加熱爐爐溫神經網絡預測模型的開發

譚玉倩,曹磊,鐘聞

(山東鋼鐵股份有限公司萊蕪分公司自動化部，山東萊蕪271104)

自動化

加熱爐爐溫神經網絡預測模型的開發

譚玉倩,曹磊,鐘聞

(山東鋼鐵股份有限公司萊蕪分公司自動化部，山東萊蕪271104)

針對加熱爐系統非線性、大滯后、大慣性，爐溫難以有效預測的問題，以山東鋼鐵萊蕪分公司寬厚板加熱爐為研究對象，通過神經網絡訓練獲得充分逼近仿真對象的系統參數，最后使用該方法對萊鋼寬厚板加熱爐爐溫進行預測，結果說明該方法預測準確，具有較強的實踐意義，為爐溫控制提供了可靠依據，提高了生產效率，降低了能耗。

加熱爐爐溫;學習速率;動量因子;BP神經網絡

1 前言

加熱爐是鋼鐵工業熱軋鋼生產線上關鍵的設備之一，也是軋鋼生產中能耗最大的設備。隨著現代化軋機向連續、大型、高速、高精度和多品種方向發展，對鋼坯加熱質量的要求也越來越高，從而對加熱過程的控制也提出了更高的要求。在熱軋生產過程中，加熱爐是一個多變量、時變、耦合的非線性系統，實現其爐溫預測，用于優化控制迫在眉睫。對加熱爐爐溫計算的研究不僅有節能降耗的實際需要，也是控制理論自身發展的需要。

針對加熱爐多變量、非線性系統的特點，BP神經網絡預測方法是解決此類問題的一種有效嘗試援為此，本文提出建立BP神經網絡模型對爐溫進行預測，采用限幅變步長算法同時引入動量項克服BP算法收斂速度慢、容錯能力差和易陷入局部最優值等不足，利用所建預測模型對萊鋼寬厚板加熱爐爐溫進行預測驗證，實際運行效果表明：預測精度和時間均滿足現場實際要求，具有很好的應用效果援本文中介紹了神經網絡預測建模方法，希望對加熱爐爐溫預測模型開發人員有所幫助。在此就該模型與大家進行一些探討，如有不妥之處，敬請指教。

2 系統概述

萊鋼寬厚板加熱爐為步進式加熱爐,沿爐長方向分為:預熱段、加熱玉段、加熱域段和均熱段，板坯依次經各控制段加熱后,達到工藝要求的溫度和均熱度,控制系統分為基礎自動化和過程自動化兩級，爐溫預測是過程自動化系統的一部分。本設計選擇板坯剩余在爐時間，上一周期計算的必要爐溫，板坯所在控制段加熱溫度目標值,鋼坯加熱狀況、煤氣成分、爐中部熱平衡指數和爐體熱損失量作為神經網絡輸入變量,預測下一周期加熱板坯所需的必要爐溫,周期設定為12 s，各板坯的必要爐溫經過計算后可得可控段的設定爐溫,該設定值用于基礎自動化燃燒系統的爐溫閉環控制.

本設計選取加熱玉段同一位置鋼種Q345B厚寬長規格300*2200*3250mm板坯加熱所需爐溫進行深入研究，從歷史數據庫取得爐溫實測數據以及前述模型輸入變量數據，采用內插法求取缺失數據和非正常數據的替代值，為了處理數據所含噪聲，對數據進行了卡爾曼濾波，之后將預處理后的數據劃分為訓練集和測試集，將1000組數據作為模型訓練集，180組數據作為測試集。在神經網絡訓練前，為了防止因凈輸入絕對值過大而使神經元輸出飽和，對樣本進行歸一化處理。

3 BP神經網絡預測模型的開發

3.1 神經網絡結構的確立

由于模型的輸入較多，并且加熱爐爐溫與各影響因素之間存在非線性關系，因此本設計中采用BP神經網絡建立加熱爐爐溫模型。BP神經網絡是一種具有三層或三層以上神經元的前饋神經網絡，包括輸入層、隱含層和輸出層。上下層之間實現全連接，而同一層的神經元之間無連接。它具有結構簡潔和易實現的特點，能夠實現信息并行處理和非線性轉換，BP算法依靠梯度下降法來尋找最優解。3層神經網絡拓撲結構如圖1所示。

圖1 BP神經網絡拓撲結構圖

圖1 中，為輸入層與隱含層的權值，為隱含層與輸出層的權值，X1、X2、……Xn是神經網絡的輸入值，Y1、……Yn是網絡的輸出值。

神經網絡結構的確定：由于本設計中輸入輸出之間的非線性函數較為復雜，兩隱含層神經網絡要比單隱含層仿真所需神經元個數少得多，收斂速度也快得多，因此采用兩隱含層網絡結構。

隱含層神經元節點數的設計非常重要，目前沒有統一的規范解決這一問題，本設計采用下列經驗公式確定。

上述兩式中，L為隱含層節點數，m、n分別為輸入節點數目與輸出節點數目；a為1~10之間的常數。根據設計中輸入輸出節點的取值，計算得到L取值范圍。本設計中m=7，n=1,通過計算得L取值范圍為3~6，通過逐步增長法結合訓練結果比較確定網絡為7-5-6-1結構。

3.2 BP神經網絡仿真過程

本設計中采用兩隱含層BP神經網絡，BP算法的核心是數學中的“負梯度下降”理論，即BP神經網絡的誤差調整方向總是沿著誤差下降最快的方向進行。常規三層BP神經網絡權值和閾值調整如下：

其中，E為網絡輸出與實際輸出樣本之間的誤差平方和；η為網絡的學習速率即權值調整幅度；ΔWij為輸入層第i個神經元與隱含層第j個神經元的連接權值t+1時刻相對于t時刻的調整量；ΔWjk為隱含層第j個神經元與隱含層第k個神經元的連接權值t+1時刻相對于t時刻的調整量；B為神經元的閾值，下標的意義與權值的相同。上述公式是BP網絡的學習規則，四層BP網絡的權值、閾值調整公式與此類似。

針對BP算法收斂速度慢、容錯能力差和易陷入局部最優值等不足，本設計中采用限幅變步長算法，神經網絡訓練過程中如果學習速率lr過大，會造成系統振蕩，甚至造成發散，因此，可以采用限制最大學習速率lrmax的方法來避免振蕩。當學習速率過小時，會導致系統的學習時間變長，收斂變慢，因此采用了限制最小學習速率lrmin的方法。在此基礎上，依據均方誤差的變化情況來調整迭代學習速率。這樣在計算量增加很小的情況下加快學習速度，同時可以在一定程度上跳出系統的局部最優值。具體算法如表1所示。

（1)如果新得到的誤差小于上次的誤差，則說明學習速率適應誤差變化的趨勢，可以適當增加學習速率，乘以一個因子g(g>1)，若動量項為0，則恢復到以前的值。

表1 限幅變步長算法步長調整公式

（2)如果新得到的誤差大于上次的誤差，且超過了某個設置的百分數ξ(典型值為1豫耀5豫)，則說明學習速率過大，應適當減小學習速率，乘以一個因子ρ(0<ρ<1)，將動量項設為0。

（3)誤差增加但沒有超過設置的百分數時，學習速率維持不變，若動量項為0，則恢復到以前的值。

（4)學習速率小于設定的最小學習速率，則取學習速率為設定的最小學習速率值。

（5)若學習速率大于設定的最大學習速率，則取學習速率為設定的最大學習速率值。

同時為了提高網絡的記憶能力以便使網絡學習提速和降低陷入局部最優值的機會，引入動量項來減小學習過程的震蕩趨勢，改善收斂性。本設計中樣本品質較差，并且網絡結構復雜，學習速率取值過大，會造成系統震蕩發散，因此學習速率初始值取較小的值。為保證網絡充分訓練，設計中選取較大的訓練次數，根據設計需要選擇誤差平方和作為目標誤差。訓練開始后，樣本提供給輸入神經元后，神經元的激活值（該層神經元輸出值）從輸入層經過各隱含層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應，然后按照減少網絡輸出與實際輸出之間誤差的方向，從輸出層反向經過各隱含層回到輸入層，從而逐步修正各連接權值和神經元閾值，隨著這種誤差逆向傳播修正的反復進行，網絡對輸入相應的正確率也不斷上升，誤差逐漸變小并最終達到理想誤差，權值和閾值得到修正的神經網絡充分逼近仿真系統。

3.3 運行效果

網絡訓練過程：神經網絡的學習曲線如圖2。圖2中，縱軸為模型輸出與實際輸出的誤差平方和，橫軸為模型訓練次數，由圖可見，在網絡訓練過程中誤差波動下降，由于限幅變步長算法和引入動量項的作用，訓練過程中沒有出現發散，也沒有陷入局部最優值，網絡逐漸逼近仿真系統。

圖2 BP神經網絡學習曲線圖

模型預測數據偏差檢驗：采用訓練好的BP神經網絡模型，使用測試樣本進行測試，將輸入數據提供給輸入層神經元，經過網絡計算后，在輸出層神經元產生網絡輸出，預測結果與實測爐溫的對比如圖3所示。

圖3 預測結果與實測爐溫對比圖

通過與測試數據實際輸出的比較，預測誤差大部分在-5%~10%以內，平均誤差1.5556%，符合偏差檢驗要求。

4 結語

本文對基于神經網絡模型的加熱爐爐溫預測作出了有益的嘗試，應用該模型研究山鋼股份萊蕪分公司寬厚板加熱爐，建立了板坯加熱所需爐溫預測模型，該公司厚板廠采用此模型對某型號板坯加熱玉段加熱所需爐溫作出了預測，結果表明，模型預測準確，該方法具有較強的實踐意義，為爐溫控制提供了可靠依據，提高了生產效率，降低了能耗。

[1]卓金武，魏永生，秦鍵，李必文.MATLAB在數學建模中的應用[M].北京：北京航空航天大學出版社,2011

[2]張德豐.MATLAB神經網絡編程[M].北京：化學工業出版社, 2011

[3]員世芬.小波神經網絡理論的研究及其在加熱爐鋼坯溫度預報中的應用[D].太原理工大學碩士學位論文,2005

[4]李鳳召.加熱爐鋼坯溫度建模及過程模擬[D].東北大學碩士學位論文,2008

[5]李新峰.加熱爐理論燃燒溫度的計算[J].冶金動力,2007,124(6):22原23

Development of Neural Network Prediction M odel for Tem perature of Heating Furnace

TAN Yuqian,CHAO Lei,ZHONG Wen
（The Automation Dept.of Laiwu Steel of Shandong Iron and Steel Group,Laiwu,Shandong 271104,China)

The temperature inside heating furnace is hard to predict due to nonlinear, high hysteretic and big inertia of the system.Aimed to the wide-heavy plate heating furnace of Laiwu Steel,system parameters fully close to emulated object were obtained through neural network training.Finally this approach was used to predict temperature inside the wide-heavy plate heating furnace of Laiwu Steel,the results of which showed that the method predicts accurately,bears practical significance,provides reliable basis for furnace temperature control, improves production efficiency and reduces energy consumption.

temperature inside heating furnace;learning rate;factor of momentum;BP neural network

TP311.5

B

1006-6764（2014）04-0058-03

2013-11-28

譚玉倩（1986-），女，2009年畢業于河南科技學院新科學院信息管理與信息系統專業，學士，助理工程師，現從事鋼鐵企業軋鋼生產線自動控制系統維護工作。