基于BP神经网络的铁液碳、硅含量预测.pdf

兔w.xistuiL.com
开发研究 DEVELOPING RESEARCH
基于BP神经网络的铁液碱、硅含量预测
曾怡丹,曲洁(内蒙古工业大学材料科学与工程学院,呼和浩特010051)
摘要:建立在多元回归基础上的传统热分析法存在预测模型函数形式有过强的人为限定,以及对生产条
件变化缺乏自适应的问题,为了解决上述问题,本文把BP神经网络算法用于热分析中,构造预测铁液C、
含量BP神经网络。利用38组实验数据对网络进行训练,获得预测网络模型,然后采用该模型对8组验证样
本进行预测,预测C、Si含量的绝对误差分别为0.12%和0.16%。结果表明:该方法能够遊免建立模型时人为
限定,提高预测精度;对于不稳定的生产条件,具有较强的学习能力和适应能力。
关键词:碳含量,硅含量,预测,BP神经网络,热分析
中图分类号:TG243;文献标识码:A;文章编号:1006-9658(2010)06-4
在普通灰铸铁铸造中,铁液的碳、硅含量是铁液指标与相关因素的回归模型,因此,首先需要人为事
质量的重要指标,它直接影响着铸件的微观组织、石先设定回归方程形式,哪个变量应该被加人到模型
墨形态与分布,进而影响铸件性能。所以,在铁液浇中需要根据经验选择,函数的形式有过强的人为限
入铸型之前,测定其化学成分并及时做出相应的工定,一且选错,将影响预測精度;二是尽管回归方法
艺调整,对于提高铸件质量、降低生产成本具有十分通过大量的统计平均消除了一些波动的影响,但是
重要的意义。目前,除个别大型企业已采用直读光谱对于生产条件不稳定的情况,由于该方法没有自适
测定铁液化学成分外,对于大部分中小企业,铁液炉应能力,预测精度下降,其应用有一定的局限性。
前化学成分检测主要还采用热分析法,因此提高热
人工神经网络是模拟生物神经传递信息的方法
分析方法水平对获得高质量铸件依然有重要意义。而建立的一种计算机人工智能模式识别方法,具有
传统铁液热分析方法是建立在多元回归的基础并行、适应能力强等优点。因此,不需要事先人为设
上,通过测定大量的冷却曲线的特征点(I、Ts等)以定模型,通过样本训练,可以把模型存储于网络之
及相应的化学成分,建立上述参数之间的经验模型,中,网络能够逼近任何非线性模型,很好地解决了
然后把这些模型用于预测铁液的化学成分。这种方模型人为限定的问题。另外,由于神经网络模型良好
法由英国铸铁研究协会( BCIRA)首先提出?,并成的自学习功能,随着样本的不断增加与更新,系统具
功应用于测定铁液的碳当量,实现在炉前对铁液质有较强的适应性,从而不断提高神经网络模型的适
量的控制。上世纪70年代中期,根据冷却曲线测定应性和预报命中率,解决不稳定条件对预测精度影
铁液化学成分C、Si、CE的技术已基本成熟P。后来响的问题。目前已有使用该方法预测铁液中Si含量
随着计算机技术的发展,出现了计算机辅助铁液化的报导01。
学成分预测技术,使热分析在测定成分方面有了进
针对传统热分析中存在的问题,本文采用人工
步的发展。近年来,提高测量精度和预测能力的研神经网络技术预测铁液的化学成分,首先构造了BP
究依然在继续,国内外出现了一批与此相关的专利网络,其次考虑炉料来源不同这一生产中主要不稳
成果5?。
定因素,选用不同产地炉料对网络进行训练,得到预
尽管基于多元回归的传统热分析技术对铁液质测C、Si含量的预测模型。然后对8组数据预测,预
量提高起到了很重要的作用,然而该方法存在如下测结果与实测结果吻合较好
几个方面的问题:一是该技术的核心是建立被预测
实验
基金项目:内蒙古工业大学科研基金资助项目(200204)
本研究选取了不同产地的生铁:本溪生铁、呼市
收稿目期:2010-07-05
文章编号:2010-107
生铁、包头生铁,配以含碳0.3%废钢,对牌号100
作者简介:曾怡丹(1964-),女,刷教授,研究方向:金属液态理论与成350铸铁各配10组不同成分的炉料,共60组
形技术
对所配60组炉料,采用10kg小炉体高频感应
cFMT中国铸造装备与技术6/2010
xuetutu. com
开发研究 DEVELOPNG RESEARCH
熔炼,出炉温度为1400℃左右。对H250以上的铸要求的最小误差值,最终获得预测模型。本文采用
件加入占铁液质量1%的孕育剂(SiFe75),经烘干BP网络误差反传的方法来设计调整参数的学习算
后,包内孕育。采用湿型砂浇注试样。
法,对网络权值、阈值修正。为了有效地限制网络陷
通过计算机数据采集系统测定冷却曲线,热分入局部极小和提高学习效率,学习策略采用动量法
析样杯选用中国一拖集团工艺材料研究所制造树脂和自适应学习率。
砂样杯,确定冷却曲线的特征点T、Ts。通过化学分2.2.2.1输出节点
析实验,测定试样的C、Si含量。
权值修正:7R(ん+1)=T(k)+△Ta
上述实验获得有效数据46组(其余14组因热
其中:权值修正量为△T(k+1)=-mn(k+1)(1-mc)
分析样杯破损、成分误差等未测到有效数据)。
+mc:(R),输出节点误差为6=(r-Q)(∑7
6),mc和mn(k+1)分别为附加动量、自适应学习率,
2BP网络建立
其选用条件见文献9。k为迭代次数。
2.1网络结构
阈值修正:(ん+1)=(k)+△a
经反复测试,Ci预测模?选定的网络结构分
其中:阈值修正量为△(k+1)=n(k+1)(1-mc)
别为2x6x1和2x5x1,选取冷却曲线的TTs两个特
征点作为输入层的节点参数,C、S含量分别作为输6+m△6(k,输出节点误差为6=(tr-Q)r"(∑7
出参数,其网络结构如图1所示。
2.2.2.2隐节点
权值修正:(k+1)+(k)+△
其中:权值修正量为△(k+1)=-m(k+1)(1-mc)
8x+mec△(k)输出节点误差为6」(∑w-a)∑
阈值修正:O(ん+1)=O(k)+△O2
输入层隐层输出层
其中:阈值修正量为△O.(k+1)=m(k+1)(1-mc
图1BP网络结构
2.2网络的输出与训练算法叫
8+mc△(k),输出节点误差为8ー"(∑u-a)
2.2.1网络输出计算
T
本文采用BP网络中,网络隐层中的节点均采用23网络训练
对数S型变换函数,输出层节点采用纯线性变换函
采用 Matlab编写人工神经网络模型程序,对所
数,隐层节点和输出层节点的输出如下
有46组样本随机抽取38组作为训练样本,取初始
(1)隐节点的输出
学习率lr=0.1,最大循环次数e_poch=2000,训练误差
err_goal=0.15,初始动量me=0.3,对网络进行权值o
y=/∑
以及阈值6进行训练学习。训练输出结果见表1。
式中:x一输人节点;
2.4网络预测
y一隐节点;
采用实验所得的8组数据作为检验样本,采用
0一节点的阈值(下标表示不同层节点)
已经过训练的BP网络进行预测,其结果如表2。
输入节点与隐节点间的网络权值
可以看出,在建立普通灰铸铁铁液C、Si含量预
f对数S型变换函数。
测模型过程中,不需要人为事先设定模型,通过训练
2)输出节点的输出
学习可以获得C、i含