基于PSO-BP神经网络的铝带坯晶粒度软测量建模及优化

铝电磁铸轧系统是涉及机械、电气、铸造和加工等多领域的非线性复杂系统。铝带坯晶粒度一直是评价铝板质量的一个重要标准,由于受系统各因素之间的关联复杂和仪表检测技术发展水平的限制,对其不能实现生产过程实时在线测量。利用先进的智能信息检测和处理技术对铝带坯晶粒度进行软测量已成为必然要求。 针对这一问题,论文在介绍铝电磁铸轧技术和软测量技术研究发展现状的基础上,通过对铝电磁铸轧系统原理和工艺的深入分析,确定了影响铝带坯晶粒度的铸轧因素和电磁因素,对采集到的数据进行归一化处理和主元分析后,将所得变量作为软测量模型的辅助变量,建立了基于BP神经网络的铝带坯晶粒度软测量模型。 针对BP神经网络模型存在的收敛速度慢、稳定性差和泛化能力弱的问题,引入粒子群优化算法对模型进行优化。为了缩短优化时间和提高基本粒子群在优化过程中的搜索能力,在基本粒子群算法的基础上引入线性变化惯性权因子粒子群算法,利用改进的粒子群算法对BP网络的权值和阈值进行优化。 研究及仿真结果表明:使用BP神经网络可以实现铝带坯晶粒度的软测量建模及预测估计,且结构简单;引入粒子群算法对BP网络进行优化后,模型的实时性、稳定性和泛化能力都得到明显增强,模型性能的重要评价指标确定性系数r2得到提高。论文所做工作对铝带坯晶粒度在线实时测量方法的研究具有重要的参考价值。