神经网络在1580热轧生产线层流冷却中的应用

1、冶金自动化2010年S1神经网络在1580热轧生产线层流冷却中的应用李国辉,王云丽,蔡晓洁(河北钢铁集团有限公司唐山不锈钢有限公司自动化部,河北唐山063100)摘要:针对唐山不锈钢1580热轧带钢层流冷却过程的复杂性,采用神经网络与数学模型相结合的方法,对带钢实测卷取温度与目标值的偏差进行了预测,证明利用神经网络能较好预测卷取温度的偏差值,进而对数学模型中的参数进行调整,实现高精度的卷取温度控制。关键词:热轧带钢;层流冷却;控制精度;神经网络卷取温度控制是热轧带钢生产中非常重要的环节,目前,进行描述,非线性过程,存在相变潜热的释放,这些都难以用数学模型精1确表达。在实际生产中,卷取温度控制模

2、型主要依赖经验模型和模型的自适应功能进行修正,2效果并不显著。因此生产中普遍存在着卷取温度控制超差的问题,单纯从数学模型入手很难解决问题。本文从神经网络入手,进行带钢卷取温度偏差的预测,来提高数学模型的预报精度。图1人工神经网络络,分层前馈网络的神经元分层排列,并将其分为输入层、隐藏层和输出层。每一层的神经元只接受前一层神经元的输出,输入层接受外界的输入模式。输入模式经过各层神经元的响应处理变为输出层的输出。神经网络的输出计算如下:O1j=B1j+W1ij×i1神经网络111神经网络简介如图1所示,人工神经网络是一门崭新的信息处理科学,近年来,由于神经科学、数理科学、信息科学、计算机

3、科学的快速发展,使得研究以大脑工作模式,非程序的信息处理的人工神经网络成为可能。人工神经网络(简称神经网络或NN)越来越多地应用于工业自动化控制领域。由于神经网络能够充分逼近任意复杂的非线性关系和能够学习与适应严重的不确定性系统的动态特性,因此,采用基于NN人工智能控制方法,引入自学习、自适应功能而构成的实时系统,在处理那些实时性要求高且难于用模型或规则描述、随机性事件多、非线性严重、存在多个不同类型输入和输出的实时过程方面,显示了极大的优越性。112人工神经网络的工作机制一般采用的人工神经网络类型为分层前馈网收稿日期:2010201215;修改稿收到日期:2010201219O2k=B2k+

4、(W2jk×O1j)j式中,Ii为输入向量;O1j为隐藏层的输出向量;O2k为输出层的输出向量,即神经网络的输出;W1ij为输入层与隐藏层之间的权重矩阵;W2jk为隐藏层与输出层之间的权重矩阵;B1j为隐藏层的偏移向量;B2k为输出层的偏移向量。2层流冷却系统组成及数学模型唐山不锈钢1580热轧厂层流冷却系统如图2所示。冷却区段总计18个区,包括15个粗调区和3个精调区。每个粗调区有4根上集管,12根下集管,每1根上集管(即1个上冷却单元)对应3根下集管(即1个下冷却单元)。每个精调区有8根上集管,16根下集管,每1根上集管(即1个上冷却单元)对应2根下集管(即1个下冷却单元)。作者

5、简介:李国辉(19822),男,河北邢台人,助理工程师,从事热轧生产线的过程自动化控制的研究与维护工作。118冶金自动化2010年S1在每个冷却区段的入口、第15粗调区段和第3精调区段的出口,均设有侧喷扫水喷嘴组,依次交叉布置,分别从传动侧或操作侧侧喷扫水,以除去带钢上表面的积水,提高冷却效率。18个冷却区段共有19组侧喷扫水。在最后一个精调区段末端的出口侧喷扫水之后还设有1组压缩空气扫水喷嘴,用于扫去带钢上残余积水。在测厚仪、测宽仪之前也设有1组侧喷扫水喷嘴和1组压缩空气扫水喷嘴,以利于测量。冷却区后有两组卷取机,每组卷取机前有一个测温仪。图2层流冷却系统示意图传统的数学模型求解是先根据轧件

6、原始数据(PDI数据),以及精轧出口实测样本数据,计算从精轧出口到卷取区的空冷温降,却量,管排布。计算。去掉轧件头尾和边部温度不均匀区域,假设轧件在长度、宽度、厚度方向上温度均匀,带钢的空冷和水冷过程都可以简化为零维非稳态导热问题进行求解。f0=f1(c0+c×h2f+c3×tfe+c4×tccc5tfe-tcc)+c8×w6(2)式中,c0c8为基本热流密度修正系数;f1为基本热流密度系数(学习系数);h为带钢厚度,mm;Wf为带钢宽度,mm;tfe为带钢精轧出口温度,;tcc为目标卷取温度,;tw为冷却水的温度,;v为带钢速度,m/s;L为精轧出口到

7、卷取处的距离,m。需要根据现场数据进行回归确定空冷回归系数a1和a2以及热流密度修正系数c0c8。从式(1)和式(2)可以看出,这些系数是建立在线性关系的基础上,然后通过现场数据进行回归得到。由于带钢层流冷却过程的复杂性,这种线性关系的建立不足以反映冷却过程的非线性关系和时变性,难于保证卷取温度的精度和均匀性,因此有必要利用神经网络进行分析来进行热轧带钢卷取温度差值预报,从而修正模型,提高计算精度。3神经网络的应用311BP算法人工神经网络方法的研究为解决深度非线性图3温降计算框图问题提供了极佳的途径,其具有自学习、自组织、自适应和非线性动态处理等特征,特别适合处理复杂的非线性过程。目前已经应

8、用于包括钢铁工业在内的许多科技领域。德国西门子公司在这方面已经做了大量的工作,建立起与数学模型相结合的参数网络、修正网络和综合网络。人工神经网络的应用,特别是在误差反传递算法的应用中具有代表性的是模式处理3-4因考虑到带钢在厚度方向上存在热传导,故在计算空冷温降时,需进行厚度方向上的修正,模型对带钢表面黑度系数按与厚度成线性关系进行处理,通过这种修正的方式来考虑带钢内部在厚度方向上的导热过程。=a1×(1)h+a2式中,为黑度系数;a1、a2为空冷回归系数;h为带钢厚度。水冷计算中的模型参数,主要是确定热流密度的热流密度系数f0:。通过学习算法建立网络内部的输入输出关系。人工神经网络

9、不仅用来记忆数据,更重要的是根据这些数据群找出潜在的规律。这应该说是人工神经网络学习的最119冶金自动化2010年S1大特征。本文采用BP网络来预报卷取温度偏差,BP算法是一种误差方向传播式网络权值计算方法。网络主要是寻求目标值与实际输出的偏差是否满足预先给定的要求。312神经网络与数学模型的结合为提高数学模型的计算精度,本文采用神经网络与数学模型相结合的方法,将神经网络的优势与能表达一定物理意义的数学模型相结合,对于描述工艺过程更为有利。根据BP网络的结构及卷取温度的偏差与各影响因素之间的关系,确定系统原理如图4所示。将工艺参数以及由数学模型计算的水冷时间作为网络的输人值,利用BP网络预报卷

10、取温度的偏差,反馈给数学模型,从而变更控制策略,卷取温度预报精度。数学模型预报值与实测值偏差;利用神经网络修正后预报值与实测值偏差5高精度控制提供一种思路。图5为实测偏差值与网络预测偏差值的比较趋势图。从中可以看出,网络的偏差值比数学模型的偏差值更趋于平滑。神经网络与数学模型和实测值的偏差趋势也十分相近,这说明人工神经元网络对原有数学模型修正后,可以提高带钢温度的预报精度,从而提高卷取温度精度的命中率。参考文献:1AuzingerD.RecentdevelopmentinprocessoptimizationforlaminarcoolinginhotstripmillsJ.IronMakin

11、gandSteelMaking,1996,23(1):84287.2HorskyJ,RaudenskyM,KotrbacekP.ExperimentalstudyoflongproductcoolinginhotrollingJ.JournalofMate2图4神经网络与数学模型结合原理图rialsProcessingTechnology,1998(80281):3372340.3王国栋,刘相华.金属轧制过程人工智能优化M.4结论本文根据唐山不锈钢1580热轧生产线采集的几个月的生产实测数据,经过数据处理和分析,并利用神经元网络与数学模型相结合的方法,能够准确地预测带钢卷取温度偏差。通过建立实测数据库,获取现场的实际生产数据,利用离线训练得到不断更新的网络权值矩阵,可用于在线