摘  要： 當重軌矯直參數控制模型的計算參數模型給出的壓下量不能滿足工藝要求時，需要建立一個自學習模型重新分配壓下量。自學習模型中訓練好的人工神經網絡（ANN）可用于預測下次計算模型的分配系數，從而得出一個較優的初始壓下量輸入值，采用RBFNN算法從數據庫中存儲的歷史數據中智能學習參數相互之間的關系，給出優化的調整值。
關鍵詞： 重軌矯直；自學習；ANN；智能學習

    作為重軌生產中的最后變形工藝，矯直對提高重軌質量、提高成材率等具有重要意義。為實現對重軌矯直過程參數的精確控制，開發了平直度模型、力能參數模型、工藝參數模型、結構參數模型、應力應變模型和自學習模型等重軌矯直參數控制模型。由于在矯直過程中有許多不確定因素，如變形抗力、重軌表面摩擦系數、表面溫度、來料厚度等，其結果會導致矯直壓力參數的變化。但因所建立的數學模型帶有平均性質，用這樣的模型來預報某特定條件下某一重軌的矯直壓下量，必然會出現偏差。這種測量值與計算值的偏差，再加上參數檢測所帶來的測量誤差，必然影響模型的預報精度，故需建立一套方法來解決，自學習模型就是為滿足這個需求而建立的。
1 重軌矯直參數控制模型
    平立復合矯參數模型是矯直過程中各參數和變量之間所存在的某種數量相互之間的關系，采用形式化語言，概括或近似表達出來的一種數學結構。通過科學理論和生產實踐，研究建立重軌鋼矯直過程中理論統計型模型的方法和程序。
    平立復合矯參數模型的基本任務是根據來料條件及對成品的要求，通過數學計算參數模型的計算，確定各輥的位移量、矯直力、速度等，以保證獲得盡可能符合要求的重軌鋼成品。模型計算流程如圖1所示。

    根據圖1所示的計算要求可知，平立復合矯參數模型包含如下幾個部分：
    （1）結構參數模型，用于計算和分析平立復合矯直過程中的輥徑，由此確定各輥預壓下量，是最重要的控制模型之一。
    （2）力能參數模型，用于計算矯直力和工作轉矩。
    （3）工藝參數模型，用于計算和分析平立復合矯各輥的壓彎量。
    （4）平直度模型，計算在初始設定參數的情況下，模型能夠得到的矯直效果。
    （5）自學習模型，從數據庫中存儲的歷史數據中智能學習參數相互之間的關系，給出優化的調整值。
    （6）應力應變模型，為自學習模型實現智能化提供樣本數據庫支持。
2 自學習模型的建立
    為實現自學習功能，需要建立一個自學習數學模型，要提高模型的精度，需要運用所獲取的數據，對數學模型不斷進行修正。然而，在實際過程中，運用所獲取的數據來判斷被監測對象的狀態是一種復雜的非線性推理過程，在這一過程中難以建立明確的數學模型，且隨著系統復雜度的增大，輸入與輸出之間的規則難以建立和維護。因此，ANN被引入使用。
2.1 人工神經網（ANN）的應用
    由于ANN不需要預先給出有關模式的經驗知識和判別函數，能對來自不同狀態的信息逐一進行訓練而獲得某種映射關系，因此它在模式識別領域的應用越來越廣泛。ANN不僅可根據樣本進行學習，改善模式識別能力，而且無需對模式分布進行一些統計上的假設，突破了傳統智能算法技術的束縛。
    自學習的過程實際上是把征兆空間的向量映射到解空間的過程。假設征兆空間為X，解空間為Y，自學習的工作即實現空間X到空間Y的映射F：
    F：X→Y(1)
    通常，映射F是未知的，并且難以用明確的數學模型來描述，但ANN可以通過學習輸入到輸出的樣本集，實現輸入到輸出的映射關系，其作用可用圖2表示。

      在圖2中，x和x′為輸入空間的樣本，y和y′為輸出空間的樣本。用部分已知輸入樣本x和輸出樣本y對ANN進行訓練，訓練后的網絡可以學會輸入樣本與輸出樣本之間的內在聯系，并把這種“知識”存儲在各神經元的連接權值上。訓練好的網絡可用來替代映射關系F，完成已知輸入樣本x′到未知輸出樣本y′的映射。采用ANN實現自學習的關鍵點是輸入輸出樣本集的構建和神經網絡訓練算法的選擇。
    運用神經網絡進行故障診斷時，需要大量的輸入輸出樣本來構成樣本集，神經網絡通過對樣本集中數據的訓練來學習輸入和輸出之間的映射關系。
    以60 kg/m重軌鋼為例，用水平矯中2號輥（R2H）、4號輥（R4H）、6號輥（R6H）、8號輥（R8H）和9號輥（R9H），以及垂直矯中2號輥（R2V）、4號輥（R4V）、6號輥（R6V）和8號輥（R8V）的壓下量作為網絡的輸入，用上述輥對應的調整系數（如水平矯中2號輥的調整系數為R2HC）作為輸出，通過現場記錄的數據，形成神經網絡輸入輸出樣本集，建立了訓練樣本輸入輸出表，部分數據如表1和表2所示。表中的數據可用來指導神經網絡的訓練。訓練好的ANN可用于預測下次計算模型的分配系數，從而得出一個較優的初始壓下量輸入值。

2.2 RBFNN訓練算法
    本項目提出采用RBFNN作為神經網絡的訓練算法。
    RBFNN結構與BPNN結構類似，也是由輸入層、隱層和輸出層組成的前饋網絡，其結構如圖3所示。對于從X→Y的映射，RBFNN可寫為：

 
    采用上述步驟可以確定RBFNN的網絡結構參數，用表1和表2中的樣本數據對其訓練后可以用于平立復合矯各輥的壓下量調整系數的計算。
    從重軌參數控制模型中的計算模型得出矯直的初始壓下量，當不能滿足矯直的工藝要求時，自學習模型采用RBFNN算法從數據庫中存儲的歷史數據中智能學習參數相互之間的關系，給出優化的調整值，使得矯直控制模型能很好地控制重軌的矯直工藝，并在實際應用中取得很好的效果。
參考文獻
[1] 崔莆．矯直理論與參數計算(第二版)[M]．北京：北京工業出版社，1994．
[2] 于鳳琴，于輝，杜鳳山.復合重軌矯直機的矯直力計算[J]．燕山大學學報，2005，(29)：448-450.
[3] 吳洪巖，劉淑華，張崳.基于RBFNN的強化學習在機器人導航中的應用[J].吉林大學學報，2009，27（2）：185-190.