神經(jīng)網(wǎng)絡(luò)在1580熱軋生產(chǎn)線層流冷卻中的應(yīng)用

1、冶金自動(dòng)化2010年S1神經(jīng)網(wǎng)絡(luò)在1580熱軋生產(chǎn)線層流冷卻中的應(yīng)用李國輝,王云麗,蔡曉潔(河北鋼鐵集團(tuán)有限公司唐山不銹鋼有限公司自動(dòng)化部,河北唐山063100)摘要:針對唐山不銹鋼1580熱軋帶鋼層流冷卻過程的復(fù)雜性,采用神經(jīng)網(wǎng)絡(luò)與數(shù)學(xué)模型相結(jié)合的方法,對帶鋼實(shí)測卷取溫度與目標(biāo)值的偏差進(jìn)行了預(yù)測,證明利用神經(jīng)網(wǎng)絡(luò)能較好預(yù)測卷取溫度的偏差值,進(jìn)而對數(shù)學(xué)模型中的參數(shù)進(jìn)行調(diào)整,實(shí)現(xiàn)高精度的卷取溫度控制。關(guān)鍵詞:熱軋帶鋼;層流冷卻;控制精度;神經(jīng)網(wǎng)絡(luò)卷取溫度控制是熱軋帶鋼生產(chǎn)中非常重要的環(huán)節(jié),目前,進(jìn)行描述,非線性過程,存在相變潛熱的釋放,這些都難以用數(shù)學(xué)模型精1確表達(dá)。在實(shí)際生產(chǎn)中,卷取溫度控制模

2、型主要依賴經(jīng)驗(yàn)?zāi)Ｐ秃湍Ｐ偷淖赃m應(yīng)功能進(jìn)行修正,2效果并不顯著。因此生產(chǎn)中普遍存在著卷取溫度控制超差的問題,單純從數(shù)學(xué)模型入手很難解決問題。本文從神經(jīng)網(wǎng)絡(luò)入手,進(jìn)行帶鋼卷取溫度偏差的預(yù)測,來提高數(shù)學(xué)模型的預(yù)報(bào)精度。圖1人工神經(jīng)網(wǎng)絡(luò)絡(luò),分層前饋網(wǎng)絡(luò)的神經(jīng)元分層排列,并將其分為輸入層、隱藏層和輸出層。每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出,輸入層接受外界的輸入模式。輸入模式經(jīng)過各層神經(jīng)元的響應(yīng)處理變?yōu)檩敵鰧拥妮敵觥Ｉ窠?jīng)網(wǎng)絡(luò)的輸出計(jì)算如下:O1j=B1j+W1ij×i1神經(jīng)網(wǎng)絡(luò)111神經(jīng)網(wǎng)絡(luò)簡介如圖1所示,人工神經(jīng)網(wǎng)絡(luò)是一門嶄新的信息處理科學(xué),近年來,由于神經(jīng)科學(xué)、數(shù)理科學(xué)、信息科學(xué)、計(jì)算機(jī)

3、科學(xué)的快速發(fā)展,使得研究以大腦工作模式,非程序的信息處理的人工神經(jīng)網(wǎng)絡(luò)成為可能。人工神經(jīng)網(wǎng)絡(luò)(簡稱神經(jīng)網(wǎng)絡(luò)或NN)越來越多地應(yīng)用于工業(yè)自動(dòng)化控制領(lǐng)域。由于神經(jīng)網(wǎng)絡(luò)能夠充分逼近任意復(fù)雜的非線性關(guān)系和能夠?qū)W習(xí)與適應(yīng)嚴(yán)重的不確定性系統(tǒng)的動(dòng)態(tài)特性,因此,采用基于NN人工智能控制方法,引入自學(xué)習(xí)、自適應(yīng)功能而構(gòu)成的實(shí)時(shí)系統(tǒng),在處理那些實(shí)時(shí)性要求高且難于用模型或規(guī)則描述、隨機(jī)性事件多、非線性嚴(yán)重、存在多個(gè)不同類型輸入和輸出的實(shí)時(shí)過程方面,顯示了極大的優(yōu)越性。112人工神經(jīng)網(wǎng)絡(luò)的工作機(jī)制一般采用的人工神經(jīng)網(wǎng)絡(luò)類型為分層前饋網(wǎng)收稿日期:2010201215;修改稿收到日期:2010201219O2k=B2k+

4、(W2jk×O1j)j式中,Ii為輸入向量;O1j為隱藏層的輸出向量;O2k為輸出層的輸出向量,即神經(jīng)網(wǎng)絡(luò)的輸出;W1ij為輸入層與隱藏層之間的權(quán)重矩陣;W2jk為隱藏層與輸出層之間的權(quán)重矩陣;B1j為隱藏層的偏移向量;B2k為輸出層的偏移向量。2層流冷卻系統(tǒng)組成及數(shù)學(xué)模型唐山不銹鋼1580熱軋廠層流冷卻系統(tǒng)如圖2所示。冷卻區(qū)段總計(jì)18個(gè)區(qū),包括15個(gè)粗調(diào)區(qū)和3個(gè)精調(diào)區(qū)。每個(gè)粗調(diào)區(qū)有4根上集管,12根下集管,每1根上集管(即1個(gè)上冷卻單元)對應(yīng)3根下集管(即1個(gè)下冷卻單元)。每個(gè)精調(diào)區(qū)有8根上集管,16根下集管,每1根上集管(即1個(gè)上冷卻單元)對應(yīng)2根下集管(即1個(gè)下冷卻單元)。作者

5、簡介:李國輝(19822),男,河北邢臺人,助理工程師,從事熱軋生產(chǎn)線的過程自動(dòng)化控制的研究與維護(hù)工作。118冶金自動(dòng)化2010年S1在每個(gè)冷卻區(qū)段的入口、第15粗調(diào)區(qū)段和第3精調(diào)區(qū)段的出口,均設(shè)有側(cè)噴掃水噴嘴組,依次交叉布置,分別從傳動(dòng)側(cè)或操作側(cè)側(cè)噴掃水,以除去帶鋼上表面的積水,提高冷卻效率。18個(gè)冷卻區(qū)段共有19組側(cè)噴掃水。在最后一個(gè)精調(diào)區(qū)段末端的出口側(cè)噴掃水之后還設(shè)有1組壓縮空氣掃水噴嘴,用于掃去帶鋼上殘余積水。在測厚儀、測寬儀之前也設(shè)有1組側(cè)噴掃水噴嘴和1組壓縮空氣掃水噴嘴,以利于測量。冷卻區(qū)后有兩組卷取機(jī),每組卷取機(jī)前有一個(gè)測溫儀。圖2層流冷卻系統(tǒng)示意圖傳統(tǒng)的數(shù)學(xué)模型求解是先根據(jù)軋件

6、原始數(shù)據(jù)(PDI數(shù)據(jù)),以及精軋出口實(shí)測樣本數(shù)據(jù),計(jì)算從精軋出口到卷取區(qū)的空冷溫降,卻量,管排布。計(jì)算。去掉軋件頭尾和邊部溫度不均勻區(qū)域,假設(shè)軋件在長度、寬度、厚度方向上溫度均勻,帶鋼的空冷和水冷過程都可以簡化為零維非穩(wěn)態(tài)導(dǎo)熱問題進(jìn)行求解。f0=f1(c0+c×h2f+c3×tfe+c4×tccc5tfe-tcc)+c8×w6(2)式中,c0c8為基本熱流密度修正系數(shù);f1為基本熱流密度系數(shù)(學(xué)習(xí)系數(shù));h為帶鋼厚度,mm;Wf為帶鋼寬度,mm;tfe為帶鋼精軋出口溫度,;tcc為目標(biāo)卷取溫度,;tw為冷卻水的溫度,;v為帶鋼速度,m/s;L為精軋出口到

7、卷取處的距離,m。需要根據(jù)現(xiàn)場數(shù)據(jù)進(jìn)行回歸確定空冷回歸系數(shù)a1和a2以及熱流密度修正系數(shù)c0c8。從式(1)和式(2)可以看出,這些系數(shù)是建立在線性關(guān)系的基礎(chǔ)上,然后通過現(xiàn)場數(shù)據(jù)進(jìn)行回歸得到。由于帶鋼層流冷卻過程的復(fù)雜性,這種線性關(guān)系的建立不足以反映冷卻過程的非線性關(guān)系和時(shí)變性,難于保證卷取溫度的精度和均勻性,因此有必要利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分析來進(jìn)行熱軋帶鋼卷取溫度差值預(yù)報(bào),從而修正模型,提高計(jì)算精度。3神經(jīng)網(wǎng)絡(luò)的應(yīng)用311BP算法人工神經(jīng)網(wǎng)絡(luò)方法的研究為解決深度非線性圖3溫降計(jì)算框圖問題提供了極佳的途徑,其具有自學(xué)習(xí)、自組織、自適應(yīng)和非線性動(dòng)態(tài)處理等特征,特別適合處理復(fù)雜的非線性過程。目前已經(jīng)應(yīng)

8、用于包括鋼鐵工業(yè)在內(nèi)的許多科技領(lǐng)域。德國西門子公司在這方面已經(jīng)做了大量的工作,建立起與數(shù)學(xué)模型相結(jié)合的參數(shù)網(wǎng)絡(luò)、修正網(wǎng)絡(luò)和綜合網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用,特別是在誤差反傳遞算法的應(yīng)用中具有代表性的是模式處理3-4因考慮到帶鋼在厚度方向上存在熱傳導(dǎo),故在計(jì)算空冷溫降時(shí),需進(jìn)行厚度方向上的修正,模型對帶鋼表面黑度系數(shù)按與厚度成線性關(guān)系進(jìn)行處理,通過這種修正的方式來考慮帶鋼內(nèi)部在厚度方向上的導(dǎo)熱過程。=a1×(1)h+a2式中,為黑度系數(shù);a1、a2為空冷回歸系數(shù);h為帶鋼厚度。水冷計(jì)算中的模型參數(shù),主要是確定熱流密度的熱流密度系數(shù)f0:。通過學(xué)習(xí)算法建立網(wǎng)絡(luò)內(nèi)部的輸入輸出關(guān)系。人工神經(jīng)網(wǎng)絡(luò)

9、不僅用來記憶數(shù)據(jù),更重要的是根據(jù)這些數(shù)據(jù)群找出潛在的規(guī)律。這應(yīng)該說是人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的最119冶金自動(dòng)化2010年S1大特征。本文采用BP網(wǎng)絡(luò)來預(yù)報(bào)卷取溫度偏差,BP算法是一種誤差方向傳播式網(wǎng)絡(luò)權(quán)值計(jì)算方法。網(wǎng)絡(luò)主要是尋求目標(biāo)值與實(shí)際輸出的偏差是否滿足預(yù)先給定的要求。312神經(jīng)網(wǎng)絡(luò)與數(shù)學(xué)模型的結(jié)合為提高數(shù)學(xué)模型的計(jì)算精度,本文采用神經(jīng)網(wǎng)絡(luò)與數(shù)學(xué)模型相結(jié)合的方法,將神經(jīng)網(wǎng)絡(luò)的優(yōu)勢與能表達(dá)一定物理意義的數(shù)學(xué)模型相結(jié)合,對于描述工藝過程更為有利。根據(jù)BP網(wǎng)絡(luò)的結(jié)構(gòu)及卷取溫度的偏差與各影響因素之間的關(guān)系,確定系統(tǒng)原理如圖4所示。將工藝參數(shù)以及由數(shù)學(xué)模型計(jì)算的水冷時(shí)間作為網(wǎng)絡(luò)的輸人值,利用BP網(wǎng)絡(luò)預(yù)報(bào)卷

10、取溫度的偏差,反饋給數(shù)學(xué)模型,從而變更控制策略,卷取溫度預(yù)報(bào)精度。數(shù)學(xué)模型預(yù)報(bào)值與實(shí)測值偏差;利用神經(jīng)網(wǎng)絡(luò)修正后預(yù)報(bào)值與實(shí)測值偏差5高精度控制提供一種思路。圖5為實(shí)測偏差值與網(wǎng)絡(luò)預(yù)測偏差值的比較趨勢圖。從中可以看出,網(wǎng)絡(luò)的偏差值比數(shù)學(xué)模型的偏差值更趨于平滑。神經(jīng)網(wǎng)絡(luò)與數(shù)學(xué)模型和實(shí)測值的偏差趨勢也十分相近,這說明人工神經(jīng)元網(wǎng)絡(luò)對原有數(shù)學(xué)模型修正后,可以提高帶鋼溫度的預(yù)報(bào)精度,從而提高卷取溫度精度的命中率。參考文獻(xiàn):forlaminarcoolinginhotstripmillsJ.IronMakingandSteelMaking,1996,23(1):84287.oflongproductcoolinginhotrollingJ.JournalofMate2圖4神經(jīng)網(wǎng)絡(luò)與數(shù)學(xué)模型結(jié)合原理圖rialsProcessingTechnology,1998(80281):3372340.3王國棟,劉相華.金屬軋制過程人工智能優(yōu)化M.4結(jié)論本文根據(jù)唐山不銹鋼1580熱軋生產(chǎn)線采集的幾個(gè)月的生產(chǎn)實(shí)測數(shù)據(jù),經(jīng)過數(shù)據(jù)處理和分析,并利用神經(jīng)元網(wǎng)絡(luò)與數(shù)學(xué)模型相結(jié)合的方法,能夠準(zhǔn)確地預(yù)測帶鋼卷取溫度偏差。通過建立實(shí)