基于模糊BP神經網絡的加熱爐爐溫優化控制研究

陳洪軍

摘要：在鋼鐵熱軋生產過程中，鋼坯加熱控制系統是復雜的工業控制過程，具有多變量、大慣性、非線性、強耦合的特點，所以干擾非常嚴重，建模十分困難，常規的控制方法難以取得理想的控制效果。模糊BP神經網絡結合神經網絡與模糊控制算法的優點，對加熱爐爐溫進行優化，對鋼鐵企業降低能耗、節約能源具有一定的現實意義。

關鍵詞：鋼坯加熱爐；模糊BP神經網絡；優化控制；鋼鐵熱軋生產；爐溫控制 文獻標識碼：A

中圖分類號：TP273 文章編號：1009-2374（2015）35-0030-02 DOI：10.13535/j.cnki.11-4406/n.2015.35.015

1 加熱爐鋼坯加溫方式

熱軋生產過程溫度經過幾個階段最終達到滿足工藝要求，使鋼坯表面溫度與目標溫度之差、斷面溫差均滿足溫差，對鋼坯的加熱過程進行分析。爐溫分布的不同，鋼坯的升溫過程和能耗也不同，在加熱爐的生產實踐中產生了三種不同的加熱方式。

第一種，鋼坯在開始階段升溫過于緩慢，所以需要給加熱爐加大燃料，提高鋼坯升溫速度，結果造成后期升溫梯度很大，容易導致鋼坯的表面和內部的溫差較大，鋼坯受熱不均勻，容易損傷軋機，同時燃料也消耗非常大。

第二種，開始階段溫度較低時，鋼坯升溫速度比較緩慢，鋼坯產生的溫度應力較小，造成鋼坯的加熱速度限制比較小，又經過短時間的均熱段，鋼坯表面溫度和中心溫度的溫差很小，基本上很接近，溫度達到均衡，適合出爐，從而縮短了鋼坯在爐內的停留時間，降低了鋼坯的氧化燒損程度，也減少了燃料的大量浪費，提高產品的成品率。

第三種，開始階段鋼坯升溫較快，導致鋼坯表面溫度和中心溫度的溫差也很大，絕大多數鋼種在溫度較高時都是處于彈性狀態，鋼坯加熱速度太快的情況下，造成軋制后的產品質量較差。

2 模糊控制系統

模糊控制系統是人工智能算法和現代先進控制理論與技術相結合的一種模糊集成控制。模糊控制系統由以下四部分組成：

2.1 被控對象

加熱爐爐溫優化的被控對象為確定的單變量線性數據，采用溫度傳感器進行采集，這種多因素變量適合模糊控制。

2.2 輸入/輸出接口

本文模糊控制系統部分采用的是一個單輸入、雙輸出模糊控制系統，單個輸入量分別為給定溫度和爐內溫度、設定值的差值及其變化率，輸出量為煤氣閥開度、空氣閥開度。實際中，大多數數據的采集為模擬變化量，在接口中，還應該設置A/D、D/A轉換。

2.3 模糊控制器

模糊控制器本質上是一個非線性控制器，采用偏差與偏差率作為輸入，通過模糊控制知識表示和規則推理。

2.4 執行機構

大多執行機構采用電機進行控制，本文也是采用電機對煤氣閥開度、空氣閥開度進行控制，調節煤氣與空氣的比例，以達到爐內溫度的最適宜情況。

3 BP神經網絡

BP網絡學習算法是把誤差歸因于閾值和連接權值采用的不適當。通過反向傳播給各連接節點，算出各連接節點的參考誤差，對各連接權值和閾值進行相應的調整，使網絡達到相應的映射要求。

4 基于模糊BP神經網絡的加熱爐爐溫優化

4.1 模糊神經網絡控制系統結構

模糊神經網絡通常指將模糊化概念和模糊推理引入神經元的模糊神經網絡。如圖1所示：

輸入量為溫度的偏差（設定值與實測爐溫之差）e和偏差的變化率ec，通過模糊化的處理，得到各自的模糊語言變量E和EC。神經網絡輸出加熱爐的煤氣和空氣閥開度的模糊語言值，通過去模化后，實現通過閥門的開度控制爐膛溫度。

4.2 模糊神經算法

4.2.1 模糊神經網絡連接權值的調整。本系統采用神經網絡與模糊系統的等價連接方式，基于模糊神經網絡在本系統中的作用是將本領域專家的知識和經驗進行數字化的模糊化處理，所以本系統采用輸入值和權值均為模糊量五層的FNN3型模糊神經網絡模型，依次為輸入層、模糊化層、隱含層、反模糊化層、輸出層。通過BP算法修正二、三和三、四層之間的連接權值和閾值以及隸屬度函數的參數。

4.2.2 優化隸屬度函數。在給定輸入樣本后，通過模糊神經網絡的反復學習，不斷調整模糊控制規則來適應神經網絡的隸屬度函數的變化趨勢，使模糊控制方法與加熱爐溫度調整更加適應，達到通過PID控制器調節煤氣、空氣閥的開度。

4.3 模糊BP神經網絡PID算法

根據上節所述，神經網絡模糊PID控制算法如下：

4.3.1 選定BP網絡的輸入層節點數和隱含層節點數、加權初值、選定學習速率和慣性系數。

4.3.2 對誤差的變化率、溫度誤差進行模糊化處理，作為神經網絡的輸入。

4.3.3 計算BP神經網絡的各層神經元的輸出以及輸入，控制PID控制器的參數，控制煤氣閥開度、空氣閥

開度。

4.3.4 采用的是經典增量式數字PID控制，控制

式為：

4.3.5 計算修正輸出層、正隱含層的連接權值。

5 仿真實驗

本文以Q235，150mm*150mm*4000mm鋼為例，鋼坯在爐時間為5小時左右，出爐溫度為1200℃～1280℃為例，在MATLAB中進行了仿真實驗，仿真結果對比，圖2為優化前后的溫度對比。h/H為加熱時間與在爐內的加熱時間的比值。

（上方曲線b1是優化后加熱爐的溫度，下方曲線b2是傳統控制方法加熱爐溫度）

6 結語

仿真結果證明綜合優化后，能夠在鋼坯溫度分布不符合要求下，調整鋼坯的加熱過程，減少了兩者不必要的能耗，同時保證了粗軋制機組的生產安全。根據信息動態的調整加熱爐加熱過程，利用溫度反饋到加熱爐好壞反應鋼坯質量，對鋼鐵生產改造具有非常重大的意義。

參考文獻

[1] 陳南岳.現代加熱爐過程控制技術及其數學模型[J].冶金自動化，1985，（3）.

[2] 王中杰，關守平，柴天佑.加熱爐自適應鋼坯溫度預報模型的開發[J].鋼鐵研究學報，1999，11（2）.

[3] 王錫淮，李少遠，席裕庚.加熱爐鋼坯溫度軟測量模型研究[J].自動化學報，2004，30（6）.

[4] 田景文，高美娟.人工神經網絡算法研究及應用[M].北京：北京理工大學出版社，2006.

（責任編輯：周 瓊）