摘 要：爲了適應市場競爭要求，提高產品質量，對寬帶加熱爐的單位燃耗，板坯氧化燒損，產品質量穩定性等方面存在的問題進行研究，對加熱爐控制系統進行優化，採用神經網絡控制模型技術。採用遺傳算法對板坯的必要爐溫加權處理進行爐溫設定,並將自適應神經網絡控制的方法構建自學習模型，以進行自動溫度控制,計算板坯加熱時間，剩餘爐內時間，分配加熱區域。
關鍵詞：神經網絡 預測控制 研究與應用
1 萊鋼寬帶生產線加熱爐現狀分析
萊鋼寬帶生產線加熱爐由於爐型結構等原因，加熱爐空燒時間長，生產能耗大，板坯質量方面，則存在板坯氧化燒損大，加熱溫度不均。爲提高產品市場競爭力，通過應用模型控制技術，減少燃料消耗，提高產品質量。
2 國內外現狀分析
加熱模型控制技術包括模型和控制。模型是指通過數學工具描述爐內鋼坯受熱物理過程，控制是指通過模型將主要加熱工藝參數自動設定到最合理狀態並能夠自動調節。在做好充分的需求分析之後的開展建模工作。通過各方面權衡、比較，在保留及完善一些現有系統實用的功能的前提下，創新性地採用神經網絡控制技術，構造模型進行加熱爐參數設定和燃燒控制。
3 控制方法簡介
3.1 神經網絡模型
(1)多層感知器模型。多層感知器神經網絡模型是指調整網絡內部的結合權，使期望輸出與實際輸出的差值減小，以改善神經網絡的工作。
(2)自組織模型。自組織模型不同的是不規定期望的'輸出，通過自學習抽取對象數據的特徵。
3.2 預測控制
預測控制(Predictive Control)是基於信息處理功能的預測模型、基於有限時域的滾動優化策略和靈活有效的反饋校正機制。預測控制的基本算法有動態矩陣控制(DMC)，模型算法控制(MAC)和廣義預測控制(GPC)。2在本項目中，具體的使用是，根據爐溫實際值推算出各板坯所在位置的爐內溫度以及上一時刻板坯的溫度分佈，進而依據推算的剩餘爐內爐時間計算板坯爐溫，然後根據Rule Base推論，確定板坯加權係數，來確定爐內各段的爐溫設定。爲確保板坯出爐溫度精確，採用出口溫度反推出爐溫度的方法，計算出爐溫度，並進行出爐溫度的自學習。
3.3 板坯出鋼溫度預測模型
該模型是預測出鋼時的板坯溫度，計算出板坯最後在爐的溫度。把末次處理計算的板坯坯內溫度分佈作爲模型計算初始值，用出鋼時間與末次計算時間的差值爲已知時間，計算該時間內板坯溫度變化。
3.4 爐內溫度跟蹤模型
根據模型實際輸入值，計算爐內板坯的溫度情況。採用差分方程對爐內板坯溫度進行跟蹤計算，計算出爐內板坯的溫度分佈。根據熱輻射交換定律得出在爐內溫度因子l和鋼坯k的熱交換Flk爲：Flk=Klk×(Tl4-Tk4)。由於在加熱爐和坯料之間也存在着熱傳遞和熱導現象，雖然對於相對有效的熱傳遞，此類現象的影響不大，但我們這次也做了充分的考慮。式中Klk是可調整參數。
鋼坯溫度計算，鋼坯內部的熱傳導過程用傅立葉差分方程的數學模型來描述，該方程可以通過有限差分法來解：
式中，K爲鋼坯的熱傳導係數;Cp爲比熱;D爲鋼密度; T爲延鋼坯厚度方向某一點的溫度;K和Cp爲溫度和鋼種的函數。
3.5 爐溫模型
爐溫模型是指，爲使板坯加熱到要求的目標溫度，計算每塊板坯必需的爐氣溫度，首先預測板坯剩餘的爐內時間和計算的爐溫預報的板坯到達爐內各段的溫度;然後，將此預測溫度與已經計算的出口溫度做比較，得到預報值與目標值的偏差;最後，根據偏差和爐溫影響係數計算出板坯的設定爐溫，即加熱爐爐溫預測採用感知器神經網絡技術進行加熱爐爐溫控制和熱風風量控制。以鋼坯煤氣組成成分、加熱影響因素、爐內熱需求計算求得的計算值作爲輸入。
圖1 爐溫預測模型神經網絡結構
中間層不斷調整優化，通過計算選用其中的幾個節點，而輸出層選用 “爐溫變高”，“爐溫不變”和“爐溫變低”這3個節點。輸入數據經模型歸一計算後，統一設置爲-1～+1之間的值，輸出預測值爲0～1。採用逆向誤差傳播學習算法進行模型學習，並進行權重數值優化以實現儘快收斂。
採用多層神經網絡技術對爐內溫度分佈進行預測。模式識別的對象是爐體熱電偶，溫度檢測分爲爐體上部、爐體中部、爐體下部。通過模糊控制的方法，根據操作人員的操作經驗對加熱爐不同的工藝需求及爐況進行分類，構建不同的燃燒模式，判斷所檢測的數據模式符合哪種模式。
自學習模型中，學習方法採用逆向誤差傳導學習法，其結果與專家系統的計算結果比較，通過遺傳算法進行處理，得出最優結果。在幾個溫度分佈模式中，取最類似的作爲判定結果，進入專家系統計算。根據模式識別的輸出，經過推理機進行推理，專家系統實現預測加熱爐爐況，並輸出具體操作方法。
3.6 基於RT2的自適應學習模型
對板坯的目標溫度進行學習。學習過程採用圖2所示的自適應神經網絡控制方法。
圖2 自適應神經網絡系統