基于模糊BP神經(jīng)網(wǎng)絡(luò)的加熱爐爐溫優(yōu)化控制研究

陳洪軍

摘要：在鋼鐵熱軋生產(chǎn)過(guò)程中，鋼坯加熱控制系統(tǒng)是復(fù)雜的工業(yè)控制過(guò)程，具有多變量、大慣性、非線性、強(qiáng)耦合的特點(diǎn)，所以干擾非常嚴(yán)重，建模十分困難，常規(guī)的控制方法難以取得理想的控制效果。模糊BP神經(jīng)網(wǎng)絡(luò)結(jié)合神經(jīng)網(wǎng)絡(luò)與模糊控制算法的優(yōu)點(diǎn)，對(duì)加熱爐爐溫進(jìn)行優(yōu)化，對(duì)鋼鐵企業(yè)降低能耗、節(jié)約能源具有一定的現(xiàn)實(shí)意義。

關(guān)鍵詞：鋼坯加熱爐；模糊BP神經(jīng)網(wǎng)絡(luò)；優(yōu)化控制；鋼鐵熱軋生產(chǎn)；爐溫控制 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類(lèi)號(hào)：TP273 文章編號(hào)：1009-2374（2015）35-0030-02 DOI：10.13535/j.cnki.11-4406/n.2015.35.015

1 加熱爐鋼坯加溫方式

熱軋生產(chǎn)過(guò)程溫度經(jīng)過(guò)幾個(gè)階段最終達(dá)到滿足工藝要求，使鋼坯表面溫度與目標(biāo)溫度之差、斷面溫差均滿足溫差，對(duì)鋼坯的加熱過(guò)程進(jìn)行分析。爐溫分布的不同，鋼坯的升溫過(guò)程和能耗也不同，在加熱爐的生產(chǎn)實(shí)踐中產(chǎn)生了三種不同的加熱方式。

第一種，鋼坯在開(kāi)始階段升溫過(guò)于緩慢，所以需要給加熱爐加大燃料，提高鋼坯升溫速度，結(jié)果造成后期升溫梯度很大，容易導(dǎo)致鋼坯的表面和內(nèi)部的溫差較大，鋼坯受熱不均勻，容易損傷軋機(jī)，同時(shí)燃料也消耗非常大。

第二種，開(kāi)始階段溫度較低時(shí)，鋼坯升溫速度比較緩慢，鋼坯產(chǎn)生的溫度應(yīng)力較小，造成鋼坯的加熱速度限制比較小，又經(jīng)過(guò)短時(shí)間的均熱段，鋼坯表面溫度和中心溫度的溫差很小，基本上很接近，溫度達(dá)到均衡，適合出爐，從而縮短了鋼坯在爐內(nèi)的停留時(shí)間，降低了鋼坯的氧化燒損程度，也減少了燃料的大量浪費(fèi)，提高產(chǎn)品的成品率。

第三種，開(kāi)始階段鋼坯升溫較快，導(dǎo)致鋼坯表面溫度和中心溫度的溫差也很大，絕大多數(shù)鋼種在溫度較高時(shí)都是處于彈性狀態(tài)，鋼坯加熱速度太快的情況下，造成軋制后的產(chǎn)品質(zhì)量較差。

2 模糊控制系統(tǒng)

模糊控制系統(tǒng)是人工智能算法和現(xiàn)代先進(jìn)控制理論與技術(shù)相結(jié)合的一種模糊集成控制。模糊控制系統(tǒng)由以下四部分組成：

2.1 被控對(duì)象

加熱爐爐溫優(yōu)化的被控對(duì)象為確定的單變量線性數(shù)據(jù)，采用溫度傳感器進(jìn)行采集，這種多因素變量適合模糊控制。

2.2 輸入/輸出接口

本文模糊控制系統(tǒng)部分采用的是一個(gè)單輸入、雙輸出模糊控制系統(tǒng)，單個(gè)輸入量分別為給定溫度和爐內(nèi)溫度、設(shè)定值的差值及其變化率，輸出量為煤氣閥開(kāi)度、空氣閥開(kāi)度。實(shí)際中，大多數(shù)數(shù)據(jù)的采集為模擬變化量，在接口中，還應(yīng)該設(shè)置A/D、D/A轉(zhuǎn)換。

2.3 模糊控制器

模糊控制器本質(zhì)上是一個(gè)非線性控制器，采用偏差與偏差率作為輸入，通過(guò)模糊控制知識(shí)表示和規(guī)則推理。

2.4 執(zhí)行機(jī)構(gòu)

大多執(zhí)行機(jī)構(gòu)采用電機(jī)進(jìn)行控制，本文也是采用電機(jī)對(duì)煤氣閥開(kāi)度、空氣閥開(kāi)度進(jìn)行控制，調(diào)節(jié)煤氣與空氣的比例，以達(dá)到爐內(nèi)溫度的最適宜情況。

3 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)學(xué)習(xí)算法是把誤差歸因于閾值和連接權(quán)值采用的不適當(dāng)。通過(guò)反向傳播給各連接節(jié)點(diǎn)，算出各連接節(jié)點(diǎn)的參考誤差，對(duì)各連接權(quán)值和閾值進(jìn)行相應(yīng)的調(diào)整，使網(wǎng)絡(luò)達(dá)到相應(yīng)的映射要求。

4 基于模糊BP神經(jīng)網(wǎng)絡(luò)的加熱爐爐溫優(yōu)化

4.1 模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)通常指將模糊化概念和模糊推理引入神經(jīng)元的模糊神經(jīng)網(wǎng)絡(luò)。如圖1所示：

輸入量為溫度的偏差（設(shè)定值與實(shí)測(cè)爐溫之差）e和偏差的變化率ec，通過(guò)模糊化的處理，得到各自的模糊語(yǔ)言變量E和EC。神經(jīng)網(wǎng)絡(luò)輸出加熱爐的煤氣和空氣閥開(kāi)度的模糊語(yǔ)言值，通過(guò)去?；?，實(shí)現(xiàn)通過(guò)閥門(mén)的開(kāi)度控制爐膛溫度。

4.2 模糊神經(jīng)算法

4.2.1 模糊神經(jīng)網(wǎng)絡(luò)連接權(quán)值的調(diào)整。本系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的等價(jià)連接方式，基于模糊神經(jīng)網(wǎng)絡(luò)在本系統(tǒng)中的作用是將本領(lǐng)域?qū)＜业闹R(shí)和經(jīng)驗(yàn)進(jìn)行數(shù)字化的模糊化處理，所以本系統(tǒng)采用輸入值和權(quán)值均為模糊量五層的FNN3型模糊神經(jīng)網(wǎng)絡(luò)模型，依次為輸入層、模糊化層、隱含層、反模糊化層、輸出層。通過(guò)BP算法修正二、三和三、四層之間的連接權(quán)值和閾值以及隸屬度函數(shù)的參數(shù)。

4.2.2 優(yōu)化隸屬度函數(shù)。在給定輸入樣本后，通過(guò)模糊神經(jīng)網(wǎng)絡(luò)的反復(fù)學(xué)習(xí)，不斷調(diào)整模糊控制規(guī)則來(lái)適應(yīng)神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)的變化趨勢(shì)，使模糊控制方法與加熱爐溫度調(diào)整更加適應(yīng)，達(dá)到通過(guò)PID控制器調(diào)節(jié)煤氣、空氣閥的開(kāi)度。

4.3 模糊BP神經(jīng)網(wǎng)絡(luò)PID算法

根據(jù)上節(jié)所述，神經(jīng)網(wǎng)絡(luò)模糊PID控制算法如下：

4.3.1 選定BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)和隱含層節(jié)點(diǎn)數(shù)、加權(quán)初值、選定學(xué)習(xí)速率和慣性系數(shù)。

4.3.2 對(duì)誤差的變化率、溫度誤差進(jìn)行模糊化處理，作為神經(jīng)網(wǎng)絡(luò)的輸入。

4.3.3 計(jì)算BP神經(jīng)網(wǎng)絡(luò)的各層神經(jīng)元的輸出以及輸入，控制PID控制器的參數(shù)，控制煤氣閥開(kāi)度、空氣閥

開(kāi)度。

4.3.4 采用的是經(jīng)典增量式數(shù)字PID控制，控制

式為：

4.3.5 計(jì)算修正輸出層、正隱含層的連接權(quán)值。

5 仿真實(shí)驗(yàn)

本文以Q235，150mm*150mm*4000mm鋼為例，鋼坯在爐時(shí)間為5小時(shí)左右，出爐溫度為1200℃～1280℃為例，在MATLAB中進(jìn)行了仿真實(shí)驗(yàn)，仿真結(jié)果對(duì)比，圖2為優(yōu)化前后的溫度對(duì)比。h/H為加熱時(shí)間與在爐內(nèi)的加熱時(shí)間的比值。

（上方曲線b1是優(yōu)化后加熱爐的溫度，下方曲線b2是傳統(tǒng)控制方法加熱爐溫度）

6 結(jié)語(yǔ)

仿真結(jié)果證明綜合優(yōu)化后，能夠在鋼坯溫度分布不符合要求下，調(diào)整鋼坯的加熱過(guò)程，減少了兩者不必要的能耗，同時(shí)保證了粗軋制機(jī)組的生產(chǎn)安全。根據(jù)信息動(dòng)態(tài)的調(diào)整加熱爐加熱過(guò)程，利用溫度反饋到加熱爐好壞反應(yīng)鋼坯質(zhì)量，對(duì)鋼鐵生產(chǎn)改造具有非常重大的意義。

參考文獻(xiàn)

[1] 陳南岳.現(xiàn)代加熱爐過(guò)程控制技術(shù)及其數(shù)學(xué)模型[J].冶金自動(dòng)化，1985，（3）.

[2] 王中杰，關(guān)守平，柴天佑.加熱爐自適應(yīng)鋼坯溫度預(yù)報(bào)模型的開(kāi)發(fā)[J].鋼鐵研究學(xué)報(bào)，1999，11（2）.

[3] 王錫淮，李少遠(yuǎn)，席裕庚.加熱爐鋼坯溫度軟測(cè)量模型研究[J].自動(dòng)化學(xué)報(bào)，2004，30（6）.

[4] 田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京：北京理工大學(xué)出版社，2006.

（責(zé)任編輯：周 瓊）