CN102023572A - 全氢罩式炉神经网络控制技术 - Google Patents

Abstract

一种全氢罩式炉生产过程的神经网络控制技术，该技术以神经网络为手段、以降低全氢罩式炉生产过程中能耗为目标；利用神经网络建立最小能耗状态下退火钢材品种、规格和全氢罩式炉生产过程主要参数之间映射模型，进行全氢罩式炉最小能耗状态生产主要参数预估；在此基础上进行全氢罩式炉生产过程的控制，从而实现减小全氢罩式炉生产过程能耗的目标。本发明提出的全氢罩式炉神经网络控制技术，可降低全氢罩式炉生产过程的能耗，为全氢罩式炉的高效低能耗运行提供有效控制手段。

Description

全氢罩式炉神经网络控制技术

技术领域：

本发明属于全氢罩式炉控制相关领域，特别涉及一种针对全氢罩式炉生产过程的神经网络控制技术。

技术背景：

罩式退火炉主要用于冷轧板卷成品前的再结晶退火，通过退火使钢板显微组织结构、机械性能和工艺性能达到要求的指标。全氢罩式炉可以充分利用氢气氛还原作用，使得钢卷退火过程中内部和外部的温度分布更加均匀、钢卷表面更加清洁。因此退火产品利用全氢罩式炉进行退火，具有表面质量好、产量高、生产能耗低等优点。全氢罩式炉在钢铁等行业获得了广泛的应用。

全氢罩式炉生产过程主要包括炉台装料、放置内罩、氢气阀密封测试、锁紧内罩、炉台系统冷态密封测试、氮气预吹扫、点火和升温保温、氢气吹扫、吊离加热罩、辐射冷却、吊扣冷却罩、风冷和喷淋冷却、氮气后吹扫、炉台卸料等。全氢罩式炉生产过程复杂，需要利用控制系统进行生产过程的自动控制。目前在全氢罩式炉控制技术方面开展了一些研究工作。例如梁楚荣应用SIEMENS S7300可编程控制器(PLC)开发了冷轧带钢全氢罩式炉自动控制系统；该系统由全氢罩式炉控制系统由现场自动控制系统和上位机监控系统组成，具有冷轧带钢全氢罩式炉退火自动控制和安全保护功能。熊斐等人采用具有扩展性的分布式体系结构，开发了全氢罩式炉控制系统；该系统与数据采集工作站之间通过以太网相联接，使系统具备远程监控能力，能同时处理和监控200个炉台的数据。尹晓青、陆继东等人研究了罩式炉退火自适应控制方法，该方法包括在线计算启动前退火过程再现、在线计算启动后退火过程预测步骤；在在线计算启动前退火过程再现步骤中，利用可编程控制器存储的数据，进行具体退火过程钢卷温度场的重现，并获得在线计算启动时刻的温度场及为区分退火阶段而设定的系列标志信号；正在在线计算启动后退火过程预测步骤中，利用在线计算启动时刻的温度场进行退火过程的预测，进而得到新的退火工艺制度，传递给可编程控制器进行后续退火过程的控制；该方法具有依据罩式炉的设备结构和设备性能等进行自适应修正的优点。目前利用神经网络进行全氢罩式炉主要生产过程参数建模来降低全氢罩式炉生产能耗，这方面的研究工作还未见公开文献报道。

本发明是有关全氢罩式炉的神经网络控制技术。本发明提出的全氢罩式炉控制新技术是以神经网络为手段、以降低全氢罩式炉生产过程中能耗为目标；利用神经网络建立最小能耗状态下退火钢材品种、规格和全氢罩式炉生产过程主要参数之间映射模型，进行全氢罩式炉最小能耗状态生产主要参数预估；在此基础上进行全氢罩式炉生产过程的控制，从而实现减小全氢罩式炉生产过程能耗的目标。本发明提出的全氢罩式炉神经网络控制技术，可降低全氢罩式炉生产过程的能耗，为全氢罩式炉的高效低能耗运行提供有效控制手段。

发明内容：

本发明的目的是以神经网络为手段、以降低全氢罩式炉生产过程的能耗为目标，进行全氢罩式炉生产过程的自动控制。为了达到上述目标，本发明采用的技术方案是：以全氢罩式炉生产工艺过程中各阶段燃料流量、助燃空气流量、氢气补充量主要参数、全氢罩式炉的退火钢材品种规格以及退火过程中消耗的能耗数据为基础，建立最全氢罩式炉最小能耗状态下燃料流量等主要参数和退火钢材品种规格之间的神经网络映射模型；利用建立的神经网络模型，预估某品种钢材在采用全氢罩式炉进行退火时能耗最小状态的操作参数；以预估的全氢罩式炉燃料流量、助燃空气流量、氢气补充量主要参数为基础得到全氢罩式炉燃料流量、助燃空气流量、氢气补充量参数控制曲线，利用可编程逻辑控制器和变频控制器的数值转换实现全氢罩式炉的自动控制。

本发明包括全氢罩式炉生产过程样本数据建立、构建神经网络模型、全氢罩式炉生产参数预估、全氢罩式炉燃料流量等主要参数控制等内容。本发明包括的具体步骤如下：

1)建立全氢罩式炉生产过程样本数据

通过深入研究全氢罩式炉生产过程和全氢罩式炉生产能耗计算原理，确定与全氢罩式炉能耗直接相关的主要操作参数：燃料流量、助燃空气流量、氢气补充量。在此基础上对全氢罩式炉退火钢材品种规格、全氢罩式炉主要操作参数和能耗之间关系按照正交试验方法进行实验，获取反映有关全氢罩式炉退火钢材品种规格等参数与全氢罩式炉主要操作参数之间关系的大量数据，并计算相应的全氢罩式炉生产过程能耗。以全氢罩式炉能耗量为依据对获得的全氢罩式炉生产数据进行分类处理。按照全氢罩式炉能耗量的数值，将全氢罩式炉能耗量分为大、中、小三类。在对获得的全氢罩式炉运行数据进行分类基础上构造全氢罩式炉生产过程样本数据。在获取的所有全氢罩式炉运行数据中，筛选出全氢罩式炉能耗量小的一组数据，并将该组数据处理为样本数据。全氢罩式炉能耗量小对应的一组数据，就可以认为是反映了有关全氢罩式退火钢材品种、钢材厚度、钢材重量和全氢罩式炉燃料流量、助燃空气流量、氢气补充量主要参数在最小能耗状态之间的关系。本发明将该组数据中全氢罩式炉能耗量数据项去除，并将全氢罩式炉燃料流量、助燃空气流量、氢气补充量主要参数作为样本数据的输出、全氢罩式退火钢材品种、钢材厚度、钢材重量参数作为样本数据的输入来形成样本数据。该样本数据反映了全氢罩式炉最小能耗状态下有关全氢罩式炉退火钢材类型和全氢罩式炉燃料流量等主要操作参数之间的关系。

2)构建神经网络模型

以建立的全氢罩式炉生产过程样本数据为基础进行神经网络模型的构建。全氢罩式炉生产过程样本数据反映了全氢罩式炉最小能耗状态下全氢罩式炉燃料流量等主要操作参数和全氢罩式炉退火钢材类型等参数之间的关系，因此利用神经网络进行样本学习，就可以将样本数据蕴涵的全氢罩式炉最小能耗状态下全氢罩式炉主要生产参数和退火钢材类型之间关系由神经网络模型来描述，即通过样本学习获得的神经网络模型描述的全氢罩式炉燃料流量等主要操作参数和退火钢材类型等参数之间的关系反映了全氢罩式炉最小能耗状态下之间的规律。

构建神经网络模型需要先确定神经网络的结构和属性，包括神经网络的层数、隐含层数、每层的神经元数、每层的激活函数设置以及该神经网络模型的输入输出参数等。其中神经网络输入层神经元个数对应于样本输入部分的参数数目，包括退火钢材品种、钢材厚度、钢材重量参数。神经网络输出层神经元个数对应于样本输出部分的参数数目，包括全氢罩式炉生产各阶段的燃料流量、助燃空气流量、氢气补充量主要参数。在确定神经网络结构后，将样本数据处理成满足神经网络学习需要的要求，选择合适的学习算法进行神经网络的学习。完成神经网络的样本学习过程后，就可以建立反映全氢罩式炉最小能耗状态下全氢罩式炉主要操作参数和退火钢材类型间关系的神经网络模型。

3)全氢罩式炉燃料流量主要参数预估

以构建的全氢罩式炉最小能耗状态下全氢罩式炉燃料流量等主要操作参数和全氢罩式炉退火钢材类型等参数之间的神经网络模型为基础，进行最小能耗状态下全氢罩式炉燃料流量等主要操作参数的预估。将需要进行退火作业控制的钢材品种、钢材厚度、钢材重量参数作为神经网络的输入参数，对这些数据处理成满足神经网络预测需要的要求，即可获得的神经网络的输出。对神经网络的输出数据进行处理，即可获得全氢罩式炉最小能耗状态下燃料流量等主要操作参数。

4)全氢罩式炉燃料流量等主要参数控制

以神经网络模型预估获得的最小能耗状态下全氢罩式炉燃料流量等主要操作参数为基础，进行燃料流量等主要操作参数离散值曲线拟合，得到全氢罩式炉燃料流量等主要操作参数的控制曲线，为变频器对全氢罩式炉的燃料流量等主要参数控制做准备。

全氢罩式炉燃料流量等主要参数控制就是以全氢罩式炉燃料流量等主要参数控制曲线为依据，取此控制曲线上的点作为设定值传送给PID功能块，控制全氢罩式炉的燃料流量等主要参数，进行全氢罩式炉的燃料流量等主要参数的自动控制。

本发明的优点：全氢罩式炉的神经网络控制技术，能够对全氢罩式炉作业过程中最小能耗状态下的燃料流量等主要参数进行预估和控制，降低全氢罩式炉生产过程中的能耗量。

附图说明：

附图1是全氢罩式炉神经网络控制技术的流程图；

附图2是全氢罩式炉神经网络控制的控制原理示意图

附图3是全氢罩式炉神经网络控制的三层神经网络模型示意图；

具体实施方式：

以下结合附图，说明本发明提出的针对全氢罩式炉的神经网络控制技术，其具体实施方法如下：

图1是全氢罩式炉神经网络控制的流程图，在本发明中以神经网络为手段、以降低全氢罩式炉生产过程的能耗为目标，进行全氢罩式炉生产过程的燃料流量等主要参数控制。本发明首先以全氢罩式炉生产工艺过程中各阶段燃料流量、助燃空气流量、氢气补充量主要参数、全氢罩式炉的退火钢材品种规格以及退火过程中消耗的能耗数据为基础，建立最全氢罩式炉最小能耗状态下燃料流量等主要参数和退火钢材品种规格之间的神经网络映射模型；利用建立的神经网络模型预估全氢罩式炉进行钢材退火作业时能耗最小状态的主要操作参数；以预估的燃料流量等主要操作参数为基础得到全氢罩式炉燃料流量等主要参数控制曲线，利用可编程逻辑控制器和变频控制器的数值转换实现全氢罩式炉的燃料流量等主要参数控制。

图2是全氢罩式炉神经网络控制的控制原理示意图，本发明中全氢罩式炉的神经网络控制算法主要由可编程控制器来完成。通过神经网络模型来预估全氢罩式炉生产工艺各阶段的燃料流量等主要操作参数。预估得到的是各阶段的燃料流量等主要参数控制值，这些操作参数值是一些离散点，由于各阶段参数值可能不连续，直接用于参数控制对全氢罩式炉生产过程会造成一定的冲击。本发明先将这些离散点拟合成全氢罩式炉的主要参数控制曲线，再将控制曲线上的各点作为参数设定值通过PLC的D/A模块转化为电流信号用于控制变频器。本发明中燃料流量、助燃空气流量、氢气补充量分别由两台变频器通过改变电源频率控制电机转速实现参数的自动控制。这样可使得全氢罩式炉生产过程比较平稳。

本发明的实施例：

图3是全氢罩式炉神经网络控制的三层神经网络模型示意图，本实施例中构建的神经网络模型为具有三层结构的神经网络，如图3所示。

1.确定输入输出变量

在全氢罩式炉的退火过程中，与能耗密切相关的作业主要包括加温、保温、冷却环节。这些作业环节分别涉及燃料、助燃空气、氢气的补充，直接影响全氢罩式炉退火过程的能耗。考虑到加温、保温、冷却作业过程比较长，将加温环节分成的三个阶段的燃料流量、助燃空气流量、氢气补充参量，将保温环节分成的三个阶段燃料流量、助燃空气流量、氢气补充参量，将冷却环节分成五个阶段的氢气补充参量共23个参量一起作为神经网络模型的输出。将全氢罩式炉的退火钢材的品种、厚度、重量三个变量作为全氢罩式炉神经网络模型的输入变量。

2.网络结构描述

在本发明涉及的神经网络模型包含输入层、中间层(隐含层)和输出层。神经网络模型的输入层所包含的神经元个数为3个，分别对应全氢罩式炉的退火钢材的品种、厚度、重量三个变量。神经网络模型的隐含层包含10个神经元。神经网络模型的输出层所包含的神经元个数为23个，分别对应全氢罩式炉加温、保温、冷却作业各阶段的燃料流量、助燃空气流量、氢气补充参量。

本发明涉及的三层神经网络模型上下层之间各神经元实现连接，同层之间无连接，隐含层的激活函数均采用Sigmoid函数(S型函数)，函数描述如下：

$f\left(v\right)=\frac{1}{1+\exp (-\mathrm{av})}$

式中，a为Sigmoid函数的斜率参数，通过改变参数a，可以获取不同斜率的Sigmoid函数。

3.网络训练

网络的训练样本通过全氢罩式炉实验获得的数据进行整理后得到。神经网络训练的过程就是一个学习的过程，采用误差反向传播算法。首先将输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值，然后根据期望输出与实际输出的差值，由输出端开始逐层调节权值。

Claims (3)

1.全氢罩式炉神经网络控制技术，其特征是以神经网络为手段、以降低全氢罩式炉生产过程的能耗为目标，进行全氢罩式炉生产过程的自动控制，包括以下步骤：

建立全氢罩式炉生产过程样本数据；

构建神经网络模型；

罩式炉罩式炉最小能耗状态生产主要参数预估；

全氢罩式炉生产过程控制。

2.根据权利要求1所述的全氢罩式炉神经网络控制技术，其特征在于：所述的全氢罩式炉生产过程控制参数是进行罩式炉罩式炉最小能耗状态生产主要参数预估来得到的。

3.根据权利要求1所述的全氢罩式炉神经网络控制技术，其特征在于：所述的全氢罩式炉生产过程控制参数预估，是以建立的全氢罩式炉生产过程的神经网络模型为基础。

Images