D0I:10.13374/j.iss1001-053x.2001.01.040 第23卷第1期 北京科技大学学报 Vol.23 No.1 2001年2月 Journal of University of Science and Technology Beijing Feb.2001 宝钢F钢大生产产品性能预测 初元璋祁鹏张娅 北京科技大学材料科学与工程学院，北京100083 摘要以BP算法为基础开发了AN学习预测系统，用于宝钢F钢大生产产品性能预测. 同时，应用在宝钢F钢大生产数据对该系统进行了测试和分析，并与多元线性回归结果进行预 测精度比较.结果表明，ANN学习预测系统，除：误差较高(9.0%)外，，6，r和n值均<5.0%，且 比多线性回归方法精度高. 关键词BP算法；IF钢；性能预测 分类号TG335.5 自1995年宝钢F钢投入大生产以来，已达 冶金学研究和对F钢大生产数据分析的深人， 到年产10万t的水平.但是在F钢生产中还 以及F钢系列新品种的不断开发，对影响F钢 存在着一定问题，主要表现是产品的质量不稳 性能的因素和所关心的F钢的性能认识会有 定.由于F钢的生产过程中影响F钢最终产品 所变化四，这将会导致BP网络的输入、输出节点 性能的因素较多，而且各影响因素对性能的影 的个数和各个节点所代表的物理意义的变化. 响和各因素之间的相关作用复杂，目前还没有 因此，在设计BP网络的拓扑结构和数据结构 得到可靠的数学模型，无法在生产过程中准确 时，应使各层的节点数可以随所处理数据的组 地预测产品性能和产品可能会出现的性能问 成的变化而变化. 题，进而在后序生产过程中应采取相应的补救 F钢大生产过程中采集的数据量大，且不 措施. 断有新数据加入.因此，在设计BP网络时，应使 本文研究开发了预测精度较高的ANN系 其具有随时添加可学习样本的能力.此外，为了 统，采用较为合理的方法对这些数据进行处理， 尽可能地减小BP算法学习和预测的误差，在网 实现F钢大生产产品性能的预测，用于生产和 络的数据结构和拓扑结构设计中除了要便于误 产品质量的控制 差的计算和权值的修正外，还要设法使样本数 据的归一、样本随机排序简单易行. 1BP网络的设计与实现 为了实现上述目的，在实现BP网络时，采 BP网络作为最常用的一种人工神经元网 用了以下的处理方法： 络算法，具有很强的函数逼近能力和自学习、自 (1)所有样本数据和网络节点均采用链表 组织能力，可以在没有数学模型的条件下，根据 结构.例如，输人层每个节点就是输入层链表的 可靠的数据建立起自变量与因变量间的映射关 一个节点，其数据结构如图1所示. 系，因而比较适合于F钢大生产产品性能的预 这样，每个节点中记录了可以找到下一个 测.同时，BP网络是人工神经网络中应用最为 节点的信息，如果在程序中记下了输人层的第 成熟和广泛的一种算法，应用该算法解决F 一个节点，就可以按顺序找到每一个输人层节 钢大生产产品性能预测的问题是可行的. 点.同样，输入数据、输出数据、隐层节点、输出 F钢大生产中，影响最终产品性能的因素 层节点均采用类似的数据结构.这样既可以方 (包括：化学成分、各个工序工艺参数、产品规格 便、可靠地找到每一个数据，又可以方便地保证 等)很多，且关系复杂，随着对F钢生产过程的 各项数据信息的正确传递.图2所示就是从输 人数据到隐层节点的数据对应关系.从图中可 收稿日期：200007-04初元璋男，54岁，副教授 以着出，尽管各层和数据层面之间的对应关系 *国家“九五”攻关资助项目No.95-527-01-01-09)
1 3 2 第 卷 第 期 1 2 2 年 月 0 0 北 京 科 技 大 学 学 报 J O u r n a l U o f n i v e r i t s y o f S e i c e e n n a 介 d e h o n l o g y B e i j i g n b 、 l . N 3 2 O 一 l F e b 。 1 2 0 0 I 宝钢 钢大生产产品性能预测 F 初元璋 祁 鹏 张 娅 北京科技大学材料科学与工程学 院 , 北京 10 0 0 83 摘 要 以 B P 算法 为基础开发 了 A N N 学习预 测 系统 , 用于 宝钢 IF 钢大生产 产 品性能 预测 ` 同时 , 应 用在宝 钢 IF 钢大生产 数据对该系统进行了测试和 分析 ,并与 多元线性回归结果进行预 测精度 比较 . 结果表 明 , A N N 学 习预 测 系统 ,除 a0 2 误差较高.(9 O% )外 , 巩 , 咨 , 尸 和 n 值均 5< .0 % , 且 比多 线性 回归 方法精度 高 . 关键 词 B P 算法 ; IF 钢 ; 性能 预测 分类号 T G 33 5 . 5 自 19 5 年宝钢 IF 钢投人大生 产 以来 , 已达 到年产 10 万 t 的水平 . 但 是在 IF 钢 生产 中还 存在着一 定问题 , 主要表 现是产 品的质 量不稳 定 . 由于 IF 钢的生产过 程 中影 响 IF 钢 最终产 品 性能 的因素较多 , 而且各影 响 因素对 性能 的影 响和各 因 素之间 的相 关作用复 杂 , 目前 还没有 得到可靠 的数学模 型 , 无法 在生产过程 中准确 地 预测 产 品 性 能 和 产 品 可 能会 出现 的性 能 问 题 , 进而在后序 生产过程 中应采取相应 的补救 措施 . 本文研究 开发 了预 测精度较 高的 A N N 系 统 , 采用较为合理 的方法对这些数据进行处理 , 实现 IF 钢大生 产产 品性 能的预 测 , 用 于生产和 产 品质量 的控制 . 1 B P 网络的设计与实现 B P 网络 作为最 常用 的一种人 工神经 元 网 络算法 , 具有很强 的函数逼近能力 和 自学 习 、 自 组织能力 , 可 以在没有数学模型 的条件下 , 根据 可靠的数据建 立起 自变量与 因变量间的映射关 系 , 因而 比较适 合于 IF 钢大生 产产 品性 能 的预 测 . 同时 , B P 网络 是人工神 经网 络 中应用 最为 成熟和 广泛 的 一种算法 〔3] , 应 用该算 法解决 IF 钢大生产产 品 性能预测 的问题是 可行 的 . IF 钢大生产 中 , 影 响最终产 品 性能 的 因素 (包 括 : 化学成 分 、 各个 工序工艺参数 、 产品 规格 等)很多 , 且关 系复杂 . 随着 对 lF 钢生产过 程的 收稿 日期 : 2 0 0刁 7刃4 初元璋 男 , 54 岁 , 副教授 * 国家 “ 九五 ” 攻关 资助 项 目(N 。 . 95 · 5 27 一 01 一 01 一 09 ) 冶金学研究和 对 IF 钢 大生产数据 分析 的深人 , 以及 IF 钢 系列新 品种 的不断 开发 , 对影响 IF 钢 性能 的因 素和所关 心 的 IF 钢 的性能认 识会有 所变化 l2] , 这将会导致 B P 网络 的输入 、 输 出节点 的个 数和各个 节点所 代表 的物理 意义 的变化 . 因此 , 在设计 B P 网络 的拓扑结构 和 数据结构 时 , 应 使各层 的节点数 可以 随所处理数据 的组 成 的变 化而变化 . IF 钢大 生产过程 中采集 的数 据量大 , 且不 断有新数据加人 . 因此 , 在设计 B P 网络时 , 应使 其具有随时添加可学 习样本的能力 . 此外 , 为了 尽可能地减小 B P 算法学习 和预测 的误差 , 在 网 络的数据结构和 拓扑结构设计 中除了要便于误 差 的计算 和权值 的修正外 , 还要设法 使样本数 据的归一 、 样 本随机排 序简单易行 , 为 了实 现上述 目的 , 在 实现 B P 网 络时 , 采 用 了 以下 的处理方法 : ( 1) 所有样 本数据 和 网 络节点均 采用链 表 结 构 . 例 如 , 输人层每个节点就是输人层链表的 一 个节点 , 其 数据结构 如图 1 所 示 . 这样 , 每个 节点 中记 录了 可 以找 到下一个 节点 的信 息 . 如果在程序 中记 下 了输人层 的第 一 个节点 , 就 可 以 按顺序找 到每一个输人层节 点 . 同样 , 输人 数据 、 输 出数 据 、 隐层节点 、 输 出 层 节点均采用 类似 的数 据结构 . 这样既可 以方 便 、 可靠地找到每一个数据 , 又 可 以方便地保证 各项 数据信息的正确传 递 . 图 2 所示就是从输 人数 据到 隐层 节点 的数 据对应关 系 . 从 图中可 以着出 , 尽 管各层和数 据层面之 间的对应关 系 DOI: 10. 13374 /j . issn1001 -053x. 2001. 01. 040
Vol.23 No.1 初元璋等：宝钢F钢大生产产品性能预测 ·49· 数据十数据 next(指向下一节点的指针) 图1BP网络单个输入层节点的数据结构 Fig.1 Deta structure of input layer node of BP neural networds 字段链表头 data data data data data data data data 输人层头节点N N N data data data data 隐层头节点 8 N ④ n Wt Wt Wt wt In wt Wt Wt Wt : Wt Wt Wt Wt V- In Wt Wt Wt Wt W 图2样本记录中字段、输入层节点、隐层间节点对应关系 图中阴影框表示相应数据为空，细线箭头为指针，带纹理的粗箭头为数据流向，其一侧圆圈内运算符是与其所连接 数据的关系；图中data代表字段链表中节点保存的数据，In代表输人值，N代表next指针，W代表权值链表的头指 针，W代表权值链表中节点保存的权值. Fig.2 Corresponding relationship among fields in simple records,nodes in input layer and nodes in hidden layer 很复杂，数据间的运算也比较繁锁，但程序实现上就是隐层节点数由输入数据的项数确定，可 过程中的数据对应关系清晰明了.采用这样的 以保证网络的拓朴结构较好地适应样本的数据 数据结构的另一个优点是，不必知道样本中数 构成 据的个数（即BP网络输入、输出层节点的个数）， (3)在BP算法的实现中，还采用了输人、输 只要找到样本中的第一个数据项，就可以根据 出数据归一化、样本随机排序等措施来减小学 样本数据直接构造网络的输人、输出层，进而构 习和预测过程中的误差，使得网络取得较好的 造出隐层，从而建立一个拓扑结构，它可根据所 运算结果. 处理数据自动生成的BP网络.在对样本进行学 由于采用上述方法，使得本文所建立ANN 习或预测时，也不必知道样本数，而是只要找到 学习预测系统有较好的学习和预测精度.应用 第1个样本即可. 该系统能够对宝钢F钢大生产中实际数据进行 (2)网络的拓朴结构是根据所学习的样本的 处理和分析，预测宝钢F钢大生产产品的性能， 数据构成确定的.即根据1个样本数据的链表 为产品的质量控制提供依据 结构中节点个数确定相应的BP网络的输人、输 出层的节点个数.由于BP网络的隐层节点数据 2实例分析 对网络学习和预测的结果有很大影响，为了确 2.1IF钢大生产数据的初步分析 保隐层节点能适应样本数据的结构，程序中采 收集了宝钢F钢大生产过程中收集了大量 用隐层节点数随输入层节点变化的策略，实际
、 勺 1 . 2 3 N O 一 1 初 元璋 等 : 宝钢 FI 钢 大 生产产 品性能 预测 数据 ~ .r 数据 ne xt (指 向下 一节 点 的指针 ) 图 1 B P 网络 单个输入 层 节点 的数 据结 构 F ig . 1 D e ta s t r u e恤re o f i n P u t 肠 y e r n o d e o f B P n e u r a l n e幻滓 o rd s 字段链表头 输人层头节点 隐层头节点 图 2 样本 记录 中字 段 、 输入 层节点 、 隐层 间节点对 应关 系 图 中阴影框表示 相 应数据为 空 , 细 线箭头为 指针 , 带纹理的粗箭头 为数据流 向 , 其一 侧圆圈 内运算符是与其所 连接 数据的关系 ; 图 中 d at 代表字 段链表 中节点 保存 的数据 , nI 代表输人值 , N 代表 n ext 指针 , W 代表 权值链表 的头指 针 , Wt 代表权值链表中节 点保存的权值 . F i g . 2 C o r南po n d in g 茂肠it o n s h iP a m o n g ife l d s in s im P l e er e o r ds , n o d es in in P u t la y e r a n d o o des in h i dd e n 】a y e r 很 复杂 , 数据 间的运算也 比较繁 锁 , 但 程序实现 过程 中的数据对应关 系清晰 明了 . 采用这 样 的 数据 结构 的另 一个优点 是 , 不必 知道样本 中数 据 的个数 (即 B P 网络输人 、 输 出层节点 的个 数 ) , 只要 找到样本 中的第一个数据项 , 就可 以 根据 样本 数据 直接 构造 网络 的输人 、 输 出层 , 进而构 造 出隐层 , 从而 建立一个 拓扑结构 ,它可根 据所 处理 数据 自动生成 的B P 网络 . 在对样本进 行学 习或 预测 时 , 也不 必知道样本数 , 而是 只要 找到 第 1 个样 本 即可 . (2 )网络 的拓朴 结构是根据所学 习 的样 本的 数据构成 确定 的 . 即根 据 l 个样本 数据 的链 表 结构 中节 点个数确 定相应 的 B P 网络 的输 人 、 输 出层 的节 点个数 . 由于 B P 网络 的隐层节点 数据 对 网络学 习 和预测 的结果 有很大影 响 , 为 了 确 保 隐层节点能适应 样本数 据 的结构 , 程序 中采 用 隐层节 点数 随输 人层节 点变化 的策略 , 实际 上就是 隐层节 点数 由输人 数据 的项数 确定 , 可 以保证 网络的拓朴结构较好地适 应样本的数据 构成 . (3 ) 在 B P 算法 的实 现 中 , 还采 用了 输人 、 输 出数据 归一化 、 样 本 随机排 序等措施来减小学 习 和预 测过程 中的误差 , 使 得 网络取 得较好 的 运算结果 . 由于采 用上述方 法 , 使得 本文所建立 A N N 学习 预测 系统有 较好 的学 习 和预测精度 . 应用 该 系统能够对 宝钢 IF 钢 大生 产 中实际数据进行 处 理和 分析 , 预测宝钢 IF 钢大生产产品 的性能 , 为产 品 的质量控制 提供依据 . 2 实例 分析 .2 1 I F 钢大 生产数据的初步分析 收集 了宝钢 IF 钢大生产 过程 中收集 了大量
·50 北京科技大学学报 2001年第1期 的数据，其中包含了化学成分、生产工艺参数、 50组数据进行预测，并将其结果与人工神经网 产品规格、产品性能及其在各个工序中的编 络的预测结果进行了对比.结果如表1所示. 号等 由表中数据可以知道：ANN学习预测系统 根据F钢的用途和特点，反映F钢产品优 的预测精度要高于多元线性回归方程的预测精 劣的基本性能有5项，分别是屈服强度（σ）、抗 度，尤其对于所有数据的值全部落在由已学习 拉强度（σ，）、延伸率()、各向异性塑性应变比 过样本的极值确定的闭区间内的样本(A类样 ()和加工硬化指数().通过对F钢大生产过 本)，ANN学习预测系统的预测结果有较高的精 程进行深入的冶金学原理分析和对F钢大生 度，5项性能指标中只有屈服强度的平均预测误 产数据的数据分析，确定了影响F钢产品性能 差较大为9.0%，其余4项的预测误差均在5.0% 的17项主要因素包括： 左右，5项平均误差为4.9%，可满足工程使用的 (1)化学成分(11项)：碳、氨、钛、磷、硫、硅、 要求；当被预测样本中有数据的值超出由已学 锰、镍、铜、铝、铬的含量（无含铌F钢样本，故 习过样本的极值确定的闭区间(B类样本)时，屈 未取铌含量，此外，碳、氮、钛、硫4个参数中隐 服强度和值的预测误差急剧增大，分别达到了 含了有效钛碳比) 14.0%和21.7%，已没有参考价值，但此时抗拉强 (2)4个温度参数：开轧（加热）温度SRT、粗 度、延伸率和n值的预测误差还在5%左右，说 轧终轧温度RT4、精轧平均温度FT,卷取平均温 明这时神经网络的预测精度已不确定.这是因 度CT(精轧、卷取的最高、最低温度因为不能较 为应用神经网络逼近函数时，实质上是通过多 好反映整个冷轧卷的状况而舍去；另外由于现 次对输入值较简单的处理（但不是线性处理）和 场条件等的限制，未能取到对性能的影响更为 对每次处理结果的加权迭加，在学习过的范围 显著的退火工艺参数) 内接近被通近函数映射关系的，在进行权值修 (3)2个尺寸参数：热轧后产品厚度HPR、冷 正时没有（也不可能）考虑学习范围以外逼近的 轧后产品厚度HPC(这两个参数实际上相当于 误差大小，相当于用大量曲线的加权迭加，在一 冷轧压下率). 定范围内拟合另一条复杂曲线，但不考虑在此 22应用人工神经网络的结果及对该系统的检验 范围外与实际曲线间的差别，因此对未学习过 为了检验ANN学习预测系统预测F钢大 的范围内的数据进行预测时，其误差将是不可 生产产品性能的精度，本文选取了873组包含 预测的.这也说明应用神经网络进行函数逼近 了前述所有参数的、宝钢F钢大生产中采集的 时，比如这里的性能预测，不具备数据定义域上 数据，按照冷轧号把它分为两部分：冷轧号在前 的推广能力. 的823组数据，用于网络的学习；其余50组数 2.3ANN学习预测系统特点 据用于预测，即40组数据的值在已学习过数据 (1)预测精度高，高于多元线性回归所得方 的极值所确定的范围内（称为A类样本），其他 程的预测精度. 10组数据中至少有1项或2项数据的值超出了 (2)完全不用数学或物理模型，因而无须知 已学习数据的范围（称为B类样本）. 道影响因素与被影响因素间的任何确定关系， 同时，用多元线性回归结果（回归时用到的 只要确定影响因素与被影响因素即可，故可用 所有873组数据，分别采用SPSS和MATLAB 于尚未研究透彻的领域 2种数据分析软件进行多元线性回归)对上述 (3)适应范围广，ANN学习预测系统的输 表1ANN学习预测系统对50组测试数据预测的平均误差 Table The Results of processing 50 samples by ANN Learn-Forecast System % 预测方法 06.2 06 6 n 样本数 人工神经网络预测结果 A类样本 9.0 2.1 4.1 5.7 3.5 4.9 B类样本 14.0 4.3 6.3 21.7 6.5 10.6 全部样本 10.0 2.5 4.5 8.9 4.1 6.0 SPSS预测结果 12.5 7.3 6.1 9.0 17.7 10.5 MATLAB预测结果 6.5 11.5 3.7 9.2 19.5 10.1
. 05 . 北 京 科 技 大 学 学 报 2 0 1 年 第 1 期 的数据 , 其 中包 含 了化学 成分 、 生产工艺参 数 、 产 品 规格 、 产 品性 能 及其 在 各 个工 序 中 的编 号等 . 根据 IF 钢 的用途 和 特点 , 反映 IF 钢产 品优 劣 的基本性 能有 5 项 , 分别是屈服强度 (氏 2 ) 、 抗 拉强 度 (氏) 、 延 伸率 (司 、 各 向异 性塑性应 变 比 (r) 和加工硬化指 数 (n ) . 通过对 正 钢大生产 过 程进行 深人 的 冶金学原理 分析和对 lF 钢 大生 产数据 的数据分 析 , 确定 了影 响 IF 钢产 品性 能 的 17 项 主要 因素包括 : ( l )化 学成分 ( 1 1 项 ) : 碳 、 氮 、 钦 、 磷 、 硫 、 硅 、 锰 、 镍 、 铜 、 铝 、 铬 的含量 (无含妮 IF 钢 样本 , 故 未取妮 含量 , 此外 , 碳 、 氮 、 钦 、 硫 4 个参数 中隐 含 了 有效钦碳 比) . (2 ) 4 个温 度参数 : 开 轧 (加热 )温度 S RT 、 粗 轧终轧温度 R T 4 、 精轧平均 温度 F T , 卷取平均温 度 C (T 精 轧 、 卷取 的最高 、 最低 温度 因为不 能较 好反 映整个冷轧 卷 的状况 而舍去 ; 另外 由于现 场条件 等 的限制 , 未能取到对性 能 的影 响更 为 显著 的退火工 艺参数 ) . (3 ) 2 个尺寸参数 : 热 轧后产 品厚度 H P R 、 冷 轧后产 品厚度 H P C (这 两个参数 实际上相 当于 冷轧压 下率 ) . .2 2 应用 人工神经网络的结果 及对该系统的检验 为 了 检验 A N N 学 习 预测系统 预测 IF 钢大 生产产 品性能 的精度 , 本 文选取 了 8 73 组包 含 了前述 所有参数 的 、 宝钢 IF 钢大 生产 中采集 的 数据 , 按照冷轧号把它分为两部分 : 冷轧号在前 的 82 3 组数据 , 用于 网 络 的学 习 ; 其余 50 组 数 据用 于预测 , 即 40 组数 据的 值在 已学 习 过数 据 的极值所 确定 的范围 内 (称 为 A 类样本 ) , 其他 or 组数据 中至少 有 1 项或 2 项数据 的值超 出 了 已 学 习 数据 的范 围 (称为 B 类样 本 ) . 同时 , 用 多元 线性 回归 结果 (回归 时用 到的 所有 8 73 组数据 , 分别采 用 S P S S 和 M AT L A B 2 种 数据分 析软件进 行多元线 性 回归 ) 对上述 50 组 数据进 行预测 , 并将 其结果 与人 工神经 网 络 的预测 结果进行 了对 比 . 结果 如表 1 所示 . 由表 中数 据可 以知 道 : A N N 学 习 预测系统 的 预测精度要高于多元线性 回归方程 的预测精 度 , 尤其对 于所 有数据 的值全部落在 由已学 习 过样本 的极值确定 的闭 区 间 内的样本 (A 类样 本 ) , A N N 学习 预测系统 的预测结果有较高 的精 度 , 5 项性能指标 中只 有屈服强度 的平均预测误 差较 大为 .9 0 % , 其余 4 项 的预测误差均在 5 . 0 % 左 右 , 5 项平均误差 为 .4 9 % , 可满足工程使用 的 要 求 ; 当被预测 样本 中有 数据 的值超 出 由已学 习 过样 本 的极值确定 的闭区 间(B 类样本 )时 , 屈 服强度和 r 值的预测误差急剧增大 , 分别达到 了 .14 0 % 和 21 . 7% , 已没有参考价值 , 但此时抗拉强 度 、 延伸率 和 n 值的预测误差还 在 5% 左右 , 说 明这时神 经 网络 的预测精度 已不确定 . 这是 因 为应 用神 经 网络逼 近 函数 时 , 实质 上是通过多 次对输人值 较简单 的处 理 (但不是 线性处理 )和 对 每次处理 结果 的加 权迭加 , 在学 习 过的 范 围 内接近被 逼近 函数 映射关系的 , 在 进行权值修 正时没有 (也 不可能 )考 虑学 习 范围以 外逼近 的 误差 大小 , 相 当于用 大量曲线的加权迭加 , 在一 定 范 围内拟合另一条 复杂 曲线 , 但 不考虑在此 范 围外 与实际 曲线 间 的差别 , 因此 对未学 习过 的 范 围内的数据进行 预测 时 , 其误差 将是不可 预测 的 . 这也说 明应用神 经 网络进行 函 数逼近 时 , 比如这里 的性 能预 测 , 不具备数据定义域上 的 推广能力 . 2 3 A N N 学 习预测系统特点 ( l) 预测精度 高 , 高于多元线 性 回归所得方 程 的预测精 度 . (2 ) 完全不用 数学或物理模 型 , 因而无须知 道 影响 因素与被 影 响因 素 间的任何确 定关系 , 只 要确定影 响 因素 与被影 响因 素 即可 , 故可用 于尚未研究 透彻 的领域 . (3 ) 适 应范 围广 , A N N 学 习预测 系统 的输 表 1 A N N 学 习 预测 系统 对 50 组 测试 数 据预 测 的平均 误 差 aT b l e T h e R es u lst o f P ocr e s s i n g 5 0 s a m P l e s by A N N L e a r n 一 F o er e a s t s y s et m ? .1046 0 预测方法 人工神经网络预 测结果 n 样本数 l 0 l 0 51 :7 21.89 2.709 197.46 A 类样本 B 类样本 全部样本 9 . 0 14 . 0 1 0 . 0 4 , 3 2 . 5 6 3 4 . 5 S P S S 预测结果 N 以汀L A B 预测结果 1 2 . 5 6 . 5 7 . 3 1 1 . 5 6 . 1 3 . 7
Vol.23 No.1 初元璋等：宝钢F钢大生产产品性能预测 51 人、输出节点可自动适应数据的结构，只需将数 有条件下根据预定工艺进行后序生产时产品的 据以.dbf表或.t文本格式保存，即可用该程序 最终性能，这样就可以预测按照预定的后序工 处理， 艺能否生产出满足要求的产品，进而根据预测 (4)对新样本具有敏感性，当遇到工艺变化 的结果调整工艺参数、化学成分等影响性能的 等情况，可通过对新样本的反复学习迅速达到 因素.同时，该系统还可应用于解决其他输人、 较高的预测精度. 输出关系不明确，但可收集到一定量的数据的 复杂问题的结果预测，因而具有一定的实用价 3ANN学习预测系统的应用 值和推广性。 ANN学习预测系统可以根据F钢的化学 参考文献 成分、生产工艺及产品规格预测产品的最终性 1祁鹏.宝钢F钢大生产数据分析及产品性能预测： 能，从而为质量控制和生产工艺的合理选择提 [硕士学位论文].北京：北京科技大学，2000 供依据.在生产过程中要预测某一产品的最终2江建华，马衍伟，王先进，等。用人工神经元方法 性能时，先将产品已知的化学成分和工艺参数、 预报F钢性能.北京科技大学学报，1997,195)：467 规格参数作为输人值输入网络，其他未知的参 3张乃尧，阎平凡.神经网络与模糊控制.北京：清华 大学出版杜，1998 数取其工艺设定值，即可以预测出该产品在已 Performance Forecast of IF Steel Mass-Produced in Bao Steel CHUN Yuanzhang,QI Peng,ZHANG Ya Material Science and Engineering School,UST Beijing,Beijing 100083,China ABSTRACT Develop ANN learn-forecast system by employing BP algorithm to forecast the performance of IF steel,test and analyze the system by using data collected from BAO Steel,and compare the precision of forecasted data with that of the multivariant linear regression model.The results show that the relative errors of ANN learn-forecast system on o,r and n are all less than 5.0%except that on o2 is 9.0%.It is concluded that this system has a higher forecast precision than the multivariant linear regression model. KEY WORDS BP algorithm;IF steel;performance forecast
V b】 一 2 3 N 0 . 1 初 元 璋等 : 宝钢 FI 钢大 生产 产 品性 能预 测 人 、 输出节点可 自动适应 数据的结构 , 只需将 数 据 以 . db f 表 或 . 沈 文本格 式保存 , 即可用该程 序 处理 . (4 ) 对新样本具有敏感性 , 当遇到工艺变 化 等情况 , 可通过 对新样本 的反复学 习 迅速达 到 较高 的预 测精度 . 3 A N N 学习预测 系统 的应用 A N N 学 习 预测 系统 可 以根据 IF 钢 的化学 成分 、 生产工艺及 产 品规格 预测产 品的最终性 能 , 从 而为质量 控制和生产 工艺 的合 理选择提 供依据 . 在 生产过 程 中要 预测某一产 品的最终 性能时 , 先将产 品已知 的化学成分 和工艺参数 、 规格参数作 为输人值输 人 网络 , 其他 未知 的参 数取其工艺设 定值 , 即可 以 预测 出该 产品在 已 有条 件下根据预定工艺进行后序生产 时产 品的 最 终性能 , 这样 就可 以 预测按照 预定 的后序工 艺 能否生产 出满足 要求 的产 品 , 进 而根据预测 的结果调整 工艺参数 、 化 学成分等影 响性能 的 因素 . 同时 , 该 系统还 可应用于解 决其他输人 、 输 出关 系不 明确 , 但可 收集到一定 量的数据 的 复 杂问题的结果预 测 , 因而具有一定 的实用价 值 和推广性 . 参 考 文 献 1 祁 鹏 . 宝钢 IF 钢 大 生产 数据 分 析及 产 品性 能预 测 : 〔硕 士 学位 论文 ] . 北京 : 北 京科 技大 学 , 2 0 0 2 江 建华 , 马衍伟 , 王先 进 , 等 . 用 人工 神经 元方 法 预报 IF 钢性 能 . 北京 科技 大 学学报 , 1 997 , 19( 5 ) : 4 6 7 3 张 乃尧 , 阎平 凡 . 神经 网络 与模 糊控 制 . 北京 : 清 华 大学 出版 社 , 19 98 P e r fo n n an e e F o er e a s t o f IF S t e e l M a s s 一 P r o du e e d i n B a o S et e l C H砚V uY a nz h a gn , QI P e gn , 乙队咬刃G aY M a t e ir al S e ien ce an d E n g in e e n n g S hc o l , U S T B e ij in g , B e ij in g 10 0() 83 , C h in a A B S T R A C T D ve e lop A N N l e am 一伪r e e a st s y s te m by e m PIOy ign B P al g o ir ht m ot of r e e a s t ht e Pe d b rm acn e o f I F st e e l , et s t an d an aly z e het s y st em by us ign d a at e o ll e cet d fr o m B A 0 S et e l , 叨d e om P aer het Per e i s ion o f fo er e a st e d d at a w iht ht at o f ht e m u lt i v iar a n t 11 n e ar er gr e s s ion m o de l . hT e er s ult s s h ow ht a t ht e er l iat v e e r o r s o f A N N l e 田刀 . 几r e e a st sy s et m on 氏 , 占 : , r an d n aer al l l e s s ht an 5 . 0 % ex e eP t ht a t o n ao : 1 5 9 . 0% . lt i s e ocn ut de d 山a t 而5 sy s t e m h a s a hi hg er fo r e ca st Pr e ic is on ht an het mu it iv iar ant 1in e ar er gr e s is on m od .el K E Y W O R D S B P al g o ir ht m ; IF st e e l: P e ir b n n acn e fo er c a st