基于模糊BP神经网络的加热炉炉温优化控制研究

陈洪军

摘要：在钢铁热轧生产过程中，钢坯加热控制系统是复杂的工业控制过程，具有多变量、大惯性、非线性、强耦合的特点，所以干扰非常严重，建模十分困难，常规的控制方法难以取得理想的控制效果。模糊BP神经网络结合神经网络与模糊控制算法的优点，对加热炉炉温进行优化，对钢铁企业降低能耗、节约能源具有一定的现实意义。

关键词：钢坯加热炉；模糊BP神经网络；优化控制；钢铁热轧生产；炉温控制 文献标识码：A

中图分类号：TP273 文章编号：1009-2374（2015）35-0030-02 DOI：10.13535/j.cnki.11-4406/n.2015.35.015

1 加热炉钢坯加温方式

热轧生产过程温度经过几个阶段最终达到满足工艺要求，使钢坯表面温度与目标温度之差、断面温差均满足温差，对钢坯的加热过程进行分析。炉温分布的不同，钢坯的升温过程和能耗也不同，在加热炉的生产实践中产生了三种不同的加热方式。

第一种，钢坯在开始阶段升温过于缓慢，所以需要给加热炉加大燃料，提高钢坯升温速度，结果造成后期升温梯度很大，容易导致钢坯的表面和内部的温差较大，钢坯受热不均匀，容易损伤轧机，同时燃料也消耗非常大。

第二种，开始阶段温度较低时，钢坯升温速度比较缓慢，钢坯产生的温度应力较小，造成钢坯的加热速度限制比较小，又经过短时间的均热段，钢坯表面温度和中心温度的温差很小，基本上很接近，温度达到均衡，适合出炉，从而缩短了钢坯在炉内的停留时间，降低了钢坯的氧化烧损程度，也减少了燃料的大量浪费，提高产品的成品率。

第三种，开始阶段钢坯升温较快，导致钢坯表面温度和中心温度的温差也很大，绝大多数钢种在温度较高时都是处于弹性状态，钢坯加热速度太快的情况下，造成轧制后的产品质量较差。

2 模糊控制系统

模糊控制系统是人工智能算法和现代先进控制理论与技术相结合的一种模糊集成控制。模糊控制系统由以下四部分组成：

2.1 被控对象

加热炉炉温优化的被控对象为确定的单变量线性数据，采用温度传感器进行采集，这种多因素变量适合模糊控制。

2.2 输入/输出接口

本文模糊控制系统部分采用的是一个单输入、双输出模糊控制系统，单个输入量分别为给定温度和炉内温度、设定值的差值及其变化率，输出量为煤气阀开度、空气阀开度。实际中，大多数数据的采集为模拟变化量，在接口中，还应该设置A/D、D/A转换。

2.3 模糊控制器

模糊控制器本质上是一个非线性控制器，采用偏差与偏差率作为输入，通过模糊控制知识表示和规则推理。

2.4 执行机构

大多执行机构采用电机进行控制，本文也是采用电机对煤气阀开度、空气阀开度进行控制，调节煤气与空气的比例，以达到炉内温度的最适宜情况。

3 BP神经网络

BP网络学习算法是把误差归因于阈值和连接权值采用的不适当。通过反向传播给各连接节点，算出各连接节点的参考误差，对各连接权值和阈值进行相应的调整，使网络达到相应的映射要求。

4 基于模糊BP神经网络的加热炉炉温优化

4.1 模糊神经网络控制系统结构

模糊神经网络通常指将模糊化概念和模糊推理引入神经元的模糊神经网络。如图1所示：

输入量为温度的偏差（设定值与实测炉温之差）e和偏差的变化率ec，通过模糊化的处理，得到各自的模糊语言变量E和EC。神经网络输出加热炉的煤气和空气阀开度的模糊语言值，通过去模化后，实现通过阀门的开度控制炉膛温度。

4.2 模糊神经算法

4.2.1 模糊神经网络连接权值的调整。本系统采用神经网络与模糊系统的等价连接方式，基于模糊神经网络在本系统中的作用是将本领域专家的知识和经验进行数字化的模糊化处理，所以本系统采用输入值和权值均为模糊量五层的FNN3型模糊神经网络模型，依次为输入层、模糊化层、隐含层、反模糊化层、输出层。通过BP算法修正二、三和三、四层之间的连接权值和阈值以及隶属度函数的参数。

4.2.2 优化隶属度函数。在给定输入样本后，通过模糊神经网络的反复学习，不断调整模糊控制规则来适应神经网络的隶属度函数的变化趋势，使模糊控制方法与加热炉温度调整更加适应，达到通过PID控制器调节煤气、空气阀的开度。

4.3 模糊BP神经网络PID算法

根据上节所述，神经网络模糊PID控制算法如下：

4.3.1 选定BP网络的输入层节点数和隐含层节点数、加权初值、选定学习速率和惯性系数。

4.3.2 对误差的变化率、温度误差进行模糊化处理，作为神经网络的输入。

4.3.3 计算BP神经网络的各层神经元的输出以及输入，控制PID控制器的参数，控制煤气阀开度、空气阀

开度。

4.3.4 采用的是经典增量式数字PID控制，控制

式为：

4.3.5 计算修正输出层、正隐含层的连接权值。

5 仿真实验

本文以Q235，150mm*150mm*4000mm钢为例，钢坯在炉时间为5小时左右，出炉温度为1200℃～1280℃为例，在MATLAB中进行了仿真实验，仿真结果对比，图2为优化前后的温度对比。h/H为加热时间与在炉内的加热时间的比值。

（上方曲线b1是优化后加热炉的温度，下方曲线b2是传统控制方法加热炉温度）

6 结语

仿真结果证明综合优化后，能够在钢坯温度分布不符合要求下，调整钢坯的加热过程，减少了两者不必要的能耗，同时保证了粗轧制机组的生产安全。根据信息动态的调整加热炉加热过程，利用温度反馈到加热炉好坏反应钢坯质量，对钢铁生产改造具有非常重大的意义。

参考文献

[1] 陈南岳.现代加热炉过程控制技术及其数学模型[J].冶金自动化，1985，（3）.

[2] 王中杰，关守平，柴天佑.加热炉自适应钢坯温度预报模型的开发[J].钢铁研究学报，1999，11（2）.

[3] 王锡淮，李少远，席裕庚.加热炉钢坯温度软测量模型研究[J].自动化学报，2004，30（6）.

[4] 田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006.

（责任编辑：周 琼）