第20卷第1期安徽冶金科技职业学院学报Vol.20.No.12010年1月JournalofAnhuiVocationalCollegeofMetallurgyandTechnologyJan.2010基于炉区分段的BP神经网络钢坯温度预测12112郑晗张捍东黄鹏程王浩1安徽工业大学电气信息学院安徽马鞍山2430022中冶华天工程技术有限公司安徽马鞍山243005要摘:利用神经网络可以逼近任意非线性系统的特点建立加热炉内钢坯温度预报模型。由于钢坯的边界热流系数和比热重度等物理参数都是随温度变化的函数所以按加热炉的分区采用多个BP神经网络进行分段预测以热传导系数、、适应钢坯的物理参数的变化。仿真结果表明:所建模型简单精度高能满足工程实际需要。关键词:BP神经网络加热炉温度预测中图分类号:TP183文献标识码:A文章编号:1672-9994201001-0025-03随着国际能源价格上涨以及对钢坯加热质量纯滞后、得非常必要。加热炉是具有强耦合、大惯1要求的提高伴随计算机技术的快速发展加热性及慢时变等特点的非线性系统导致钢坯温度预炉数学模型的在线应用成为现实加热炉内钢坯温测建模较困难5。度预报模型日益受到大型冶金企业以及控制理论研究者的重视。传统的钢坯温度预测模型是基于2步进式加热炉的分区钢坯在加热炉内的热传导机理建立的忽略了加热为了使钢坯能够按理想加热曲线尤?步进梁宽炉温度分布随时间的变化只考虑钢坯在厚度、式加热炉通常沿炉长方向分为多个温控区以实现度方向的传热同时忽略炉长方向各区段间的辐射各温控区的独立温度控制6。对于同一钢种在加换热。该机理采用了偏微分方程求解边界条件的比重导热炉内不同位置时钢坯的边界热流系数、、方法且带有典型的分布参数特性导致求解比较复比热容等均随温度而变化。为了能够使神热系数、杂且存在一定的误差为了满足工程精度要求常经网络更加逼近钢坯实际升温模型提高网络对钢需要引入许多修正方法。然而神经网络有较强的坯温度预测的准确性本文结合钢坯的热物性参数学习能力以及能够逼近任意的非线性系统的特234变化范围分别利用四个BP神经网络对加热炉预性近几年来被较多学者用于钢坯温度预测ⅠⅡ均热段内钢坯进行温度热段、加热段、加热段、建模。本文根据加热炉的段数使用多个BP神经预测。网络建模来预测钢坯的温度获得了良好的仿真结果。3三层BP神经网络模型的建立1加热炉特点311网络结构的建立在进行BP网络设计时一般应从网络的层加热炉控制的主要目标之一是在满足轧制节每层神经元的个数、数、学习速率等隐层变换函数、奏的前提下按照钢坯的理想加热曲线实现加热控制其依据是钢坯产量的要求和全炉的钢坯温度分方面进行考虑。增加隐层数可以提高训练的精度布。但是到目前为止还无法实现直接的在线连续但是网络会变得更加复杂并且训练时间会大大增测量炉内钢坯的温度分布。因此建立能够精确计加误差的精度同样可以通过增加隐层神经元个数算被加热钢坯温度分布的钢坯温度预报模型就显来获得。为了简化模型本文在一个隐层可以完成训练和传递的前提下选择1个隐层的3层结构网收稿日期:2009-12-09作者简介:郑晗1978-男安徽工业大学电气工程硕士工程师络模型。本文MATLAB仿真所用的神经网络就是主要从事加热炉自动化系统和数学模型的研究和开发。上述网络结构。·26·安徽冶金科技职业学院学报2010年第1期312神经网络输入输出量的确定j0143mn0.12n2154m0.77n0.3501512τ对于被加热的钢坯来说其在τΔ时刻的其中:j为隐层数m为输入节点数n为输出节点温度值取决于τ时刻的钢坯自身温度及τ时刻钢坯数。由于本文网络结构为4输入3输出即:m4所在位置的炉气温度。当采用神经网络辨识时钢n3可算出:j5。τ坯在τΔ时刻的温度分布可以表示为:6建立如下的BP网络。如图1所示。τTτΔNNTτuτ0≤τ≤τf1其中Tτ为τ时刻钢坯的温度分布uτ为τ时刻钢坯所在位置的炉气温度由于钢坯温度分布是沿炉长方向满足一定规律的我们所关心的并不是整块钢坯的温度分布只是钢坯上下表面温度和中心温度故不妨取:TτTτ0TτnΠTτnT22其中Tτ为τ时刻钢坯的温度分布Tτ0为钢坯的上表面温度TτnΠ为钢坯中心温度2图1BP神经网络结构Tτn为钢坯的下表面温度。由式1和2可以314隐层及输出层的权值调整得出:神经网络输入量为当前时刻的炉气温度钢隐层神经元的输入为所有的输入加权之和神经网络的输坯上下表面温度以及钢坯中心温度。即:出量为下一时刻的钢坯上下表面温度以及钢坯中xjΣijxiw5心温度。i隐层神经元的输出xj′采用S函数激发xj得隐为了让网络能够更好地搜索加速网络的收为层输出xj′:敛将样本进行归一化处理归一化的数据分布在1-11区间内将归一化的数据作为BP网络训xj′fxj-x61ej归一化公式为