程加堂 （1976-）

　　男，助教，碩士，主要研究方向?yàn)楣I(yè)過程實(shí)時(shí)智能控制。

　　摘要：在鋼坯加熱的過程中，由于加熱爐的爐內(nèi)熱狀態(tài)復(fù)雜，測(cè)溫技術(shù)的局限，難以直接測(cè)量出加熱爐內(nèi)被加熱鋼坯的溫度，以保證適時(shí)出鋼。因此，本文根據(jù)傳熱學(xué)知識(shí)，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)鋼坯三維溫度場(chǎng)進(jìn)行預(yù)報(bào)。仿真結(jié)果表明，該模型能夠滿足實(shí)際生產(chǎn)要求。

　　關(guān)鍵詞：鋼坯；三維溫度場(chǎng)；BP

　　Abstract: During the slab heating-up process，it is difficult to measure the temperature of the heat slab in  the heating furnace due to the complicated state in the Steel-heating Furnace and the limitations of temperature measurement techniques. Therefore, based on the knowledge of diathermancy, BP Neural network is applied to predict three dimensional temperature field of slab in this paper. Simulation results show that the model is able to meet production requirements.

　　Key words: Slab; Three-dimensional Temperature Field; BP

　　1 引言

　　昆明鋼鐵公司第二軋鋼廠加熱爐屬于三段式連續(xù)加熱爐[1]，該加熱爐運(yùn)行中穩(wěn)定性較差，能耗較高。為了提高鋼坯的加熱效率提高加熱質(zhì)量[2]，節(jié)約能源，鑒于在目前的測(cè)溫技術(shù)條件下，很難用儀器直接測(cè)量出加熱爐內(nèi)被加熱鋼坯的內(nèi)部溫度，即使使用特殊的熱電偶可測(cè)量某些點(diǎn)的溫度，但成本太高，在實(shí)際生產(chǎn)中不具備可行性。本文根據(jù)傳熱學(xué)知識(shí)，利用記錄的樣本數(shù)據(jù)，通過BP人工神經(jīng)網(wǎng)絡(luò)[3]建模方法建立鋼坯表面溫度預(yù)報(bào)模型，對(duì)鋼坯加熱時(shí)的表面溫度進(jìn)行預(yù)報(bào)。

　　2 鋼坯三維溫度場(chǎng)BP網(wǎng)絡(luò)預(yù)報(bào)模型的建立

　　2.1 鋼坯表面溫度預(yù)報(bào)模型的BP網(wǎng)絡(luò)結(jié)構(gòu)

　　動(dòng)態(tài)BP網(wǎng)絡(luò)[4]可以較為準(zhǔn)確的反映了鋼坯的傳熱機(jī)理，即鋼坯的表面溫度不僅和鋼坯所處的外部環(huán)境溫度有關(guān)而且還和鋼坯內(nèi)部的溫度有關(guān)，因?yàn)殇撆鲀?nèi)部的溫差決定了鋼坯的熱流密度，從而影響了鋼坯表面溫度的變化。由于該網(wǎng)絡(luò)是用來預(yù)測(cè)鋼坯加熱過程中各時(shí)刻的鋼坯表面溫度，因此網(wǎng)絡(luò)只有一個(gè)輸出，即鋼坯表面溫度。影響鋼坯表面溫度的原因有很多種，但總的來說鋼坯表面溫度的變化主要和兩方面因素有關(guān)：前一時(shí)刻鋼坯表面溫度和這一時(shí)刻鋼坯所處的環(huán)境（即爐膛的溫度值）。因此輸入層選擇兩個(gè)輸入節(jié)點(diǎn)，一個(gè)輸入節(jié)點(diǎn)為上一時(shí)刻的鋼坯的加熱溫度值，另一個(gè)輸入節(jié)點(diǎn)為鋼坯所處位置的爐膛的溫度值。實(shí)踐表明當(dāng)鋼坯在加熱過程中外部爐溫只有小范圍擾動(dòng)時(shí)，采用如圖1結(jié)構(gòu)的動(dòng)態(tài)BP網(wǎng)絡(luò)也可較為準(zhǔn)確的預(yù)報(bào)鋼坯表面溫度。

圖1   實(shí)際應(yīng)用動(dòng)態(tài)BP網(wǎng)絡(luò)結(jié)構(gòu)圖

　　在選取樣本時(shí)，兩組不同工況下的數(shù)據(jù)中的爐膛溫度都進(jìn)行線性化處理，工況1、2分別以爐溫達(dá)850℃和880℃時(shí)取樣的加熱數(shù)據(jù)。

　　根據(jù)工況1、工況2的爐膛溫度及鋼坯表面溫度繪制曲線圖，如圖2所示。

圖2   工況1、工況2的爐膛溫度及鋼坯表面溫度曲線圖

　　2.2 BP網(wǎng)絡(luò)的訓(xùn)練

　　本文中使用traingdm訓(xùn)練函數(shù)，為防止可能產(chǎn)生一個(gè)局部最小值，采用附加動(dòng)量因子[5]0.9的辦法來解決。中間層的傳遞函數(shù)選用tansig，輸出層的傳遞函數(shù)選擇purelin。根據(jù)獲得的數(shù)據(jù)在MATLAB上進(jìn)行仿真比較，隱含層節(jié)點(diǎn)數(shù)選取8時(shí)可以滿足要求。

圖3   網(wǎng)絡(luò)訓(xùn)練誤差曲線

　　3 仿真效果

　　動(dòng)態(tài)BP網(wǎng)絡(luò)的訓(xùn)練樣本的獲取是從昆明鋼鐵公司第二軋鋼廠盤元車間實(shí)際生產(chǎn)記錄中篩選出的，根據(jù)要求選擇控制效果好的兩組不同工況下的數(shù)據(jù)，其中一組用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另一組用來檢驗(yàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果。

　　利用上述訓(xùn)練好的動(dòng)態(tài)BP網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)樣本進(jìn)行仿真，并對(duì)結(jié)果進(jìn)行反歸一化。

　　對(duì)鋼坯表面溫度進(jìn)行預(yù)報(bào)，工況1的實(shí)測(cè)溫度、預(yù)報(bào)溫度比較如圖4所示。

圖4   工況1實(shí)測(cè)溫度、預(yù)報(bào)溫度比較圖

　　從圖4可知：在工況1的情況下，預(yù)熱段誤差相對(duì)較大，但從加熱段開始預(yù)報(bào)曲線接近一條水平線，在Matlab中通過坐標(biāo)值反應(yīng)預(yù)報(bào)誤差在20℃以內(nèi)。

　　對(duì)鋼坯表面溫度進(jìn)行預(yù)報(bào)，工況2的實(shí)測(cè)溫度、預(yù)報(bào)溫度比較如圖5所示。

圖5   工況2實(shí)測(cè)溫度、預(yù)報(bào)溫度比較圖

　　在圖5中，鋼坯在預(yù)熱段的預(yù)報(bào)誤差現(xiàn)對(duì)較大，在Matlab中通過坐標(biāo)值反應(yīng)預(yù)報(bào)誤差在47℃以內(nèi)；但從加熱段開始，預(yù)報(bào)誤差逐漸減小，預(yù)報(bào)誤差在20℃以內(nèi)，鋼坯在均熱鍛進(jìn)行均熱后，其誤差滿足出爐的工藝要求。

　　4 結(jié)語

　　為了提高鋼坯的加熱效率，提高加熱質(zhì)量，節(jié)約能源，鑒于在目前的測(cè)溫技術(shù)條件下，很難用儀器直接測(cè)量出加熱爐內(nèi)被加熱鋼坯的表面溫度。本文采用BP神經(jīng)網(wǎng)絡(luò)來建立鋼坯的加熱預(yù)報(bào)模型，對(duì)鋼坯加熱時(shí)的表面溫度進(jìn)行預(yù)報(bào)。通過前面的仿真曲線表明，在鋼坯加熱的工藝要求范圍內(nèi)，所采用的動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)模型是滿足需要的，可以有效地對(duì)鋼坯溫度進(jìn)行預(yù)報(bào)。

　　參考文獻(xiàn)

　　[1] 蔡喬方. 加熱爐[M]. 北京: 冶金工業(yè)出版社，2007.

　　[2] 梁軍. 鋼加熱爐鋼坯加熱質(zhì)量的檢測(cè)研究[J].傳感技術(shù)學(xué)報(bào)2003，3(1).

　　[3] 飛思科技產(chǎn)品研發(fā)中心. 網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M]. 北京: 電子工業(yè)出版社，2005.

　　[4] 李國勇. 智能控制及其MATLAB實(shí)現(xiàn)[M]. 北京: 電子工業(yè)出版社，2006.

    [5] 周開利. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M]. 北京: 清華大學(xué)出版社，2005.