CN104281054A - 全氢罩式炉加热过程智能模糊控制方法 - Google Patents

Abstract

本发明涉及一种全氢罩式炉加热过程智能模糊控制方法，其特征在于所述方法包括以下步骤：步骤一、样本数据建立；步骤二、构建神经网络模型；步骤三、主要参数预估；步骤四、主要参数优化。本发明是以神经网络智能控制为手段、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智能模糊控制，从而实现减小全氢罩式炉生产过程能耗的目标。

Description

全氢罩式炉加热过程智能模糊控制方法

技术领域

本发明涉及一种全氢罩式炉加热过程的智能模糊控制方法。属于全氢罩式炉控制相关领域。

背景技术

全氢罩式退火炉是高质量冷轧产品退火设备，主要用于冷轧板卷成品前的退火, 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，因此在钢铁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。例如梁楚荣应用SIEMENS S7 300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。但是上述方法在全氢罩式炉生产过程的能耗较高。

发明内容

本发明的目的在于克服上述不足，提供一种全氢罩式炉加热过程智能模糊控制方法，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。

本发明的目的是这样实现的：一种全氢罩式炉加热过程智能模糊控制方法，所述方法包括以下步骤：

步骤一、样本数据建立

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、助燃空气流量和氢气补充量，对这三个参数进行样本数据建立；

步骤二、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，具体操作如下：

具体操作如下：

1）确定输入输出变量

将在全氢罩式炉的加热过程中的加温和保温时间、燃料流量、退火钢材品种、钢材厚度、钢材重量、加温环节的燃料流量、助燃空气流量、氢气补充参量和保温环节的燃料流量、助燃空气流量、氢气补充参量以及退火钢材的品种、厚度、重量一起作为神经网络模型的输入，将全氢罩式炉的加温和保温时间二个变量作为全氢罩式炉神经网络模型的输出变量。

 2）网络结构描述

本发明涉及的神经网络模型包含输入层、中间层和输出层，神经网络模型的输入层所包含的神经元个数为21，分别对应全氢罩式炉的退火钢材的品种、厚度、重量以及加温保温各阶段的燃料流量、助燃空气流量、氢气补充参量。神经网络模型的隐含层包含43个神经元，神经网络模型的输出层所包含的神经元个数为2个，分别对应全氢罩式炉加温、保温时间参量。

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：

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

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。

步骤三、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。

步骤四、主要参数优化

1）设计变量

将步骤二中涉及的输入变量用相应的字母表示；

2）设计模糊控制目标函数

全氢罩式炉加热过程能耗优化目标函数描述如下：

  F= A [(R1 + R2 + R3 ) T1/3 +  ( BR1 + BR2 + BR3 ) T2/3 ]

其中A为综合考虑燃料比重等因素得到的常数，T1和T2是全氢罩式炉加热过程中加温和保温时间，其它参量是加温和保温环节各阶段的燃料流量量。

3）设计模糊控制约束函数

在全氢罩式炉加热过程中，全氢罩式炉的燃料流量、助燃空气流量、氢气补充参量不能超过规定的上下限。

4）模糊控制计算

在全氢罩式炉加热过程参数优化过程中，调用遗传算法优化程序进行设计变量的优化计算，最终获得加温和保温环节分成的三个阶段的燃料流量、助燃空气流量、氢气补充参量优化值。

与现有技术相比，本发明的有益效果是：

本发明是以神经网络智能控制为手段、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智能模糊控制，从而实现减小全氢罩式炉生产过程能耗的目标。

附图说明

图1 是本发明全氢罩式炉智能模糊控制流程图。

图2 是本发明全氢罩式炉智能模糊控制模型示意图。

图3是本发明全氢罩式炉智能模糊控制原理示意图。

具体实施方式

参见图1，本发明涉及一种全氢罩式炉加热过程智能模糊控制方法，具体方法步骤如下：

步骤一、样本数据建立

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、助燃空气流量和氢气补充量，对这三个参数进行样本数据建立。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。

步骤二、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。具体操作如下：

1）确定输入输出变量

在全氢罩式炉的加热过程中，与能耗密切相关的参数主要包括加温和保温时间、燃料流量等。考虑到加温、保温时间不仅与括退火钢材品种、钢材厚度、钢材重量有关，而且与加热各阶段的燃料流量、助燃空气流量、氢气补充量等参数相关。因此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，将退火钢材的品种、厚度、重量三个变量共21个参量一起作为神经网络模型的输入。将全氢罩式炉的加温和保温时间二个变量作为全氢罩式炉神经网络模型的输出变量。

 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21，分别对应全氢罩式炉的退火钢材的品种、厚度、重量以及加温保温各阶段的燃料流量、助燃空气流量、氢气补充参量。神经网络模型的隐含层包含43个神经元。神经网络模型的输出层所包含的神经元个数为2个，分别对应全氢罩式炉加温、保温时间参量。

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：

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。

步骤三、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。

步骤四、主要参数优化

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。具体操作如下：

1）设计变量

在全氢罩式炉加热过程中影响能耗因素包括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，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，以及加温和保温时间。由于加温和保温时间是由加温和保温环节的燃料流量等参数共同影响的，不是自变量，因此将加温和保温环节分成的三个阶段的燃料流量、助燃空气流量、氢气补充参量共18个参量一起作为优化设计变量。所以优化变量可以记为：

X= { R1 , Z1 , Q1 , R2 , Z2 , Q21 , R3 , Z3 , Q3 , BR1 , BZ1 , BQ1 , BR2 , BZ2 , BQ21 , BR3 , BZ3 , BQ3 }

上式中，Ri 、Zi、Qi分别表示全氢罩式炉加温环节各阶段的燃料流量、助燃空气流量、氢气补充参量; BRi 、BZi、BQi分别表示全氢罩式炉保温环节各阶段的燃料流量、助燃空气流量、氢气补充参量。

2）设计模糊控制目标函数

全氢罩式炉加热过程能耗主要包括1、燃料消耗，2、燃料、助燃空气、氢气补充量的输送需要的动力和3、助燃空气预热需要的能量。当然全氢罩式炉加热过程能耗计算中最主要的是燃料消耗。因此在本发明中涉及的全氢罩式炉加热过程优化目标函数主要考虑燃料消耗。全氢罩式炉加热过程能耗优化目标函数描述如下：

  F= A [(R1 + R2 + R3 ) T1/3 +  ( BR1 + BR2 + BR3 ) T2/3 ]

其中A为综合考虑燃料比重等因素得到的常数，T1和T2是全氢罩式炉加热过程中加温和保温时间，其它参量是加温和保温环节各阶段的燃料流量量。

在全氢罩式炉加热过程能耗优化目标函数中加温和保温时间需要利用建立的神经网络模型来进行预估。

3）设计模糊控制约束函数

在全氢罩式炉加热过程中，全氢罩式炉的燃料流量、助燃空气流量、氢气补充参量不能超过规定的上下限。

4）模糊控制计算

本发明将智能模糊控制算法中的遗传算法应用于全氢罩式炉加热过程参数优化计算。在全氢罩式炉加热过程参数优化过程中，调用遗传算法优化程序进行设计变量的优化计算，最终获得加温和保温环节分成的三个阶段的燃料流量、助燃空气流量、氢气补充参量优化值。

Claims (1)

1.一种全氢罩式炉加热过程智能模糊控制方法，其特征在于所述方法包括以下步骤：

步骤一、样本数据建立

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、助燃空气流量和氢气补充量，对这三个参数进行样本数据建立；

步骤二、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，具体操作如下：

具体操作如下：

1）确定输入输出变量

将在全氢罩式炉的加热过程中的加温和保温时间、燃料流量、退火钢材品种、钢材厚度、钢材重量、加温环节的燃料流量、助燃空气流量、氢气补充参量和保温环节的燃料流量、助燃空气流量、氢气补充参量以及退火钢材的品种、厚度、重量一起作为神经网络模型的输入，将全氢罩式炉的加温和保温时间二个变量作为全氢罩式炉神经网络模型的输出变量；

 2）网络结构描述

本发明涉及的神经网络模型包含输入层、中间层和输出层，神经网络模型的输入层所包含的神经元个数为21，分别对应全氢罩式炉的退火钢材的品种、厚度、重量以及加温保温各阶段的燃料流量、助燃空气流量、氢气补充参量；

神经网络模型的隐含层包含43个神经元，神经网络模型的输出层所包含的神经元个数为2个，分别对应全氢罩式炉加温、保温时间参量；

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：

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

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；

步骤三、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；

步骤四、主要参数优化

1）设计变量

将步骤二中涉及的输入变量用相应的字母表示；

2）设计模糊控制目标函数

全氢罩式炉加热过程能耗优化目标函数描述如下：

  F= A [(R1 + R2 + R3 ) T1/3 +  ( BR1 + BR2 + BR3 ) T2/3 ]

其中A为综合考虑燃料比重等因素得到的常数，T1和T2是全氢罩式炉加热过程中加温和保温时间，其它参量是加温和保温环节各阶段的燃料流量量；

3）设计模糊控制约束函数

在全氢罩式炉加热过程中，全氢罩式炉的燃料流量、助燃空气流量、氢气补充参量不能超过规定的上下限；

4）模糊控制计算

在全氢罩式炉加热过程参数优化过程中，调用遗传算法优化程序进行设计变量的优化计算，最终获得加温和保温环节分成的三个阶段的燃料流量、助燃空气流量、氢气补充参量优化值。