全氢罩式炉加热过程智能模糊控制方法
【专利摘要】本发明涉及一种全氢罩式炉加热过程智能模糊控制方法，其特征在于所述方法包括以下步骤：步骤一、样本数据建立；步骤二、构建神经网络模型；步骤三、主要参数预估；步骤四、主要参数优化。本发明是以神经网络智能控制为手段、以降低全氢罩式炉生产过程中能耗为目标，利用神经网络建立最小能耗状态下退火钢材品种、规格和全氢罩式炉生产过程主要参数之间映射模型，进行全氢罩式炉最小能耗状态生产主要参数预估；在此基础上进行全氢罩式炉生产过程的智能模糊控制，从而实现减小全氢罩式炉生产过程能耗的目标。
【专利说明】全氢罩式炉加热过程智能模糊控制方法
【技术领域】
[0001] 本发明涉及一种全氢罩式炉加热过程的智能模糊控制方法。属于全氢罩式炉控制 相关领域。
【背景技术】
[0002] 全氢罩式退火炉是高质量冷轧产品退火设备，主要用于冷轧板卷成品前的退火， 通过退火使钢板显微组织结构、机械性能和工艺性能达到要求的指标。全氢罩式炉充分利 用氢气氛还原作用使得钢卷退火过程中内部和外部的温度分布更加均匀、钢卷表面更加清 洁，因此在钢铁行业获得了广泛的应用。
[0003] 全氢罩式炉生产过程主要包括炉台装料、放置内罩、氢气阀密封测试、锁紧内罩、 炉台系统冷态密封测试、氮气预吹扫、点火和升温保温、氢气吹扫、吊离加热罩、辐射冷却、 吊扣冷却罩、风冷和喷淋冷却、氮气后吹扫、炉台卸料等。全氢罩式炉生产过程复杂，需要 利用控制系统进行生产过程的自动控制。例如梁楚荣应用SIEMENS S7 300可编程控制 器（PLC)开发了冷轧带钢全氢罩式炉自动控制系统，该系统由全氢罩式炉控制系统由现场 自动控制系统和上位机监控系统组成，具有冷轧带钢全氢罩式炉退火自动控制和安全保护 功能；熊斐等人采用具有扩展性的分布式体系结构，开发了全氢罩式炉控制系统，该系统 与数据采集工作站之间通过以太网相联接，使系统具备远程监控能力，能同时处理和监控 200个炉台的数据；尹晓青、陆继东等人研究了罩式炉退火自适应控制方法，该方法包括在 线计算启动前退火过程再现、在线计算启动后退火过程预测步骤，在在线计算启动前退火 过程再现步骤中，利用可编程控制器存储的数据，进行具体退火过程钢卷温度场的重现，并 获得在线计算启动时刻的温度场及为区分退火阶段而设定的系列标志信号，正在在线计算 启动后退火过程预测步骤中，利用在线计算启动时刻的温度场进行退火过程的预测，进而 得到新的退火工艺制度，传递给可编程控制器进行后续退火过程的控制；该方法具有依据 罩式炉的设备结构和设备性能等进行自适应修正的优点。但是上述方法在全氢罩式炉生产 过程的能耗较高。
【发明内容】
[0004] 本发明的目的在于克服上述不足，提供一种全氢罩式炉加热过程智能模糊控制方 法，可降低全氢罩式炉生产过程的能耗，为全氢罩式炉的高效低能耗运行提供有效控制手 段。
[0005] 本发明的目的是这样实现的：一种全氢罩式炉加热过程智能模糊控制方法，所述 方法包括以下步骤： 步骤一、样本数据建立 确定与全氢罩式炉能耗直接相关的主要操作参数：燃料流量、助燃空气流量和氢气补 充量，对这三个参数进行样本数据建立； 步骤二、构建神经网络模型 以建立的全氢罩式炉生产过程样本数据为基础进行神经网络模型的构建，具体操作如 下： 具体操作如下： 1)确定输入输出变量 将在全氢罩式炉的加热过程中的加温和保温时间、燃料流量、退火钢材品种、钢材厚 度、钢材重量、加温环节的燃料流量、助燃空气流量、氢气补充参量和保温环节的燃料流量、 助燃空气流量、氢气补充参量以及退火钢材的品种、厚度、重量一起作为神经网络模型的输 入，将全氢罩式炉的加温和保温时间二个变量作为全氢罩式炉神经网络模型的输出变量。
[0006] 2)网络结构描述 本发明涉及的神经网络模型包含输入层、中间层和输出层，神经网络模型的输入层所 包含的神经元个数为21，分别对应全氢罩式炉的退火钢材的品种、厚度、重量以及加温保温 各阶段的燃料流量、助燃空气流量、氢气补充参量。神经网络模型的隐含层包含43个神经 元，神经网络模型的输出层所包含的神经元个数为2个，分别对应全氢罩式炉加温、保温时 间参量。
[0007] 本发明涉及的三层神经网络模型上下层之间各神经元实现连接，同层之间无连 接，隐含层的激活函数均采用Sigmoid函数（S型函数），函数描述如下：
【权利要求】
1. 一种全氢罩式炉加热过程智能模糊控制方法，其特征在于所述方法包括以下步骤： 步骤一、样本数据建立 确定与全氢罩式炉能耗直接相关的主要操作参数：燃料流量、助燃空气流量和氢气补 充量，对这三个参数进行样本数据建立； 步骤二、构建神经网络模型 以建立的全氢罩式炉生产过程样本数据为基础进行神经网络模型的构建，具体操作如 下： 具体操作如下： 1)确定输入输出变量 将在全氢罩式炉的加热过程中的加温和保温时间、燃料流量、退火钢材品种、钢材厚 度、钢材重量、加温环节的燃料流量、助燃空气流量、氢气补充参量和保温环节的燃料流量、 助燃空气流量、氢气补充参量以及退火钢材的品种、厚度、重量一起作为神经网络模型的输 入，将全氢罩式炉的加温和保温时间二个变量作为全氢罩式炉神经网络模型的输出变量； 2)网络结构描述 本发明涉及的神经网络模型包含输入层、中间层和输出层，神经网络模型的输入层所 包含的神经元个数为21，分别对应全氢罩式炉的退火钢材的品种、厚度、重量以及加温保温 各阶段的燃料流量、助燃空气流量、氢气补充参量； 神经网络模型的隐含层包含43个神经元，神经网络模型的输出层所包含的神经元个 数为2个，分别对应全氢罩式炉加温、保温时间参量； 本发明涉及的三层神经网络模型上下层之间各神经元实现连接，同层之间无连接，隐 含层的激活函数均采用Sigmoid函数（S型函数），函数描述如下：
式中，a为Sigmoid函数的斜率参数，通过改变参数a，可以获取不同斜率的Sigmoid函 数； 3)网络训练 采用误差反向传播算法，首先将输入信息通过输入层经隐含层逐层处理并计算每个单 元的实际输出值，然后根据期望输出与实际输出的差值，由输出端开始逐层调节权值； 步骤三、主要参数预估 以构建的全氢罩式炉最小能耗状态下全氢罩式炉燃料流量等主要操作参数和全氢罩 式炉退火钢材类型等参数之间的神经网络模型为基础，进行最小能耗状态下全氢罩式炉燃 料流量等主要操作参数的预估； 步骤四、主要参数优化 1) 设计变量 将步骤二中涉及的输入变量用相应的字母表示； 2) 设计模糊控制目标函数 全氢罩式炉加热过程能耗优化目标函数描述如下： F= A [(R7 + + RJ ) Tl/3 + ( BR7 + BR^ + BRJ ) T2/3 ] 其中A为综合考虑燃料比重等因素得到的常数，T1和T2是全氢罩式炉加热过程中加 温和保温时间，其它参量是加温和保温环节各阶段的燃料流量量； 3) 设计模糊控制约束函数 在全氢罩式炉加热过程中，全氢罩式炉的燃料流量、助燃空气流量、氢气补充参量不能 超过规定的上下限； 4) 模糊控制计算 在全氢罩式炉加热过程参数优化过程中，调用遗传算法优化程序进行设计变量的优化 计算，最终获得加温和保温环节分成的三个阶段的燃料流量、助燃空气流量、氢气补充参量 优化值。
【文档编号】G05B13/04GK104281054SQ201310291980
【公开日】2015年1月14日 申请日期:2013年7月12日 优先权日:2013年7月12日
【发明者】耿凯, 倪志荣 申请人:靖江市托日自动化设备有限公司