日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

　　程加堂 （1976-）

　　男，助教，碩士，主要研究方向為工業(yè)過程實時智能控制。

　　摘要：在鋼坯加熱的過程中，由于加熱爐的爐內熱狀態(tài)復雜，測溫技術的局限，難以直接測量出加熱爐內被加熱鋼坯的溫度，以保證適時出鋼。因此，本文根據(jù)傳熱學知識，采用BP神經網絡對鋼坯三維溫度場進行預報。仿真結果表明，該模型能夠滿足實際生產要求。

　　關鍵詞：鋼坯；三維溫度場；BP

　　Abstract: During the slab heating-up process，it is difficult to measure the temperature of the heat slab in  the heating furnace due to the complicated state in the Steel-heating Furnace and the limitations of temperature measurement techniques. Therefore, based on the knowledge of diathermancy, BP Neural network is applied to predict three dimensional temperature field of slab in this paper. Simulation results show that the model is able to meet production requirements.

　　Key words: Slab; Three-dimensional Temperature Field; BP

　　1 引言

　　昆明鋼鐵公司第二軋鋼廠加熱爐屬于三段式連續(xù)加熱爐[1]，該加熱爐運行中穩(wěn)定性較差，能耗較高。為了提高鋼坯的加熱效率提高加熱質量[2]，節(jié)約能源，鑒于在目前的測溫技術條件下，很難用儀器直接測量出加熱爐內被加熱鋼坯的內部溫度，即使使用特殊的熱電偶可測量某些點的溫度，但成本太高，在實際生產中不具備可行性。本文根據(jù)傳熱學知識，利用記錄的樣本數(shù)據(jù)，通過BP人工神經網絡[3]建模方法建立鋼坯表面溫度預報模型，對鋼坯加熱時的表面溫度進行預報。

　　2 鋼坯三維溫度場BP網絡預報模型的建立

　　2.1 鋼坯表面溫度預報模型的BP網絡結構

　　動態(tài)BP網絡[4]可以較為準確的反映了鋼坯的傳熱機理，即鋼坯的表面溫度不僅和鋼坯所處的外部環(huán)境溫度有關而且還和鋼坯內部的溫度有關，因為鋼坯內部的溫差決定了鋼坯的熱流密度，從而影響了鋼坯表面溫度的變化。由于該網絡是用來預測鋼坯加熱過程中各時刻的鋼坯表面溫度，因此網絡只有一個輸出，即鋼坯表面溫度。影響鋼坯表面溫度的原因有很多種，但總的來說鋼坯表面溫度的變化主要和兩方面因素有關：前一時刻鋼坯表面溫度和這一時刻鋼坯所處的環(huán)境（即爐膛的溫度值）。因此輸入層選擇兩個輸入節(jié)點，一個輸入節(jié)點為上一時刻的鋼坯的加熱溫度值，另一個輸入節(jié)點為鋼坯所處位置的爐膛的溫度值。實踐表明當鋼坯在加熱過程中外部爐溫只有小范圍擾動時，采用如圖1結構的動態(tài)BP網絡也可較為準確的預報鋼坯表面溫度。

圖1   實際應用動態(tài)BP網絡結構圖

　　在選取樣本時，兩組不同工況下的數(shù)據(jù)中的爐膛溫度都進行線性化處理，工況1、2分別以爐溫達850℃和880℃時取樣的加熱數(shù)據(jù)。

　　根據(jù)工況1、工況2的爐膛溫度及鋼坯表面溫度繪制曲線圖，如圖2所示。

圖2   工況1、工況2的爐膛溫度及鋼坯表面溫度曲線圖

　　2.2 BP網絡的訓練

　　本文中使用traingdm訓練函數(shù)，為防止可能產生一個局部最小值，采用附加動量因子[5]0.9的辦法來解決。中間層的傳遞函數(shù)選用tansig，輸出層的傳遞函數(shù)選擇purelin。根據(jù)獲得的數(shù)據(jù)在MATLAB上進行仿真比較，隱含層節(jié)點數(shù)選取8時可以滿足要求。

圖3   網絡訓練誤差曲線

　　3 仿真效果

　　動態(tài)BP網絡的訓練樣本的獲取是從昆明鋼鐵公司第二軋鋼廠盤元車間實際生產記錄中篩選出的，根據(jù)要求選擇控制效果好的兩組不同工況下的數(shù)據(jù)，其中一組用來訓練神經網絡，另一組用來檢驗神經網絡的訓練效果。

　　利用上述訓練好的動態(tài)BP網絡對輸入數(shù)據(jù)樣本進行仿真，并對結果進行反歸一化。

　　對鋼坯表面溫度進行預報，工況1的實測溫度、預報溫度比較如圖4所示。

圖4   工況1實測溫度、預報溫度比較圖

　　從圖4可知：在工況1的情況下，預熱段誤差相對較大，但從加熱段開始預報曲線接近一條水平線，在Matlab中通過坐標值反應預報誤差在20℃以內。

　　對鋼坯表面溫度進行預報，工況2的實測溫度、預報溫度比較如圖5所示。

圖5   工況2實測溫度、預報溫度比較圖

　　在圖5中，鋼坯在預熱段的預報誤差現(xiàn)對較大，在Matlab中通過坐標值反應預報誤差在47℃以內；但從加熱段開始，預報誤差逐漸減小，預報誤差在20℃以內，鋼坯在均熱鍛進行均熱后，其誤差滿足出爐的工藝要求。

　　4 結語

　　為了提高鋼坯的加熱效率，提高加熱質量，節(jié)約能源，鑒于在目前的測溫技術條件下，很難用儀器直接測量出加熱爐內被加熱鋼坯的表面溫度。本文采用BP神經網絡來建立鋼坯的加熱預報模型，對鋼坯加熱時的表面溫度進行預報。通過前面的仿真曲線表明，在鋼坯加熱的工藝要求范圍內，所采用的動態(tài)BP神經網絡模型是滿足需要的，可以有效地對鋼坯溫度進行預報。

　　參考文獻

　　[1] 蔡喬方. 加熱爐[M]. 北京: 冶金工業(yè)出版社，2007.

　　[2] 梁軍. 鋼加熱爐鋼坯加熱質量的檢測研究[J].傳感技術學報2003，3(1).

　　[3] 飛思科技產品研發(fā)中心. 網絡理論與MATLAB7實現(xiàn)[M]. 北京: 電子工業(yè)出版社，2005.

　　[4] 李國勇. 智能控制及其MATLAB實現(xiàn)[M]. 北京: 電子工業(yè)出版社，2006.

    [5] 周開利. 神經網絡模型及其MATLAB仿真程序設計[M]. 北京: 清華大學出版社，2005.