“知識”存儲在各神經(jīng)元的連接權(quán)值上。訓(xùn)練好的網(wǎng)絡(luò)可用來替代映射關(guān)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(xué)習(xí)的關(guān)鍵點(diǎn)是輸入輸出樣本集的構(gòu)建和神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的選擇。
    運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時，需要大量的輸入輸出樣本來構(gòu)成樣本集，神經(jīng)網(wǎng)絡(luò)通過對樣本集中數(shù)據(jù)的訓(xùn)練來學(xué)習(xí)輸入和輸出之間的映射關(guān)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(luò)的輸入，用上述輥對應(yīng)的調(diào)整系數(shù)（如水平矯中2號輥的調(diào)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(luò)輸入輸出樣本集，建立了訓(xùn)練樣本輸入輸出表，部分?jǐn)?shù)據(jù)如表1和表2所示。表中的數(shù)據(jù)可用來指導(dǎo)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練好的ANN可用于預(yù)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(xùn)練算法
    本項目提出采用RBFNN作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法。
    RBFNN結(jié)構(gòu)與BPNN結(jié)構(gòu)類似，也是由輸入層、隱層和輸出層組成的前饋網(wǎng)絡(luò)，其結(jié)構(gòu)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(luò)結(jié)構(gòu)參數(shù)，用表1和表2中的樣本數(shù)據(jù)對其訓(xùn)練后可以用于平立復(fù)合矯各輥的壓下量調(diào)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(dāng)不能滿足矯直的工藝要求時，自學(xué)習(xí)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(xué)習(xí)參數(shù)相互之間的關(guān)系，給出優(yōu)化的調(diào)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(yīng)用中取得很好的效果。
參考文獻(xiàn)
[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(fù)合重軌矯直機(jī)的矯直力計算[J]．燕山大學(xué)學(xué)報，2005，(29)：448-450.
[3] 吳洪巖，劉淑華，張崳.基于RBFNN的強(qiáng)化學(xué)習(xí)在機(jī)器人導(dǎo)航中的應(yīng)用[J].吉林大學(xué)學(xué)報，2009，27（2）：185-190.