基于神经网络和敏感度因式的冷轧机组仿真模型[外文翻译].doc

附件C：译文

基于神经网络和敏感度因式的冷轧机组仿真模型

摘要：冷轧过程的数学建模涉及到非线性参数以及得出很难求解数值解的非线性方程的一些关系。亚历山大模型就存在这种情况，而它是而它滚压理论中的最完整的模型。在仿真过程中，亚历山大模型的计算时间相当长，这阻碍了它在在线控制以及监测系统中的应用。为了得到冷轧机组的仿真模型，必须要建立一个表达式来计算输出厚度以及滚压负载。该方程可以写成敏感度因式的形式，而敏感度因式可以通过对预先训练过的人工神经网络（ANN）求导而得到，这就减少了仿真过程的计算时间。论文提出了一种基于ANN的冷轧机组仿真模型。论文还给出了仿真结果以及该模型的应用范围。

1 引言
现有滚压过程的理论模型通过式（1）所示的非线性表达式计算滚压负载和扭矩（Tq）：
（1）
式中 为输入厚度， 为输出厚度， 为后张力， 为前张力， 为平均屈服应力， 为摩擦系数， 为带材的杨氏模量，R为滚压半径，P为滚压载荷，Tq为滚压扭矩。
为获得冷轧机组的仿真模型，需利用式（2）所示的表达式来计算输出厚度和滚压载荷：
（2）
式中W为带材宽度，M为刚性轧机模量，g为轧辊开口度。
注意在式（1）中，为计算滚压载荷，必须要知道输出厚度值。由于滚压载荷取决于输出厚度，因此式（2）中存在一个代数回路，着妨碍了这些参数的解析计算。
文献[2]到[6]运用一种逐次交互数值算法来解决这个问题。党滚压过程中发生了扰动时，这种方法需要用大量的计算来求得新的作用点。由于对不同的作用点，需要的运行时间不同，这就阻碍了它在在线控制及监测系统中的应用。
滚压过程的另外一种表现形式采用敏感度因式来表示滚压过程，如式（3）所示
（3）
由于轧机不是理想的刚性结构，轧辊开口度的任意变化可以表示如下：