導(dǎo)語：鋼鐵工業(yè)BP神經(jīng)網(wǎng)絡(luò)運(yùn)用思考一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，即ANN）是20世紀(jì)80年展起來的一種模仿生物結(jié)構(gòu)和功能的信息處理系統(tǒng)，它具有自組織、自學(xué)習(xí)、自適應(yīng)、快速處理、高度容錯(cuò)、聯(lián)想記憶以及可以逼近任意復(fù)雜的非線性系統(tǒng)等獨(dú)特優(yōu)點(diǎn)。在材料科學(xué)與工程領(lǐng)域中，人工神經(jīng)網(wǎng)絡(luò)在處理材料科學(xué)的許多問題中發(fā)揮了巨大作用，已普遍用于材料設(shè)計(jì)與成分優(yōu)化、材料的智能加工與控制、材料加工工藝的優(yōu)化、材料相變規(guī)律研究與相變點(diǎn)預(yù)測、材料性能及缺陷預(yù)測等方面［1-6］。在鋼鐵工業(yè)中，基于誤差反向傳播網(wǎng)絡(luò)（BackPropagation，即bp算法）的神經(jīng)網(wǎng)絡(luò)以其結(jié)構(gòu)清晰、可操作性強(qiáng)等優(yōu)點(diǎn)而成為鋼鐵工業(yè)中使用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型。

1BP神經(jīng)網(wǎng)絡(luò)簡介

1986年，Rumelhart，Hinton和Williams完整而簡明地提出一種ANN的誤差反向傳播訓(xùn)練算法（簡稱BP算法），系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題，由此算法構(gòu)成的網(wǎng)絡(luò)我們稱為BP網(wǎng)絡(luò)。

1.1BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP網(wǎng)絡(luò)的基本思路是將訓(xùn)練過程分為兩個(gè)階段，第一階段正向傳播，輸入信息從輸入層經(jīng)隱含層單元處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元狀態(tài)。倘若在輸出層得不到希望的輸出，則轉(zhuǎn)入第二階段反向傳播，將誤差信號沿原來的神經(jīng)元連接通路返回。通過修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播進(jìn)行計(jì)算。這樣，反復(fù)地運(yùn)用這兩個(gè)過程，使得誤差信號最小，最后使得信號誤差達(dá)到允許的范圍之內(nèi)。

1.2BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型

BP神經(jīng)元的結(jié)構(gòu)模式如圖1所示，基于以下幾點(diǎn)假定：其一，每一個(gè)神經(jīng)元是一個(gè)多輸入單輸出的信息單元；其二，突觸分興奮性和抑制性兩種類型；其三，神經(jīng)元輸出有閾值特性；其四，神經(jīng)元輸入與輸出間有固定的時(shí)滯；其五，忽略時(shí)間的整合和不應(yīng)期；其六，神經(jīng)元本身是非時(shí)變的。BP神經(jīng)元的三個(gè)重要功能：一是加權(quán)-可對每個(gè)輸入信號進(jìn)行不同程度的加權(quán)；二是求和-確定全部輸入信號的組合效果；三是轉(zhuǎn)移-通過轉(zhuǎn)移函數(shù)f（.），確定其輸出。1.3BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)的主要功能決定于兩個(gè)方面：一是網(wǎng)絡(luò)的組成結(jié)構(gòu)形式，也就是BP神經(jīng)網(wǎng)絡(luò)的連接方式；二是網(wǎng)絡(luò)的學(xué)習(xí)和運(yùn)行規(guī)則，及網(wǎng)絡(luò)中連接權(quán)值的調(diào)整規(guī)則。如圖2和圖3所示，BP神經(jīng)網(wǎng)絡(luò)多層網(wǎng)絡(luò)有單層網(wǎng)絡(luò)級連而成，即網(wǎng)絡(luò)中下一層各神經(jīng)元接受前一層各神經(jīng)元的輸出。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間各隱層神經(jīng)元；每一個(gè)隱層是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層，負(fù)責(zé)信息變換；最后一個(gè)隱層將信息傳遞到輸出層，輸出層將信息進(jìn)一步處理后即向外界輸出信息處理結(jié)果，完成了一次從輸入到輸出的信息處理。由輸出層構(gòu)成多層網(wǎng)絡(luò)時(shí)，各層間的轉(zhuǎn)移函數(shù)應(yīng)是非線性的，否則多層網(wǎng)絡(luò)只相當(dāng)于一個(gè)單層網(wǎng)絡(luò)，其映射和存儲(chǔ)能力絲毫不比單層強(qiáng)。

2BP神經(jīng)網(wǎng)絡(luò)在鋼鐵工業(yè)中的應(yīng)用

2.1BP神經(jīng)網(wǎng)絡(luò)在鋼鐵冶煉中的應(yīng)用

近年來，BP神經(jīng)網(wǎng)絡(luò)以其并行運(yùn)算及強(qiáng)大的非線性處理能力被廣泛應(yīng)用于轉(zhuǎn)爐煉鋼控制中，隨后轉(zhuǎn)爐人工智能靜態(tài)控制模型被成功開發(fā)，使終點(diǎn)命中率有了很大提高。因此，國內(nèi)外許多學(xué)者進(jìn)行了大量的基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐控制研究［8，9］。AmlanDatta等［10］報(bào)道了在轉(zhuǎn)爐煉鋼過程中開發(fā)BP神經(jīng)網(wǎng)絡(luò)模型來預(yù)測鋼水中硫含量。模型經(jīng)40個(gè)樣本學(xué)習(xí)后，現(xiàn)場應(yīng)用的實(shí)際相關(guān)系數(shù)為0.87。水城鋼鐵（集團(tuán)）有限責(zé)任公司煉鋼廠的張毅［11］采用3層BP神經(jīng)網(wǎng)絡(luò)來預(yù)測煉鋼成品的C、Si、Mn成分，根據(jù)煉鋼的實(shí)際生產(chǎn)數(shù)據(jù)選取鐵水、廢鋼、供氧、吹氬、硅錳合金、增碳劑等28個(gè)因素作為輸入變量，對輸入?yún)?shù)進(jìn)行歸一化處理，采取附加動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)步長的措施，解決了BP神經(jīng)網(wǎng)絡(luò)局部收斂和學(xué)習(xí)時(shí)間過長的問題，提高了神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的準(zhǔn)確率。杭州電子科技大學(xué)的朱亞萍［12］針對轉(zhuǎn)爐煉鋼靜態(tài)模型終點(diǎn)命中率較低的問題，分析了影響轉(zhuǎn)爐煉鋼終點(diǎn)命中率的各種因素包括鐵水量、鐵水溫度、鐵水各項(xiàng)化學(xué)成分含量等共17個(gè)變量，確定了BP神經(jīng)網(wǎng)絡(luò)（BPNN）的拓?fù)浣Y(jié)構(gòu)，并依此建立了轉(zhuǎn)爐煉鋼靜態(tài)模型，該研究提高了轉(zhuǎn)爐煉鋼靜態(tài)模型的終點(diǎn)C含量和溫度預(yù)測精度。寶鋼的楊志勇等［13］針對鐵水預(yù)處理粉劑模型，設(shè)計(jì)了BP人工神經(jīng)元網(wǎng)絡(luò)數(shù)學(xué)模型，并給出了在系統(tǒng)中的應(yīng)用方案，使脫硫效果提高8%，符合現(xiàn)場實(shí)際生產(chǎn)需求，由于模型精確度大幅提高，脫硫生產(chǎn)操作過程能夠得以穩(wěn)定，極大地減輕了高爐和轉(zhuǎn)爐的脫硫負(fù)擔(dān)。

2.2BP神經(jīng)網(wǎng)絡(luò)在鋼鐵軋制中的應(yīng)用

AMukhopadhyay，AIqbal等［14］采用三層BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)了低碳熱軋板的極限強(qiáng)度、屈服強(qiáng)度和延伸率，并研究了不同網(wǎng)絡(luò)結(jié)構(gòu)對預(yù)報(bào)準(zhǔn)確率的影響，該模型采用121組數(shù)據(jù)進(jìn)行驗(yàn)證，驗(yàn)證值與實(shí)測值吻合良好。該模型已在印度塔塔鋼鐵公司熱軋廠成功在線應(yīng)用。山東萊蕪鋼鐵集團(tuán)有限公司板帶廠的王洪彬［15］利用所建BP神經(jīng)網(wǎng)絡(luò)卷取溫度預(yù)設(shè)模型提高了卷取溫度的控制精度，能夠給出不同厚度規(guī)格時(shí)的可靠的預(yù)設(shè)定值，從而減輕了反饋控制的負(fù)擔(dān)，提高了卷取溫度的控制質(zhì)量。重慶鋼鐵集團(tuán)公司的朱穎杰等人［16］利用BP神經(jīng)網(wǎng)絡(luò)的方法預(yù)測SPCC冷軋帶鋼產(chǎn)品力學(xué)性能并以現(xiàn)場得到的化學(xué)成分（C、Si、Mn、P、S、Al）和工藝參數(shù)（退火溫度、軋制速度）正交試驗(yàn)數(shù)據(jù)為基礎(chǔ)，采用離線學(xué)習(xí)的方法得出網(wǎng)絡(luò)的預(yù)報(bào)值，BP神經(jīng)網(wǎng)絡(luò)具有良好的預(yù)報(bào)性能，實(shí)測值與預(yù)報(bào)值之間的偏差不超過8%。昆明理工大學(xué)的栗景樹等人［17］以昆鋼熱軋產(chǎn)品Q235為例，對熱軋板帶的質(zhì)量預(yù)測進(jìn)行研究。利用BP神經(jīng)網(wǎng)絡(luò)理論建立以化學(xué)成分、軋制參數(shù)為輸入，以力學(xué)性能為輸出的質(zhì)量預(yù)測模型-BP熱軋板帶質(zhì)量模型，并利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)質(zhì)量模型，對產(chǎn)品的力學(xué)性能進(jìn)行預(yù)測，98%的預(yù)測輸出與實(shí)際輸出誤差在5%以下。北京科技大學(xué)的吳晉斌等人［18］以0.33%C，0.40%Si，1.50%Mn，0.099%V的中碳含釩微合金鋼在應(yīng)變速率為0.005～30s-1、溫度為750～1050℃條件下的單向熱壓縮變形實(shí)驗(yàn)數(shù)據(jù)為樣本數(shù)據(jù)，用商用軟件matlab6.5構(gòu)建BP人工神經(jīng)網(wǎng)絡(luò)模型。適用于預(yù)測一定溫度與應(yīng)變速率范圍內(nèi)（0.1～0.9）應(yīng)變處的熱變形流變應(yīng)力，與常用的表征穩(wěn)態(tài)或峰值應(yīng)變處的流變應(yīng)力與溫度和應(yīng)變速率關(guān)系的Arrhenius方程相比，應(yīng)用范圍更廣。東北大學(xué)的邱紅雷等人［19］為了提高中厚板軋機(jī)軋制力的預(yù)報(bào)精度，采用軋制力模型自適應(yīng)與人工神經(jīng)元網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行中厚板軋制力的在線預(yù)報(bào)。應(yīng)用結(jié)果表明，采用本方法預(yù)報(bào)軋制力時(shí)精度優(yōu)于傳統(tǒng)的數(shù)學(xué)模型，相對誤差可以控制在±3%以內(nèi)。

2.3BP神經(jīng)網(wǎng)絡(luò)在漏鋼預(yù)測中的應(yīng)用

連續(xù)鑄鋼生產(chǎn)過程中漏鋼是最嚴(yán)重的事故之一，在20世紀(jì)70年代后期，為盡可能降低連鑄過程中發(fā)生漏鋼事故所造成的損失，研發(fā)了連鑄漏鋼預(yù)報(bào)技術(shù)［20，21］。20世紀(jì)90年代，神經(jīng)網(wǎng)絡(luò)開始應(yīng)用于漏鋼預(yù)報(bào)系統(tǒng)中［22-24］。目前，國內(nèi)外工程中獲得實(shí)際應(yīng)用的神經(jīng)元模型大部分是BP網(wǎng)絡(luò)模型。田陸等人［25］提出了一種基于前饋反向傳播（BP算法）神經(jīng)網(wǎng)絡(luò)的漏鋼預(yù)報(bào)系統(tǒng)。通過神經(jīng)網(wǎng)絡(luò)分析漏鋼前一段時(shí)間結(jié)晶器的溫度特征曲線，提前診斷出漏鋼的可能性，做出及時(shí)的預(yù)報(bào)，防止漏鋼的發(fā)生。此系統(tǒng)得到了廣泛的應(yīng)用。東北大學(xué)的厲英等人［26］建立了BP神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)測模型，增加了BP神經(jīng)網(wǎng)絡(luò)參數(shù)，改變了傳統(tǒng)只考慮溫度因素的方式，將拉速和中間包鋼水溫度作為輸入?yún)?shù)，擴(kuò)大了漏鋼因素的考慮范圍，提高了預(yù)報(bào)的準(zhǔn)確性，對某鋼廠現(xiàn)場實(shí)際數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測，實(shí)驗(yàn)測試結(jié)果準(zhǔn)確率為100%。2.4BP神經(jīng)網(wǎng)絡(luò)在鋼材組織及性能中的應(yīng)用鋼的力學(xué)性能與其化學(xué)成分和工藝參數(shù)間呈現(xiàn)高度的非線性關(guān)系，難以用數(shù)學(xué)模型精確描述，但人工神經(jīng)網(wǎng)絡(luò)特別適合描述非線性關(guān)系，在鋼的力學(xué)性能的研究中有重要作用。近年人工神經(jīng)網(wǎng)絡(luò)在鋼的性能預(yù)測方面得到了廣泛的應(yīng)用，取得了令人滿意的結(jié)果。C觟l等人［27］采用廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）對一種APIX65微合金化鋼的韌性進(jìn)行預(yù)測。網(wǎng)絡(luò)的輸入為化學(xué)成分（C、Nb、Ti、N），冶煉工藝參數(shù)（鋼液總量，硬硼酸鈣石、石灰、FeMn、FeSi、Al、CaSi加入量，吹A(chǔ)r量，吹A(chǔ)r時(shí)間），加工工藝參數(shù)（保溫溫度、保溫時(shí)間、出爐溫度、變形率、終軋厚度、終軋溫度、卷取溫度），網(wǎng)絡(luò)的輸出為沖擊功。預(yù)測結(jié)果表明GRNN能有效地預(yù)測沖擊功，相關(guān)系數(shù)為0.984，平均相對誤差為3.04%。XuLiujie等［28］采用BP網(wǎng)絡(luò)根據(jù)淬火溫度和回火溫度預(yù)測高釩高速鋼（HVH-SS）殘余奧氏體量、硬度、磨粒磨損強(qiáng)度；采用貝葉斯正則化與LevenbergMarquardt算法結(jié)合的改進(jìn)的BP網(wǎng)絡(luò)，改進(jìn)后的BP網(wǎng)絡(luò)能精確預(yù)測奧氏體量、硬度、磨粒磨損強(qiáng)度，并能用于研究熱處理工藝對性能的影響規(guī)律，從而確定最佳熱處理工藝。改變該鋼中V、C含量后采用與上述相同的BP網(wǎng)絡(luò)對磨損失重進(jìn)行預(yù)測，該BP網(wǎng)絡(luò)能精確預(yù)測磨損失重并反映化學(xué)成分與磨損失重間的關(guān)系，從而確定了V、C的最優(yōu)加入量［29］。FWMargrave等用超聲波探傷儀，對含有裂紋、線缺陷、穿孔、夾渣、氣孔等缺陷的試樣進(jìn)行探傷，測得能表征缺陷的不同形狀、位置、尺寸、服役條件（應(yīng)力）等情況的回波信號，再將這些信號處理后作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸出端為上述5種缺陷和無缺陷共6個(gè)輸出變量。缺陷的識(shí)別準(zhǔn)確率大于90%。

3BP神經(jīng)網(wǎng)絡(luò)在鋼鐵工業(yè)中的局限及發(fā)展前景

BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)收斂速度慢、學(xué)習(xí)時(shí)間長和數(shù)據(jù)依賴性強(qiáng)等局限性，因此尋找合適的算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，解決上述問題，是BP神經(jīng)網(wǎng)絡(luò)發(fā)展的重要研究方向。多年來，圍繞BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值的問題，國內(nèi)外的研究者做了大量的工作。解決這一問題，必須徹底擺脫依賴梯度信息來指導(dǎo)數(shù)值調(diào)整方向，引進(jìn)其他算法與BP算法相互結(jié)合。因此，模擬退火法、單純形法、趨化性算法、隨機(jī)學(xué)習(xí)算法、動(dòng)量算法以及遞推最小二乘（RLS）技術(shù)等方法應(yīng)運(yùn)而生。針對學(xué)習(xí)時(shí)間長這一問題，現(xiàn)在一般采用離線學(xué)習(xí)、在線預(yù)報(bào)作為變通手段。BP神經(jīng)網(wǎng)絡(luò)的發(fā)展為冶金工作者提供了一個(gè)全新的知識(shí)獲取和處理手段。與其它傳統(tǒng)模型（如數(shù)學(xué)模型、回歸模型、時(shí)間序列模型及經(jīng)驗(yàn)分析模型）相比，它具有較強(qiáng)的抗噪聲和非線性問題處理能力。另外，它的實(shí)時(shí)性又使其能對過程實(shí)現(xiàn)在線響應(yīng)。基于此，它被越來越多地收入到專家系統(tǒng)中，同時(shí)，其結(jié)構(gòu)價(jià)值也在專家系統(tǒng)的功能應(yīng)用中得到體現(xiàn)。

4結(jié)語

總之，BP神經(jīng)網(wǎng)絡(luò)在鋼鐵材料研究中有著廣闊的應(yīng)用前景，能快速準(zhǔn)確地根據(jù)鋼的化學(xué)成分及工藝參數(shù)預(yù)測性能、相變溫度、時(shí)間及微觀組織，同時(shí)可用于研究各影響因素對微觀組織、相變溫度、時(shí)間及性能的影響規(guī)律；BP神經(jīng)網(wǎng)絡(luò)也可用于鋼鐵冶金及表面防護(hù)過程工藝參數(shù)的預(yù)測及控制。但BP神經(jīng)網(wǎng)絡(luò)的發(fā)展受人腦的科學(xué)研究成果的限制，理論體系還不完善，收斂速度及預(yù)測結(jié)果精度有待進(jìn)一步提高。因此，在應(yīng)用過程中應(yīng)改進(jìn)模型算法或建立新的模型，使BP神經(jīng)網(wǎng)絡(luò)更好地應(yīng)用于鋼鐵材料研究領(lǐng)域。