电镀锌锌层厚度BP神经网络控制方法及其在PLC上的应用

摘要

本发明的电镀锌锌层厚度BP神经网络控制方法及其在PLC上的应用，包括下列步骤：(1)采集电镀锌样本数据；(2)建立BP神经网络；(3)BP神经网络学与训练；(4)将训练好的BP神经网络录入PLC控制器，采用本发明设计的电镀锌锌层厚度BP神经网络控制器，能够高精度地控制镀锌厚度、有效地抑制工业干扰、智能自适应，具有很好的精确性和容错性。

主权项

电镀锌锌层厚度BP神经网络控制方法，其特征在于：包括下列步骤：(1)采集电镀锌样本数据；(2)建立BP神经网络；(3)BP神经网络学习与训练；其中，所述电镀锌样本以输入向量和输出向量的形式采集录入，1个输入向量和对应的1个输出向量组成一组样本数据，输入向量包括上镀层厚度、下镀层厚度、钢带宽度和镀槽总电流数，输出向量包括上镀层厚度计算速度和下镀层厚度计算速度；其中，所述建立BP神经网络包括建立两个具有相同结构的BP神经网络，每个BP神经网络均为由1个输入层、两个隐层和1个输出层组成的BP神经网络结构；其中第一个BP神经网络结构的输入层为含有上镀层厚度、钢卷宽度和镀槽总电流数3个元素的列向量，所述两个隐层中的一个隐层有20个神经元，其激励函数为线性函数，所述两个隐层中的另一个隐层有20个神经元，其激励函数为S函数，输出层采用线性激励函数，输出为上镀层厚度计算速度；第二个BP神经网络结构与第一个BP神经网络结构相同，输入层的列向量3个元素分别为：下镀层厚度、钢卷宽度和镀槽总电流数；输出层的输出为下镀层厚度计算速度，两个BP神经网络以并联方式计算处理数据；所述BP神经网络学习与训练采用变梯度算法，其第一次迭代是沿着最陡梯度下降方向开始搜索的，然后，决定最佳距离的线性搜索沿着当前搜索的方向进行，变梯度修正值采用Fletcher-Reeves修正算法。