[發明專利]基于BP神經網絡的熱連軋電磁感應加熱溫度預測方法

有效

• 申請號: 201110307393.7
• 申請日: 2011-10-12
• 公開（公告）號: CN102393884A
• 公開（公告）日: 2012-03-28
• 發明（設計）人: 徐哲;孔亞廣;何必仕;潘三強;史興盛
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

技術領域

本發明屬于自動化技術領域，具體涉及一種基于神經網絡的熱連軋電磁感應加熱鋼坯溫度的預測方法。

背景技術

在鋼鐵行業，傳統的煉鋼、連鑄、軋鋼工藝是各自獨立的生產環節。但是現代化的生產模式正在逐步轉變為“煉鋼-連鑄-軋鋼”的熱連軋一體化工藝，這就是目前國內外普遍推崇的高集約化的熱連軋自動生產線模式。在連鑄與連軋之間采用的加熱設備(加熱,均熱,保溫爐)是銜接連鑄連軋生產線的關鍵設備。從工藝角度講,中間加熱設備需要在完成輸送連鑄坯的過程中對其進行補熱以使鑄坯溫度均勻達到連軋溫度要求的功能,解決板坯溫度場不均的問題。加熱爐作為連鑄機與連軋機兩種不同工藝速度部分之間的緩沖區,對鑄機與軋機間的物流進行銜接、緩沖，協調二者的生產。

由于電磁感應加熱技術的諸多優點，例如加熱速度快、功率密度可控、無污染、易于控制、氧化燒損極少等，相比于傳統的煤氣加熱爐，無需明火熱源，具有零排放的優點，更適合在熱連軋生產線中使用。因此，大功率中頻感應加熱器已逐步應用于熱連軋生產線,參見圖1。

由于電磁感應加熱是一個復雜的非線性大滯后過程，很難建立精確的機理模型，用常規的控制方法（如PID調節）難以得到滿意的效果，一般采用人工經驗加以調試及控制。

鑒于神經網絡具有強大的非線性映射能力和良好的容錯性，可以很好的逼近系統的真實狀態數據。因此，在已積累的大量感應加熱運行數據基礎上，采用神經網絡方法建立熱連軋電磁感應加熱溫度預測模型，對鋼坯溫度進行預測，可為電磁感應加熱精確控溫提供依據。

發明內容

本發明針對現有技術的不足，提供一種基于神經網絡的熱連軋電磁感應加熱鋼坯溫度的預測方法。該方法的具體步驟是：?

步驟(1)選擇預測模型變量。

采用神經網絡技術建立熱連軋電磁感應加熱鋼坯溫度預測模型，為保證基于數據的神經網絡建模有效性，避免純黑箱建模的盲目性，首先利用機理分析和先驗信息，合理選擇預測模型的輸入輸出變量。

基于機理分析選擇電磁感應加熱后的鋼坯溫度為神經網絡模型的輸出變量，選擇影響鋼坯溫度的主要因素為神經網絡模型輸入變量：①電磁感應加熱前的鋼坯溫度；?②感應加熱器的電壓；③感應加熱器的電流。神經網絡模型輸出變量為電磁感應加熱后的鋼坯溫度。

對于鋼坯在感應線圈中受感應加熱過程，是從鋼坯進入線圈磁場開始到鋼坯脫離磁場為止。首先，在忽略熱傳導、熱輻射情況下，鋼坯某一截面升溫主要是受到該過程感應加熱器的電壓、電流作用。因此，感應加熱器的電壓、電流均為序列變量。其次，考慮熱傳導、熱輻射情況，電磁感應加熱前后的鋼坯溫度也取序列變量。

步驟(2)數據歸一化處理。

訓練樣本中的輸入數據包含三項，數量級相差較大，為保證各因素同等地位，加快收斂速度，對數據進行歸一化處理，轉化為[0,?1]區間范圍的值???????????????????????????????????????????????。

其中為輸入數據中的最大值，為輸入數據中的最小值。為輸入數據，為輸入數據歸一化處理后的值。

步驟(3)搭建BP神經網絡框架。

調用MatlabR2009a神經網絡工具箱中的newff函數建立BP神經網絡，?Net=?newff?(PR,?,?,?BTF,?BLF,?PF?)；Net為BP神經網絡框架，PR為輸入矩陣中由最大元素和最小元素決定的一個取值范圍，為第i層神經元的個數，為第i層的傳遞函數，，為神經網絡總層數，BTF為BP神經網絡的訓練函數，BLF為權值和偏置值，PF為網絡性能函數。

步驟(4)訓練BP神經網絡。具體方法是：

a、初始化BP神經網絡，利用隨機函數產生的值賦值給權值和偏置值，然后調用init函數來初始化BP神經網絡。

b、設置網絡訓練次數和訓練目標誤差。

c、設置訓練數據為輸入矩陣P，設置目標值為矩陣T，調用MatlabR2009a神經網絡工具箱中的train函數對BP神經網絡Net進行數據訓練直至收斂，?Net?=?train?(Net,?P,?T)。

步驟(5)測試BP神經網絡。

對訓練好的BP神經網絡進行測試，將歷史數據組成用于電磁感應加熱溫度預測網絡測試矩陣P_test，直接調用MatlabR2009a神經網絡工具箱中的sim函數，D=sim(Net,?P_test)，對測試矩陣進行仿真，其中D為目標函數。

步驟(6)數據反歸一化處理。