[發明專利]全氫罩式爐加熱過程智能模糊控制方法

無效

• 申請號: 201310291980.0
• 申請日: 2013-07-12
• 公開（公告）號: CN104281054A
• 公開（公告）日: 2015-01-14
• 發明（設計）人: 耿凱;倪志榮
• 申請（專利權）人: 靖江市托日自動化設備有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 江陰市同盛專利事務所(普通合伙) 32210
• 代理人: 唐紉蘭;曾丹

技術領域

本發明涉及一種全氫罩式爐加熱過程的智能模糊控制方法。屬于全氫罩式爐控制相關領域。

背景技術

全氫罩式退火爐是高質量冷軋產品退火設備，主要用于冷軋板卷成品前的退火,?通過退火使鋼板顯微組織結構、機械性能和工藝性能達到要求的指標。全氫罩式爐充分利用氫氣氛還原作用使得鋼卷退火過程中內部和外部的溫度分布更加均勻、鋼卷表面更加清潔，因此在鋼鐵行業獲得了廣泛的應用。

全氫罩式爐生產過程主要包括爐臺裝料、放置內罩、氫氣閥密封測試、鎖緊內罩、爐臺系統冷態密封測試、氮氣預吹掃、點火和升溫保溫、氫氣吹掃、吊離加熱罩、輻射冷卻、吊扣冷卻罩、風冷和噴淋冷卻、氮氣后吹掃、爐臺卸料等。全氫罩式爐生產過程復雜，需要利用控制系統進行生產過程的自動控制。例如梁楚榮應用SIEMENS?S7?300可編程控制器（PLC）開發了冷軋帶鋼全氫罩式爐自動控制系統，該系統由全氫罩式爐控制系統由現場自動控制系統和上位機監控系統組成，具有冷軋帶鋼全氫罩式爐退火自動控制和安全保護功能；熊斐等人采用具有擴展性的分布式體系結構,?開發了全氫罩式爐控制系統，該系統與數據采集工作站之間通過以太網相聯接,使系統具備遠程監控能力，能同時處理和監控200個爐臺的數據；尹曉青、陸繼東等人研究了罩式爐退火自適應控制方法，該方法包括在線計算啟動前退火過程再現、在線計算啟動后退火過程預測步驟，在在線計算啟動前退火過程再現步驟中，利用可編程控制器存儲的數據，進行具體退火過程鋼卷溫度場的重現，并獲得在線計算啟動時刻的溫度場及為區分退火階段而設定的系列標志信號，正在在線計算啟動后退火過程預測步驟中，利用在線計算啟動時刻的溫度場進行退火過程的預測，進而得到新的退火工藝制度，傳遞給可編程控制器進行后續退火過程的控制；該方法具有依據罩式爐的設備結構和設備性能等進行自適應修正的優點。但是上述方法在全氫罩式爐生產過程的能耗較高。

發明內容

本發明的目的在于克服上述不足，提供一種全氫罩式爐加熱過程智能模糊控制方法，可降低全氫罩式爐生產過程的能耗，為全氫罩式爐的高效低能耗運行提供有效控制手段。

本發明的目的是這樣實現的：一種全氫罩式爐加熱過程智能模糊控制方法，所述方法包括以下步驟：

步驟一、樣本數據建立

確定與全氫罩式爐能耗直接相關的主要操作參數：燃料流量、助燃空氣流量和氫氣補充量，對這三個參數進行樣本數據建立；

步驟二、構建神經網絡模型

以建立的全氫罩式爐生產過程樣本數據為基礎進行神經網絡模型的構建，具體操作如下：

具體操作如下：

1）確定輸入輸出變量

將在全氫罩式爐的加熱過程中的加溫和保溫時間、燃料流量、退火鋼材品種、鋼材厚度、鋼材重量、加溫環節的燃料流量、助燃空氣流量、氫氣補充參量和保溫環節的燃料流量、助燃空氣流量、氫氣補充參量以及退火鋼材的品種、厚度、重量一起作為神經網絡模型的輸入，將全氫罩式爐的加溫和保溫時間二個變量作為全氫罩式爐神經網絡模型的輸出變量。

?2）網絡結構描述

本發明涉及的神經網絡模型包含輸入層、中間層和輸出層，神經網絡模型的輸入層所包含的神經元個數為21，分別對應全氫罩式爐的退火鋼材的品種、厚度、重量以及加溫保溫各階段的燃料流量、助燃空氣流量、氫氣補充參量。神經網絡模型的隱含層包含43個神經元，神經網絡模型的輸出層所包含的神經元個數為2個，分別對應全氫罩式爐加溫、保溫時間參量。

本發明涉及的三層神經網絡模型上下層之間各神經元實現連接，同層之間無連接，隱含層的激活函數均采用Sigmoid函數(S型函數)，函數描述如下：

式中，a為Sigmoid函數的斜率參數，通過改變參數a，可以獲取不同斜率的Sigmoid函數。

3）網絡訓練

采用誤差反向傳播算法，首先將輸入信息通過輸入層經隱含層逐層處理并計算每個單元的實際輸出值，然后根據期望輸出與實際輸出的差值，由輸出端開始逐層調節權值。

步驟三、燃料流量主要參數預估

以構建的全氫罩式爐最小能耗狀態下全氫罩式爐燃料流量等主要操作參數和全氫罩式爐退火鋼材類型等參數之間的神經網絡模型為基礎，進行最小能耗狀態下全氫罩式爐燃料流量等主要操作參數的預估。

步驟四、主要參數優化

1）設計變量

將步驟二中涉及的輸入變量用相應的字母表示；

2）設計模糊控制目標函數

全氫罩式爐加熱過程能耗優化目標函數描述如下：