CN101693944B - 用于辊底式热处理炉中的物料跟踪控制方法 - Google Patents

Abstract

本发明涉及热处理的技术领域，尤其涉及一种用于辊底式热处理炉中的物料跟踪控制方法。本发明利用了RBF神经网络整定分段速度补偿系数来实现对物料跟踪控制，把整个炉长分为几个段，为每一段定义一个段速度补偿系数，针对每块钢坯物料跟踪信息存储分配每段的段速度补偿系数，为每一段建立一个n组的数据库，利用RBF神经网络建立的物料跟踪拟合模型，使用最新的数据组更新当前段的段速度补偿系数，根据钢板物料跟踪位置信息，根据当前段的段速度补偿系数计算当前段的下发速度。本发明加强了物料跟踪系统的控制稳定性和精度，延长辊底式热处理炉无事故、高效率生产时间，物料跟踪信息与实际钢板位置误差可以控制在50mm以内，控制精度高，系统适应能力较强的特点。

Description

用于辊底式热处理炉中的物料跟踪控制方法

技术领域

本发明涉及热处理炉的技术领域，尤其涉及一种用于辊底式热处理炉中的物料跟踪控制方法。

背景技术

钢铁工业提高钢板质量的一项有效措施是对钢板进行热处理，而辊底式热处理炉由于处理的钢材质量好、产量高、易于实现机械化、自动化操作，因此被广泛地应用；热处理炉板坯物料跟踪是辊底式热处理炉优化加热控制的基础，它为温度控制和优化设定提供物料信息，物料跟踪的控制精度直接影响钢板质量及产量。

热处理炉炉底辊多采用一个辊道一个变频器的单对单控制方式，这就意味着不同的钢板在炉内可以以不同速度运行，对物料跟踪的控制精度提出了很高的要求，一旦物料跟踪信息与钢板实际位置不一致，就会导致炉内钢板控制混乱，有可能出现撞钢事故。

目前，热处理炉物料跟踪控制方法多采用速度补偿系数的方法来调整物料跟踪显示与钢板实际位置保持一致，由调试人员在项目之初根据热胀冷缩率确定系数大小，但是在生产过程中这个参数不是一成不变的，影响这个系数的大小的因素还有很多，例如，钢坯速度变化引起的打滑、由于使用频繁而出现的辊径磨损、相邻辊道之间的微小速度差、钢坯接触辊道的个数、钢坯重量等。这就导致前一时间段好用的参数值，过一段时间应用就出现错误，还需人工重新调整参数，费时费力。

基于现有技术存在的上述技术问题，本发明结合神经网络模型来解决目前存在的技术问题。神经网络具有很强的容错性和强鲁棒性，善于联想、综合和推广，对于任意非线性对象的逼近和建模以及对不确定模型的控制均有很好的效果。

RBF(径向基函数，Radial Basis Function)神经网络是一种具有较强函数逼近能力、分类能力和较快学习速度的三层前馈神经网络，其结构简单、训练简洁、而且学习收敛速度快，还具有良好的全局逼近性能，是一种局部接近网络；目前已经证明RBF神经网络可以在任意精度下逼近任意的非线性函数，且不存在局部最小问题，是一种品质良好的网络。

因此，本发明鉴于RBF神经网络的上述优点，将RBF神经网络应用在辊底式热处理炉中的物料跟踪控制过程中，从而改善了物料跟踪的控制精度和稳定性这个技术问题。

发明内容

本发明的目的是提供一种用于辊底式热处理炉中的物料跟踪控制方法，该方法控制精度高。

为达到上述目的，本发明采用如下的技术方案。用于辊底式热处理炉中的物料跟踪控制方法，其特征在于包括如下步骤：

①沿炉长方向设置多个光电管(所述炉指辊底式热处理炉)，所述多个光电管用来对炉内钢坯(即钢板)进行校正，以相邻两个光电管一段，把整个炉长分为几段，为每一段定义一个段速度补偿系数；

②针对每块钢坯物料跟踪信息存储分配每段的段速度补偿系数；

③为每一段建立一个n组的数据库，四分之一存储历史最优数据组，四分之三存储历史最近数据组，其中n为正整数；

④每当钢坯头部接触到当前段的光电管时，更新当前段的数据组，采用建立好的数据组，利用RBF神经网络建立的物料跟踪拟合模型，使用最新的数据组作为输入更新当前段的这个段速度补偿系数；

⑤根据现有的钢坯(即钢板)物料跟踪位置信息，根据当前段的段速度补偿系数计算当前段的下发速度。

步骤③中所述数据库的输入数据包括物料跟踪误差、当前段温度、钢坯长度、钢坯重量，所述数据库的输出数据为段速度补偿系数。

步骤④中采用的RBF神经网络的模型为4输入1输出的拟合模型。

步骤⑤中计算下发速度采用如下公式：d_{第n段下发}＝d_{第n段设定}×k_第n段，其中n为正整数，d_{第 n段下发}为第n段的下发速度，d_{第n段设定}为第n段的设定速度，k_第n段为第n段的段速度补偿系数。

所述多个光电管是指3～100个光电管。所述n为2～99的正整数。

本发明具有以下有益效果：

1)加强了物料跟踪系统的控制稳定性和精度，延长辊底式热处理炉无事故、高效率生产时间；

2)以解决不定时间出现的物料跟踪信息与实际钢坯之间不一致的技术问题，使控制精度达到允许的范围之内(物料跟踪信息与实际钢板位置误差可以控制在50mm以内)，控制精度高，系统适应能力较强；

3)在使用时间较长，段速度补偿系数呈现较明显的非线性的热处理炉物料跟踪控制上，具有较好的控制优势。

附图说明

图1是RBF神经网络的模型示意图。

图2是本发明提出的用于辊底式热处理炉中的物料跟踪控制方法的系统控制示意图。

图中，21-段速度补偿系数k存储表、22-物料跟踪计算位置、23-钢坯覆盖下的变频器组、24-辊底式热处理炉、25-实际物料跟踪位置、26-第一段RBF神经网络拟合模型、27-第二段RBF神经网络拟合模型、28-第三段RBF神经网络拟合模型、29-第一段历史数据库、30-第二段历史数据库、31-第三段历史数据库、32-加法器。

具体实施方式

下面以具体实施例结合附图对本发明作进一步说明：

为了便于理解本发明提出的用于辊底式热处理炉中的物料跟踪控制方法，首先对本发明中利用的RBF神经网络构成及训练方法进行详细介绍。

参见图1所示的RBF神经网络的模型示意图，本文采用典型的RBF神经网络结构，由三层组成，即输入层、隐含层、输出层，输入层节点的作用是传递信号到隐含层、隐含层节点由径向基函数构成、输出层节点通常是简单的线性函数。

适用本文设定网络有4个输入单元(物料跟踪误差x₁、当前段温度x₂、钢坯长度x₃、钢坯重量x₄)，1个输出单元(段速度补偿系数k)，P(P为未知参数，需训练得出)为隐含层单元个数，则4输入1输出的RBF神经网络能够实现输入输出之间如下的映射关系：

$k=\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{w}_j\mathrm{\μ}\left(\right||X-C_j|\left|\right),j=\mathrm{1,2},\·\·\·,P$

其中 $\stackrel{\→}{X}={(x_1,x_2,x_3,x_4)}^T$ 为RBF网络的输入向量，T为矩阵转置运算符号；k为段速度补偿系数(为RBF网络输出单元输出值)，w_j为第j个隐单元到第i输出单元的连接权值，μ为径向基函数运算符号，|| ||为欧氏范数运算符号， ${\stackrel{\→}{C}}_j={(c_{j1},c_{j2},c_{j3},c_{j4})}^T$ 为第j个隐单元的中心向量。

图1中：w₁为第1个隐单元到第1输出单元的连接权值，w_p为第p个隐单元到第p输出单元的连接权值；

为第1个隐单元的中心向量，

为第2个隐单元的中心向量，为第3个隐单元的中心向量。

径向基函数μ()，选择高斯函数(Gauss function)，则第j个隐单元的高斯函数为：

${\mathrm{\μ}}_j=\left(\stackrel{\→}{X}\right)=\exp [-\left(\frac{{(x_1-c_{j1})}^2}{2*r_{j1}^2}\right)+\left(\frac{{(x_2-c_{j2})}^2}{2*r_{j2}^2}\right)+\left(\frac{{(x_n-c_{j3})}^2}{2*r_{j3}^2}\right)+\left(\frac{{(x_n-c_{j4})}^2}{2*r_{j4}^2}\right)]=\exp [-\frac{{\left|\right|\stackrel{\→}{X}-{\stackrel{\→}{C}}_j\left|\right|}^2}{2*r_j^2}]$

其中r_j为该高斯函数的扩展常数(或称宽度系数)。

训练RBF网络的目的在于确定网络的结构，即隐单元数P和隐单元的中心还要确定适当的扩展常数r_j，确定了网络的结构之后，选用正交最小二乘(OLS)算法，来确定网络的连接权值w_j，这样就构造了一个完整的RBF网络。

RBF神经网络的性能主要由隐含层的中心

决定，即RBF网络的结构特点主要由隐含层的中心位置

和个数P决定。不同的输入样本对网络中心位置的确定影响是不一样有的比较大，有的比较小。如果能够准确的找到各输入样本点对确定网络中心影响大小的一个量度，便可以从输入样本中取出那些对网络中心影响较大的作为网络中心，从而可以简化网络结构。OLS正是基于上述思想，根据网络的精度要求以及各个输入样本点对中心的影响大小来合理的确定网络结构。并且网络结构和隐含层与输出层的连接权值的确定是同时的。

图2所示为本发明提出的用于辊底式热处理炉中的物料跟踪控制方法的系统控制示意图，该技术方案利用了RBF神经网络整定分段速度补偿来实现对物料跟踪控制，下面结合附图2描述本发明的技术方案。

辊底式热处理炉24中所示沿炉长方向设有4个光电管，所设光电管用来对炉内钢板进行校正，以相邻两个光电管一段，把整个有效炉长55.8米分为3段(0-22200mm；22200-43960mm；43960-55880mm)，为每一段定义一个段速度补偿系数，则可定义3个段速度补偿系数；

段速度补偿系数k存储表21存储的补偿系数用于针对每块钢坯物料跟踪信息存储分配每段的速度补偿系数，如图2所示，段速度补偿系数k存储表21存储了三段补偿系数，即第一段补偿系数k_第1段、第二段补偿系数k_第2段、第三段补偿系数k_第3段；

网络建立之前，先采集每段100组的初始数据用于训练RBF神经网络，具体采集方法为每当钢坯头部接触到当前段的光电管时，系统记录下物料跟踪误差(-800mm到800mm之间的数)、当前段温度(20摄氏度到1000摄氏度之间)、钢坯长度(6000mm到18000mm之间)、钢坯重量(6吨到19.38吨之间)等输入数据，根据下面公式计算初始段速度补偿系数(0.8到1.3之间)。

在积累全了每段100组的数据后，采用此100组历史数据组，作为训练样本，以1mm物料跟踪误差为训练精度，应用神经网络训练方法中最常用的正交最小二乘(OLS)训练方法，离线建立系统拟合模型。

如图2所示，三段补偿系数分别对应三个历史数据库，即第一段历史数据库、第二段历史数据库、第三段历史数据库，这三个历史数据库分别存储了历史最优数据和历史最近数据，这三个数据库分别以物料跟踪误差、当前段温度、钢坯长度、钢坯重量为输入，每段的段速度补偿系数为输出；

模型经过离线训练后，可投入控制回路，以最近的一组数据为输入，经过拟合模型计算得出段速度补偿系数更新存储表；

当建立了RBF神经网络模型后，每当钢坯头部接触到当前段的光电管时，记录下一组(物料跟踪误差、当前段温度、钢坯长度、钢坯重量)输入数据，以此组数据为输入，根据建成的RBF网络模型计算出段速度补偿系数，同时把这组完整的输入输出数据，按四分之一存储历史最优数据组(物料跟踪误差最小的数据组)，四分之三存储历史最近数据组(按时间先后顺序确定的数据组)的规律更新；

如图2所示，段速度补偿系数k存储表21的三段速度补偿系数分别对应了三段RBF神经网络拟合模型，即第一段RBF神经网络拟合模型26、第二段RBF神经网络拟合模型27、第三段RBF神经网络拟合模型28，三段RBF神经网络拟合模型利用三段历史数据库中的数据，即第一段历史数据库29、第二段历史数据库30、第三段历史数据库31这三个历史数据库中的数据，经过拟合模型计算得出每段速度补偿系数，并更新速度补偿系数存储表。

段速度补偿系数k存储表21以公式d_{第n段下发}＝d_{第n段设定}×k_第n段计算辊道变频器下发速度(0.39m/Min到3m/Min之间)，将该速度数据值通过钢坯覆盖下的变频器组23更新钢板在此段的变频器组实际辊道变频器下发速度，然后输出给辊底式热处理炉24，进一步获得实际物料跟踪位置25；段速度补偿系数k存储表21计算获得每段下发速度的同时，获得物料跟踪计算位置22；

物料跟踪计算位置22和实际物料跟踪位置25输出给加法器32，所获得的数据进一步输出给每段的RBF神经网络拟合模型和每段的历史数据库；

根据现有的钢板物料跟踪位置信息，根据当前段的段速度补偿系数计算当前段的下发速度。

Claims (3)

1.用于辊底式热处理炉中的物料跟踪控制方法，其特征在于包括如下步骤：

①沿炉长方向设置多个光电管，所述多个光电管用来对炉内钢坯进行校正，以相邻两个光电管一段，把整个炉长分为几段，为每一段定义一个段速度补偿系数；

②针对每块钢坯物料跟踪信息存储分配每段的段速度补偿系数；

③为每一段建立一个n组的数据库，四分之一存储历史最优数据组，四分之三存储历史最近数据组，其中n为正整数；

④每当钢坯头部接触到当前段的光电管时，更新当前段的数据组，采用建立好的数据组，利用RBF神经网络建立的物料跟踪拟合模型，使用最新的数据组作为输入更新当前段的这个段速度补偿系数；

⑤根据现有的钢坯物料跟踪位置信息，根据当前段的段速度补偿系数计算当前段的下发速度；

所述的步骤⑤中计算下发速度采用如下公式：d_{第n段下发}＝d_{第n段设定}×k_第n段，其中n为正整数，d_{第n段下发}为第n段的下发速度，d_{第n段设定}为第n段的设定速度，k_第n段为第n段的段速度补偿系数。

2.根据权利要求1所述的用于辊底式热处理炉中的物料跟踪控制方法，其特征在于：步骤③中所述数据库的输入数据包括物料跟踪误差、当前段温度、钢坯长度、钢坯重量，所述数据库的输出数据为段速度补偿系数。

3.根据权利要求1所述的用于辊底式热处理炉中的物料跟踪控制方法，其特征在于：步骤④中采用的RBF神经网络的模型为4输入1输出的拟合模型。

Images