神經(jīng)網(wǎng)絡技術在寬帶加熱爐溫控模型中的研究與應用論文
摘 要：為了適應市場競爭要求，提高產(chǎn)品質量，對寬帶加熱爐的單位燃耗，板坯氧化燒損，產(chǎn)品質量穩(wěn)定性等方面存在的問題進行研究，對加熱爐控制系統(tǒng)進行優(yōu)化，采用神經(jīng)網(wǎng)絡控制模型技術。采用遺傳算法對板坯的必要爐溫加權處理進行爐溫設定,并將自適應神經(jīng)網(wǎng)絡控制的方法構建自學習模型，以進行自動溫度控制,計算板坯加熱時間，剩余爐內(nèi)時間，分配加熱區(qū)域。
關鍵詞：神經(jīng)網(wǎng)絡 預測控制 研究與應用
1 萊鋼寬帶生產(chǎn)線加熱爐現(xiàn)狀分析
萊鋼寬帶生產(chǎn)線加熱爐由于爐型結構等原因，加熱爐空燒時間長，生產(chǎn)能耗大，板坯質量方面，則存在板坯氧化燒損大，加熱溫度不均。為提高產(chǎn)品市場競爭力，通過應用模型控制技術，減少燃料消耗，提高產(chǎn)品質量。
2 國內(nèi)外現(xiàn)狀分析
加熱模型控制技術包括模型和控制。模型是指通過數(shù)學工具描述爐內(nèi)鋼坯受熱物理過程，控制是指通過模型將主要加熱工藝參數(shù)自動設定到最合理狀態(tài)并能夠自動調節(jié)。在做好充分的需求分析之后的開展建模工作。通過各方面權衡、比較，在保留及完善一些現(xiàn)有系統(tǒng)實用的功能的前提下，創(chuàng)新性地采用神經(jīng)網(wǎng)絡控制技術，構造模型進行加熱爐參數(shù)設定和燃燒控制。
3 控制方法簡介
3.1 神經(jīng)網(wǎng)絡模型
(1)多層感知器模型。多層感知器神經(jīng)網(wǎng)絡模型是指調整網(wǎng)絡內(nèi)部的結合權，使期望輸出與實際輸出的差值減小，以改善神經(jīng)網(wǎng)絡的工作。
(2)自組織模型。自組織模型不同的是不規(guī)定期望的輸出，通過自學習抽取對象數(shù)據(jù)的特征。
3.2 預測控制
預測控制(Predictive Control)是基于信息處理功能的預測模型、基于有限時域的滾動優(yōu)化策略和靈活有效的反饋校正機制。預測控制的基本算法有動態(tài)矩陣控制(DMC)，模型算法控制(MAC)和廣義預測控制(GPC)。2在本項目中，具體的使用是，根據(jù)爐溫實際值推算出各板坯所在位置的爐內(nèi)溫度以及上一時刻板坯的溫度分布，進而依據(jù)推算的剩余爐內(nèi)爐時間計算板坯爐溫，然后根據(jù)Rule Base推論，確定板坯加權系數(shù)，來確定爐內(nèi)各段的爐溫設定。為確保板坯出爐溫度精確，采用出口溫度反推出爐溫度的方法，計算出爐溫度，并進行出爐溫度的自學習。
3.3 板坯出鋼溫度預測模型
該模型是預測出鋼時的板坯溫度，計算出板坯最后在爐的溫度。把末次處理計算的板坯坯內(nèi)溫度分布作為模型計算初始值，用出鋼時間與末次計算時間的差值為已知時間，計算該時間內(nèi)板坯溫度變化。
3.4 爐內(nèi)溫度跟蹤模型
根據(jù)模型實際輸入值，計算爐內(nèi)板坯的溫度情況。采用差分方程對爐內(nèi)板坯溫度進行跟蹤計算，計算出爐內(nèi)板坯的溫度分布。根據(jù)熱輻射交換定律得出在爐內(nèi)溫度因子l和鋼坯k的熱交換Flk為：Flk=Klk×(Tl4-Tk4)。由于在加熱爐和坯料之間也存在著熱傳遞和熱導現(xiàn)象，雖然對于相對有效的熱傳遞，此類現(xiàn)象的影響不大，但我們這次也做了充分的考慮。式中Klk是可調整參數(shù)。
鋼坯溫度計算，鋼坯內(nèi)部的熱傳導過程用傅立葉差分方程的數(shù)學模型來描述，該方程可以通過有限差分法來解：
式中，K為鋼坯的熱傳導系數(shù);Cp為比熱;D為鋼密度; T為延鋼坯厚度方向某一點的溫度;K和Cp為溫度和鋼種的函數(shù)。
3.5 爐溫模型
爐溫模型是指，為使板坯加熱到要求的目標溫度，計算每塊板坯必需的爐氣溫度，首先預測板坯剩余的爐內(nèi)時間和計算的爐溫預報的板坯到達爐內(nèi)各段的溫度;然后，將此預測溫度與已經(jīng)計算的出口溫度做比較，得到預報值與目標值的偏差;最后，根據(jù)偏差和爐溫影響系數(shù)計算出板坯的設定爐溫，即加熱爐爐溫預測采用感知器神經(jīng)網(wǎng)絡技術進行加熱爐爐溫控制和熱風風量控制。以鋼坯煤氣組成成分、加熱影響因素、爐內(nèi)熱需求計算求得的計算值作為輸入。
圖1 爐溫預測模型神經(jīng)網(wǎng)絡結構
中間層不斷調整優(yōu)化，通過計算選用其中的幾個節(jié)點，而輸出層選用 “爐溫變高”，“爐溫不變”和“爐溫變低”這3個節(jié)點。輸入數(shù)據(jù)經(jīng)模型歸一計算后，統(tǒng)一設置為-1～+1之間的值，輸出預測值為0～1。采用逆向誤差傳播學習算法進行模型學習，并進行權重數(shù)值優(yōu)化以實現(xiàn)盡快收斂。
采用多層神經(jīng)網(wǎng)絡技術對爐內(nèi)溫度分布進行預測。模式識別的對象是爐體熱電偶，溫度檢測分為爐體上部、爐體中部、爐體下部。通過模糊控制的方法，根據(jù)操作人員的操作經(jīng)驗對加熱爐不同的工藝需求及爐況進行分類，構建不同的燃燒模式，判斷所檢測的數(shù)據(jù)模式符合哪種模式。
自學習模型中，學習方法采用逆向誤差傳導學習法，其結果與專家系統(tǒng)的計算結果比較，通過遺傳算法進行處理，得出最優(yōu)結果。在幾個溫度分布模式中，取最類似的作為判定結果，進入專家系統(tǒng)計算。根據(jù)模式識別的輸出，經(jīng)過推理機進行推理，專家系統(tǒng)實現(xiàn)預測加熱爐爐況，并輸出具體操作方法。
3.6 基于RT2的自適應學習模型
對板坯的目標溫度進行學習。學習過程采用圖2所示的自適應神經(jīng)網(wǎng)絡控制方法。
圖2 自適應神經(jīng)網(wǎng)絡系統(tǒng)
【神經(jīng)網(wǎng)絡技術在寬帶加熱爐溫控模型中的研究與應用論文】相關文章：
極值理論在操作風險模型中的應用論文提綱11-15
無線網(wǎng)絡技術在校園網(wǎng)中的應用研究論文03-15
關于校園應用網(wǎng)絡技術的論文03-17
語言教學中任務設計模型的構建和應用研究12-02
云存儲技術在干部培訓中的應用研究論文03-16
小學數(shù)學教學模型思想研究論文02-17
勝任力模型在民營企業(yè)的應用論文02-21
- 相關推薦