期刊在线

快速论文发表热线: 010-57745461

客服中心

全国免费咨询:

QQ : 点击这里给我发消息 3077874057


电话:010-57745461


邮箱: hexinon@163.com


邮箱:hexinon@126.com

期刊库导航

行业资讯

最新论文

最热论文

神经网络技术在宽带加热炉温控模型中的研究与应用

2015-06-04 08:51:37  字体:   打印 收藏 

摘 要:摘 要:为了适应市场竞争要求,提高产品质量,对宽带加热炉的单位燃耗,板坯氧化烧损,产品质量稳定性等方面存在的问题进行研究,对加热炉控制系统进行优化,采用神经网络控制模型技术。采用遗传算法对板坯的必要炉温加权处理进行炉温设定,并将自适应神经网

关键词:计算机技术论文发表,发表计算机科学与技术论文,关于计算机的论文投稿


  摘 要:为了适应市场竞争要求,提高产品质量,对宽带加热炉的单位燃耗,板坯氧化烧损,产品质量稳定性等方面存在的问题进行研究,对加热炉控制系统进行优化,采用神经网络控制模型技术。采用遗传算法对板坯的必要炉温加权处理进行炉温设定,并将自适应神经网络控制的方法构建自学习模型,以进行自动温度控制,计算板坯加热时间,剩余炉内时间,分配加热区域。

  关键词:

  关键词:神经网络 预测控制 研究与应用

  1 莱钢宽带生产线加热炉现状分析

  莱钢宽带生产线加热炉由于炉型结构等原因,加热炉空烧时间长,生产能耗大,板坯质量方面,则存在板坯氧化烧损大,加热温度不均。为提高产品市场竞争力,通过应用模型控制技术,减少燃料消耗,提高产品质量。

  2 国内外现状分析

  加热模型控制技术包括模型和控制。模型是指通过数学工具描述炉内钢坯受热物理过程,控制是指通过模型将主要加热工艺参数自动设定到最合理状态并能够自动调节。在做好充分的需求分析之后的开展建模工作。通过各方面权衡、比较,在保留及完善一些现有系统实用的功能的前提下,创新性地采用神经网络控制技术,构造模型进行加热炉参数设定和燃烧控制。

  3 控制方法简介

  3.1 神经网络模型

  (1)多层感知器模型。多层感知器神经网络模型是指调整网络内部的结合权,使期望输出与实际输出的差值减小,以改善神经网络的工作。

  (2)自组织模型。自组织模型不同的是不规定期望的输出,通过自学习抽取对象数据的特征。

  3.2 预测控制

  预测控制(Predictive Control)是基于信息处理功能的预测模型、基于有限时域的滚动优化策略和灵活有效的反馈校正机制。预测控制的基本算法有动态矩阵控制(DMC),模型算法控制(MAC)和广义预测控制(GPC)。2在本项目中,具体的使用是,根据炉温实际值推算出各板坯所在位置的炉内温度以及上一时刻板坯的温度分布,进而依据推算的剩余炉内炉时间计算板坯炉温,然后根据Rule Base推论,确定板坯加权系数,来确定炉内各段的炉温设定。为确保板坯出炉温度精确,采用出口温度反推出炉温度的方法,计算出炉温度,并进行出炉温度的自学习。

  3.3 板坯出钢温度预测模型

  该模型是预测出钢时的板坯温度,计算出板坯最后在炉的温度。把末次处理计算的板坯坯内温度分布作为模型计算初始值,用出钢时间与末次计算时间的差值为已知时间,计算该时间内板坯温度变化。

  3.4 炉内温度跟踪模型

  根据模型实际输入值,计算炉内板坯的温度情况。采用差分方程对炉内板坯温度进行跟踪计算,计算出炉内板坯的温度分布。根据热辐射交换定律得出在炉内温度因子l和钢坯k的热交换Flk为:Flk=Klk×(Tl4-Tk4)。由于在加热炉和坯料之间也存在着热传递和热导现象,虽然对于相对有效的热传递,此类现象的影响不大,但我们这次也做了充分的考虑。式中Klk是可调整参数。

  钢坯温度计算,钢坯内部的热传导过程用傅立叶差分方程的数学模型来描述,该方程可以通过有限差分法来解:

  式中,K为钢坯的热传导系数;Cp为比热;D为钢密度; T为延钢坯厚度方向某一点的温度;K和Cp为温度和钢种的函数。

  3.5 炉温模型

  炉温模型是指,为使板坯加热到要求的目标温度,计算每块板坯必需的炉气温度,首先预测板坯剩余的炉内时间和计算的炉温预报的板坯到达炉内各段的温度;然后,将此预测温度与已经计算的出口温度做比较,得到预报值与目标值的偏差;最后,根据偏差和炉温影响系数计算出板坯的设定炉温,即加热炉炉温预测采用感知器神经网络技术进行加热炉炉温控制和热风风量控制。以钢坯煤气组成成分、加热影响因素、炉内热需求计算求得的计算值作为输入。

  图1 炉温预测模型神经网络结构

  中间层不断调整优化,通过计算选用其中的几个节点,而输出层选用 “炉温变高”,“炉温不变”和“炉温变低”这3个节点。输入数据经模型归一计算后,统一设置为-1~+1之间的值,输出预测值为0~1。采用逆向误差传播学习算法进行模型学习,并进行权重数值优化以实现尽快收敛。

  采用多层神经网络技术对炉内温度分布进行预测。模式识别的对象是炉体热电偶,温度检测分为炉体上部、炉体中部、炉体下部。通过模糊控制的方法,根据操作人员的操作经验对加热炉不同的工艺需求及炉况进行分类,构建不同的燃烧模式,判断所检测的数据模式符合哪种模式。

  自学习模型中,学习方法采用逆向误差传导学习法,其结果与专家系统的计算结果比较,通过遗传算法进行处理,得出最优结果。在几个温度分布模式中,取最类似的作为判定结果,进入专家系统计算。根据模式识别的输出,经过推理机进行推理,专家系统实现预测加热炉炉况,并输出具体操作方法。

  3.6 基于RT2的自适应学习模型

  对板坯的目标温度进行学习。学习过程采用图2所示的自适应神经网络控制方法。

  图2 自适应神经网络系统

  神经网络的输入值为期望输出与实际输出之差,即Yd-

[版权说明]本站论文版权属于作者本人,您可以参考、阅读、鉴赏本站论文,也可以利用本站论文进行论文创作,但不得抄袭、复制!本站免费论文主要来源于用户投稿和互联网,如果涉及到侵权问题,请联系我们予以删除。


上一篇:私有云与武警部队信息资源建设 下一篇:家电制造企业ERP供应链的实施透视

联系我们

投稿咨询电话:010-57745461
投稿咨询QQ:3077874057
论文投稿邮箱:hexinon@163.com
投诉建议邮箱:hexinon@126.com
在线投稿

论文发表说明

1. 如果您需要发表论文,请联系我们,客服人员会及时处理;
2. 专业编辑人员,为您的论文提供建议,使论文顺利发表;
3. 合作期刊,全国最全,与杂志社关系稳定,保证刊期。