基于BP神经网络的镀锡板合金层厚度预测及应用

2021-04-22张栓杨凡

科学咨询 2021年14期

张栓杨凡

（武钢日铁（武汉）镀锡板有限公司湖北武汉 430083）

镀锡板是两面镀有商业纯锡的冷轧低碳薄钢板或钢带[1]。它具有良好的耐蚀性、焊接性，广泛应用于食品饮料包装、电子零部件制造、化工器皿制造等。镀锡板是将退火后的带钢经碱洗、酸洗、电镀、软熔、后处理等工序后而得到的钢铁产品。镀锡板的合金层形成于软熔工序：金属锡在电镀工序中被电镀到钢板表面，随后在软熔工序中被加热至其熔点232℃以上，并与钢板中的铁形成一种金属间化合物，即锡铁合金。这个锡铁合金通常被称为合金层。相关研究表明，镀锡板合金层直接影响着镀锡板的耐蚀性[2-4]、抗划伤性[5]、焊接性[6]等关键性能。因此，合金层对镀锡板有着举足轻重的作用，研究和预测镀锡板合金层厚度具有重要的意义。

人工神经网络是处理复杂非线性问题的一种有效方法，能够建立输入和未被发现的过程条件下输出数据之间的关系[7-9]。人工神经网络可具有泛化能力，即神经网络对已知的信息进行学习后掌握其中规律，从而对新的信息做出正确的预测。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的人工神经网络[10]。本文采用BP人工神经网络对合金层厚度进行了预测，并编写了预测软件用于指导实际生产。

一、神经网络

（一）构建神经网络

构建神经网络的主要内容为选用神经网络模型层数、各层（输入层、隐藏层、输出层）的节点数及选定激活函数等。

笔者结合合金熔体热力学理论及对大量基础数据进行相关性分析后，确定了镀锡量、感应线圈高度、软熔温度、工艺速度4个主要因素对镀锡板合金层厚度有重要影响。故输入层节点数为4，输出层节点数为1（即合金层厚度）。

理论上已经证明，3层BP神经网络可以以任意精度逼近任意连续函数，当学习不连续函数（如锯齿形的）时则需4层神经网络[11]。而面对复杂问题时，3层网络的隐含层节点数过多后，会影响计算效率和精度，此时需要增加层数以减少各层节点数。一般来说，BP神经网络的预测精度会随层数的增加而有所提高，但层数增加后会导致其结构复杂化，并且会影响神经网络训练效率、降低泛化（预测）能力。故本文将选择3层、4层神经网络模型分别进行试算，相应的模型分别为4-20-1、4-50-1、4-12-6-1、4-16-7-1，分别使用Tanh、Sigmoid作为激活函数，均方误差作为损失函数，最大训练轮次Epoch=1000。

（二）训练神经网络

为了获得的准确的数据、并提供精确的预测值来指导生产，笔者直接从某镀锡板厂现场生产工艺参数监控系统中收集了670组工艺参数，并收集了对应的合金层厚度检验结果。这些数据将用于构建神经网络。神经网络性能的好坏主要看其是否具有很好的泛化能力，对泛化能力的测试不能用训练集的数据进行，而要用训练集以外的数据来进行检验。因此，在670组数据中，本文随机选取了30%的数据作为测试集来验证训练模型的性能的好坏，剩下70%作为训练集参与模型训练。

一般而言，同一网络模型随着训练的进行，训练集的均方误差会呈现越来越小的趋势，但测试集均方误差的趋势会先下降后上升，即泛化能力先变好后变差，也就是通常所说的欠拟合和过拟合。为了获得较好的泛化能力，训练时将训练与测试交替进行。即：每轮次用训练集训练并更新网络权重后，记录训练均方误差，随后保持网络权重不变用测试集运行网络，记录测试均方误差。当测试均方误差开始上升或已训练轮次达到最大训练轮次后，停止训练，保存当前网络权重。