一种冷轧板形信号在线模式识别系统

摘要

本发明提供一种冷轧板形信号在线模式识别系统，包括板形仪测量信号接收模块，用于通过千兆工业以太网接收板形仪测量信号；板形仪测量信号预处理模块，用于对板形仪测量信号进行归一化和滤波处理；基于径向基神经网络的板形信号模式识别模块，用于将预处理后的板形仪测量信号变换成径向基神经网络的输入信号，通过运算得到板形模式识别的网络输出值；板形信号在线模式识别输出模块，用于根据网络输出值得到板形模式识别结果并传送给控制系统，为其提供控制依据。本发明有效解决传统板形模式识别系统的系统识别精度和实时性不够理想、辨识模型结构复杂并且网络训练时间过长、稳定性和鲁棒性差的技术问题，为控制系统提供可靠的控制依据。

主权项

一种冷轧板形信号在线模式识别系统，其特征在于：它包括：板形仪测量信号接收模块，用于通过千兆工业以太网接收板形仪测量信号；板形仪测量信号预处理模块，与所述板形仪测量信号接收模块连接，用于对板形仪测量信号进行归一化和滤波处理；基于径向基神经网络的板形信号模式识别模块，与所述板形仪测量信号预处理模块连接，用于将预处理后的板形仪测量信号变换成径向基神经网络的输入信号，然后通过运算得到板形模式识别的网络输出值；板形信号在线模式识别输出模块，与所述基于径向基神经网络的板形信号模式识别模块连接，用于根据网络输出值确定板形缺陷种类和幅值，得到板形模式识别结果并传送给控制系统，为其提供控制依据；基于差分进化智能优化算法的径向基神经网络的建立过程为：a、确定用于板形模式识别的径向基神经网络训练学习的控制参数：具体控制参数包括：用于网络训练的差分进化智能优化算法的种群个数NP，差分进化智能优化算法的最大学习代数N，网络训练效果的目标值f，以及训练样本数目M；b、依据控制参数生成训练样本数据：M组训练样本生成的规则是：分别在区间[‑1,1]按照均匀概率分布生成一个a₁，然后在区间[‑1+|a₁|,1‑|a₁|]按照均匀概率分布生成一个a₂，最后在区间[‑1+|a₁|+|a₂|,1‑|a₁|‑|a₂|]按照均匀概率分布生成一个a₃；则此次生成的一组a₁、a₂和a₃作为一组训练样本数据的网络输出值，对应每一组a₁、a₂和a₃，利用公式生成其对应的板形偏差分布曲线σ(x_i)：σ(x_i)＝a₁×p₁(x_i)+a₂×p₃(x_i)+a₃×p₅(x_i)，利用公式计算该组σ(x_i)与6个板形基本样式之间的欧式距离作为一组训练样本数据的网络输入值：$D_j=\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{(\sigma \left(x_i\right)-p_j\left(x_i\right))}^2},$c、设径向基神经网络隐含层节点个数n的初始值为2；d、将基函数中心点、基函数方差、隐含层到输出层的权值定义为差分进化智能优化算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；共有n个基函数中心点c_l，l＝1,2…,n；n个基函数方差σ_l，l＝1,2…,n；3n个隐含层到输出层的权值w_lw，l＝1,2…,n，w＝1,2,3，则对应的差分进化智能优化算法的个体向量为Y_m＝(y_m1,y_m2,…,y_mv)，m＝1,…,NP，v＝1,2,…,5n，按照等概率随机分布在可行区间内确定NP个个体向量Y_m的种群初始值；e、按照差分进化智能优化算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的Y_i来配置径向基神经网络参数，再将M个训练样本数据代入该径向基神经网络来计算网络输出值，继而通过计算上述M个训练样本数据对应的3M个网络输出值与其实际值之间的算术差的平方和，该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，这里网络训练效果的目标值g应当根据径向基神经网络规模来选取和调整，或者差分进化智能优化算法学习代数超过设定的最大值N，则停止进一步学习；否则增加径向基神经网络隐含层节点个数，使得n＝n+1转至步骤d继续学习；f、记录训练学习的网络参数，得到一个6输入3输出的基于差分进化智能优化算法的径向基神经网络；按上述步骤建立好基于差分进化智能优化算法的径向基神经网络后，再进行板形模式识别。