加热炉炉温神经网络预测模型的开发

谭玉倩,曹磊,钟闻

(山东钢铁股份有限公司莱芜分公司自动化部，山东莱芜271104)

自动化

加热炉炉温神经网络预测模型的开发

谭玉倩,曹磊,钟闻

(山东钢铁股份有限公司莱芜分公司自动化部，山东莱芜271104)

针对加热炉系统非线性、大滞后、大惯性，炉温难以有效预测的问题，以山东钢铁莱芜分公司宽厚板加热炉为研究对象，通过神经网络训练获得充分逼近仿真对象的系统参数，最后使用该方法对莱钢宽厚板加热炉炉温进行预测，结果说明该方法预测准确，具有较强的实践意义，为炉温控制提供了可靠依据，提高了生产效率，降低了能耗。

加热炉炉温;学习速率;动量因子;BP神经网络

1 前言

加热炉是钢铁工业热轧钢生产线上关键的设备之一，也是轧钢生产中能耗最大的设备。随着现代化轧机向连续、大型、高速、高精度和多品种方向发展，对钢坯加热质量的要求也越来越高，从而对加热过程的控制也提出了更高的要求。在热轧生产过程中，加热炉是一个多变量、时变、耦合的非线性系统，实现其炉温预测，用于优化控制迫在眉睫。对加热炉炉温计算的研究不仅有节能降耗的实际需要，也是控制理论自身发展的需要。

针对加热炉多变量、非线性系统的特点，BP神经网络预测方法是解决此类问题的一种有效尝试援为此，本文提出建立BP神经网络模型对炉温进行预测，采用限幅变步长算法同时引入动量项克服BP算法收敛速度慢、容错能力差和易陷入局部最优值等不足，利用所建预测模型对莱钢宽厚板加热炉炉温进行预测验证，实际运行效果表明：预测精度和时间均满足现场实际要求，具有很好的应用效果援本文中介绍了神经网络预测建模方法，希望对加热炉炉温预测模型开发人员有所帮助。在此就该模型与大家进行一些探讨，如有不妥之处，敬请指教。

2 系统概述

莱钢宽厚板加热炉为步进式加热炉,沿炉长方向分为:预热段、加热玉段、加热域段和均热段，板坯依次经各控制段加热后,达到工艺要求的温度和均热度,控制系统分为基础自动化和过程自动化两级，炉温预测是过程自动化系统的一部分。本设计选择板坯剩余在炉时间，上一周期计算的必要炉温，板坯所在控制段加热温度目标值,钢坯加热状况、煤气成分、炉中部热平衡指数和炉体热损失量作为神经网络输入变量,预测下一周期加热板坯所需的必要炉温,周期设定为12 s，各板坯的必要炉温经过计算后可得可控段的设定炉温,该设定值用于基础自动化燃烧系统的炉温闭环控制.

本设计选取加热玉段同一位置钢种Q345B厚宽长规格300*2200*3250mm板坯加热所需炉温进行深入研究，从历史数据库取得炉温实测数据以及前述模型输入变量数据，采用内插法求取缺失数据和非正常数据的替代值，为了处理数据所含噪声，对数据进行了卡尔曼滤波，之后将预处理后的数据划分为训练集和测试集，将1000组数据作为模型训练集，180组数据作为测试集。在神经网络训练前，为了防止因净输入绝对值过大而使神经元输出饱和，对样本进行归一化处理。

3 BP神经网络预测模型的开发

3.1 神经网络结构的确立

由于模型的输入较多，并且加热炉炉温与各影响因素之间存在非线性关系，因此本设计中采用BP神经网络建立加热炉炉温模型。BP神经网络是一种具有三层或三层以上神经元的前馈神经网络，包括输入层、隐含层和输出层。上下层之间实现全连接，而同一层的神经元之间无连接。它具有结构简洁和易实现的特点，能够实现信息并行处理和非线性转换，BP算法依靠梯度下降法来寻找最优解。3层神经网络拓扑结构如图1所示。

图1 BP神经网络拓扑结构图

图1 中，为输入层与隐含层的权值，为隐含层与输出层的权值，X1、X2、……Xn是神经网络的输入值，Y1、……Yn是网络的输出值。

神经网络结构的确定：由于本设计中输入输出之间的非线性函数较为复杂，两隐含层神经网络要比单隐含层仿真所需神经元个数少得多，收敛速度也快得多，因此采用两隐含层网络结构。

隐含层神经元节点数的设计非常重要，目前没有统一的规范解决这一问题，本设计采用下列经验公式确定。

上述两式中，L为隐含层节点数，m、n分别为输入节点数目与输出节点数目；a为1~10之间的常数。根据设计中输入输出节点的取值，计算得到L取值范围。本设计中m=7，n=1,通过计算得L取值范围为3~6，通过逐步增长法结合训练结果比较确定网络为7-5-6-1结构。

3.2 BP神经网络仿真过程

本设计中采用两隐含层BP神经网络，BP算法的核心是数学中的“负梯度下降”理论，即BP神经网络的误差调整方向总是沿着误差下降最快的方向进行。常规三层BP神经网络权值和阈值调整如下：

其中，E为网络输出与实际输出样本之间的误差平方和；η为网络的学习速率即权值调整幅度；ΔWij为输入层第i个神经元与隐含层第j个神经元的连接权值t+1时刻相对于t时刻的调整量；ΔWjk为隐含层第j个神经元与隐含层第k个神经元的连接权值t+1时刻相对于t时刻的调整量；B为神经元的阈值，下标的意义与权值的相同。上述公式是BP网络的学习规则，四层BP网络的权值、阈值调整公式与此类似。

针对BP算法收敛速度慢、容错能力差和易陷入局部最优值等不足，本设计中采用限幅变步长算法，神经网络训练过程中如果学习速率lr过大，会造成系统振荡，甚至造成发散，因此，可以采用限制最大学习速率lrmax的方法来避免振荡。当学习速率过小时，会导致系统的学习时间变长，收敛变慢，因此采用了限制最小学习速率lrmin的方法。在此基础上，依据均方误差的变化情况来调整迭代学习速率。这样在计算量增加很小的情况下加快学习速度，同时可以在一定程度上跳出系统的局部最优值。具体算法如表1所示。

（1)如果新得到的误差小于上次的误差，则说明学习速率适应误差变化的趋势，可以适当增加学习速率，乘以一个因子g(g>1)，若动量项为0，则恢复到以前的值。

表1 限幅变步长算法步长调整公式

（2)如果新得到的误差大于上次的误差，且超过了某个设置的百分数ξ(典型值为1豫耀5豫)，则说明学习速率过大，应适当减小学习速率，乘以一个因子ρ(0<ρ<1)，将动量项设为0。

（3)误差增加但没有超过设置的百分数时，学习速率维持不变，若动量项为0，则恢复到以前的值。

（4)学习速率小于设定的最小学习速率，则取学习速率为设定的最小学习速率值。

（5)若学习速率大于设定的最大学习速率，则取学习速率为设定的最大学习速率值。

同时为了提高网络的记忆能力以便使网络学习提速和降低陷入局部最优值的机会，引入动量项来减小学习过程的震荡趋势，改善收敛性。本设计中样本品质较差，并且网络结构复杂，学习速率取值过大，会造成系统震荡发散，因此学习速率初始值取较小的值。为保证网络充分训练，设计中选取较大的训练次数，根据设计需要选择误差平方和作为目标误差。训练开始后，样本提供给输入神经元后，神经元的激活值（该层神经元输出值）从输入层经过各隐含层向输出层传播，在输出层的各神经元获得网络的输入响应，然后按照减少网络输出与实际输出之间误差的方向，从输出层反向经过各隐含层回到输入层，从而逐步修正各连接权值和神经元阈值，随着这种误差逆向传播修正的反复进行，网络对输入相应的正确率也不断上升，误差逐渐变小并最终达到理想误差，权值和阈值得到修正的神经网络充分逼近仿真系统。

3.3 运行效果

网络训练过程：神经网络的学习曲线如图2。图2中，纵轴为模型输出与实际输出的误差平方和，横轴为模型训练次数，由图可见，在网络训练过程中误差波动下降，由于限幅变步长算法和引入动量项的作用，训练过程中没有出现发散，也没有陷入局部最优值，网络逐渐逼近仿真系统。

图2 BP神经网络学习曲线图

模型预测数据偏差检验：采用训练好的BP神经网络模型，使用测试样本进行测试，将输入数据提供给输入层神经元，经过网络计算后，在输出层神经元产生网络输出，预测结果与实测炉温的对比如图3所示。

图3 预测结果与实测炉温对比图

通过与测试数据实际输出的比较，预测误差大部分在-5%~10%以内，平均误差1.5556%，符合偏差检验要求。

4 结语

本文对基于神经网络模型的加热炉炉温预测作出了有益的尝试，应用该模型研究山钢股份莱芜分公司宽厚板加热炉，建立了板坯加热所需炉温预测模型，该公司厚板厂采用此模型对某型号板坯加热玉段加热所需炉温作出了预测，结果表明，模型预测准确，该方法具有较强的实践意义，为炉温控制提供了可靠依据，提高了生产效率，降低了能耗。

[1]卓金武，魏永生，秦键，李必文.MATLAB在数学建模中的应用[M].北京：北京航空航天大学出版社,2011

[2]张德丰.MATLAB神经网络编程[M].北京：化学工业出版社, 2011

[3]员世芬.小波神经网络理论的研究及其在加热炉钢坯温度预报中的应用[D].太原理工大学硕士学位论文,2005

[4]李凤召.加热炉钢坯温度建模及过程模拟[D].东北大学硕士学位论文,2008

[5]李新峰.加热炉理论燃烧温度的计算[J].冶金动力,2007,124(6):22原23

Development of Neural Network Prediction M odel for Tem perature of Heating Furnace

TAN Yuqian,CHAO Lei,ZHONG Wen
（The Automation Dept.of Laiwu Steel of Shandong Iron and Steel Group,Laiwu,Shandong 271104,China)

The temperature inside heating furnace is hard to predict due to nonlinear, high hysteretic and big inertia of the system.Aimed to the wide-heavy plate heating furnace of Laiwu Steel,system parameters fully close to emulated object were obtained through neural network training.Finally this approach was used to predict temperature inside the wide-heavy plate heating furnace of Laiwu Steel,the results of which showed that the method predicts accurately,bears practical significance,provides reliable basis for furnace temperature control, improves production efficiency and reduces energy consumption.

temperature inside heating furnace;learning rate;factor of momentum;BP neural network

TP311.5

B

1006-6764（2014）04-0058-03

2013-11-28

谭玉倩（1986-），女，2009年毕业于河南科技学院新科学院信息管理与信息系统专业，学士，助理工程师，现从事钢铁企业轧钢生产线自动控制系统维护工作。