基于rbf神经网络的层流冷却温度自适应控制方法
【专利摘要】本发明公开了基于RBF神经网络的层流冷却温度自适应控制方法，提供一种基于RBF神经网络的层流冷却温度自适应控制技术，针对不锈钢热轧带钢生产过程中存在的目标卷取温度高，冷却区域少等难点，设计了一种基于RBF神经网络的层流冷却温度自适应控制技术，通过创建RBF神经网络和评估RBF神经网络得到最新的自适应参数，层流冷却模型会根据最新的自适应参数，计算冷却策略，该技术的应用可以更加实时、准确的获得层流冷却系统的温度自适应参数，并最终提高不锈钢轧制卷取温度的控制精度，从而使带钢获得良好的组织性能和力学性能，对生产过程有显著的应用价值。
【专利说明】
基于RBF神经网络的层流冷却温度自适应控制方法
技术领域
[0001] 本发明涉及钢铁工业控制技术领域，尤其涉及基于RBF神经网络的层流冷却温度 自适应控制方法。
【背景技术】
[0002] 钢铁工业是支持国民经济发展的重要支柱产业。为了确保热乳带钢的产品性能和 产品质量的优良，精确的冷却工艺控制是基本保证。热乳层流冷却是钢铁工业生产中的一 个重要环节，在热乳带钢层流冷却过程中，冷却速度、冷却均匀程度是最重要的参数，影响 着带钢产品最终的各种性能指标。层流冷却系统的功能就是根据给定的冷却策略，为卷取 温度控制提供设定点，控制带钢冷却，实现最终温度。为了满足工艺上对卷取温度越来越高 的要求，在卷取温度控制的实践中，并在大量采集过程实际数据的基础上，引入短期、长期 自适应功能。
[0003] 对于普碳钢来说，其要求卷取温度一般为670°C以下，因此，绝大多数层流冷却系 统设计中，控制策略可通过多个冷却段的共同调节进行优化完善。但是，对于不锈钢的乳 制，由于其要求卷取温度比普碳钢要高，而层流冷却系统一般设计为只有一个冷却段，且辊 道长度一般小于普碳钢的层流冷却装置辊道长度；另外不锈钢的化学材质更为复杂，对层 流冷却模型计算的影响因素更加突出；因此对于不锈钢热连乳层流冷却控制来说，其工艺 设备条件及工艺要求对其控制速度、控制精度都提出了更高的要求。而现有的层流冷却温 度控制技术不能满足不锈钢乳制的需要，因此迫切需要提高不锈钢热乳带钢层流冷却系统 的自适应控制水平。
【发明内容】
[0004] 本发明旨在解决现有技术的不足，而提供基于RBF神经网络的层流冷却温度自适 应控制方法。
[0005] 本发明为实现上述目的，采用以下技术方案:基于RBF神经网络的层流冷却温度自 适应控制方法，使用RBF神经网络对自适应参数进行自学习，其特征在于，包括以下步骤：
[0006] (1)、定义输入层结点个数及其标准化的均值、标准差，其中包括带钢化学成份种 类、带钢终乳厚度、带钢终乳温度、目标卷取温度；
[0007] (2)、定义隐层结点个数及偏差单元个数，每个隐层结点都是一个径向基函数；
[0008] (3)、选取高斯函数作为隐层激活函数；
[0009] (4)、给定每个输入单元对应的隐层结点的结点中心初始值，即基函数的中心位 置；
[0010] (5)、给定基函数的宽度、隐层结点到输出结点的权值及偏差单元到输出结点的权 值；
[0011] (6 )、定义输出层结点个数为2个，包括自适应系数、自适应温度偏差值；
[0012] (7)、对于输入结点，计算隐层和输出层的激活函数，通过该步骤获取最新的长期、 短期自适应参数；
[0013] (8)、对于一个带钢的每个样本段的头部，穿过层流冷却段的整个历史都被收集， 系统对这些实测数据进行处理，并得到最新的自适应参数；
[0014] (9)、层流冷却模型根据最新的自适应参数，计算冷却策略，所述的冷却策略包括 开关水阀设定、设定点在冷却段入口带钢的表面温度、设定点带钢速度、设定点优化的开阀 点、计算的最终温度和目标温度之间的差异、最终温度与对应的起始温度之间的斜率和最 终温度与对应的带钢速度之间的斜率。
[0015] 作为优选，所述步骤(2)中的隐层结点数小于训练样本数。
[0016] 作为优选，层流冷却系统在每次触发预计算、自适应计算时，都会执行所述步骤 ⑴。
[0017] 本发明的有益效果是:本发明针对不锈钢热乳带钢生产过程中存在的目标卷取温 度高，冷却区域少等难点，设计了一种基于RBF神经网络的层流冷却温度自适应控制技术。 该技术的应用可以更加实时、准确的获得层流冷却系统的温度自适应参数，并最终提高不 锈钢乳制卷取温度的控制精度，从而使带钢获得良好的组织性能和力学性能，对生产过程 有显著的应用价值。
【附图说明】
[0018] 图1为本发明的RBF神经网络结构图；
[0019] 以下将结合本发明的实施例参照附图进行详细叙述。
【具体实施方式】
[0020] 下面结合实施例对本发明作进一步说明：
[0021] 实施例1
[0022] 如图1所示，基于RBF神经网络的层流冷却温度自适应控制方法，使用RBF神经网络 对自适应参数进行自学习，其特征在于，包括以下步骤：
[0023] (1)、定义输入层结点个数及其标准化的均值、标准差，其中包括带钢化学成份种 类、带钢终乳厚度、带钢终乳温度、目标卷取温度，分别为X^X2……Xm;
[0024] (2)、定义隐层结点个数及偏差单元个数，分别为&(〇、&(〇……G1(F)，隐层结点 数小于训练样本数，每个结点都是一个径向基函数;中?(χ) |χ- il ),」=1，2，一，仏第 j个输入数据是RBF的中心；
[0025] (3)、选取高斯函数作为隐层激活函数，即每个隐层的计算单元都是：
，参数是第j个高斯函数的宽度；
[0026] (4 )、给定每个输入单元对应的隐层结点的结点中心初始值，即基函数的中心位 置；
[0027] (5)、给定基函数的宽度，隐层结点到输出结点的权值及偏差单元到输出结点的权 值；
[0028] (6)、定义输出层结点个数为2个，包括自适应系数、自适应温度偏差值，分别为yi、 y2；
[0029] (7)、对于输入结点，计算隐层和输出层的激活函数，其中，隐层结点激活函数为高 斯函数，通过该步骤获取最新的长期、短期自适应参数，层流冷却系统在每次触发预计算、 自适应计算时，都会执行该步骤；
[0030] (8)、对于一个带钢的每个样本段的头部，穿过层流冷却段的整个历史都被收集， 系统对这些实测数据进行处理，并得到最新的自适应参数；
[0031 ] (9)、层流冷却模型根据最新的自适应参数，计算冷却策略，所述的冷却策略包括 开关水阀设定、设定点在冷却段入口带钢的表面温度、设定点带钢速度、设定点优化的开阀 点、计算的最终温度和目标温度之间的差异、最终温度与对应的起始温度之间的斜率和最 终温度与对应的带钢速度之间的斜率。
[0032]上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制， 只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场 合的，均在本发明的保护范围之内。
【主权项】
1. 基于RBF神经网络的层流冷却温度自适应控制方法，使用RBF神经网络对自适应参数 进行自学习，其特征在于，包括以下步骤： (1) 、定义输入层结点个数及其标准化的均值、标准差，其中包括带钢化学成份种类、带 钢终乳厚度、带钢终乳温度、目标卷取温度； (2) 、定义隐层结点个数及偏差单元个数，每个隐层结点都是一个径向基函数； (3) 、选取高斯函数作为隐层激活函数； (4) 、给定每个输入单元对应的隐层结点的结点中心初始值，即基函数的中心位置； (5 )、给定基函数的宽度、隐层结点到输出结点的权值及偏差单元到输出结点的权值； (6) 、定义输出层结点个数为2个，包括自适应系数、自适应温度偏差值； (7) 、对于输入结点，计算隐层和输出层的激活函数，通过该步骤获取最新的长期、短期 自适应参数； (8) 、对于一个带钢的每个样本段的头部，穿过层流冷却段的整个历史都被收集，系统 对这些实测数据进行处理，并得到最新的自适应参数； (9) 、层流冷却模型根据最新的自适应参数，计算冷却策略，所述的冷却策略包括开关 水阀设定、设定点在冷却段入口带钢的表面温度、设定点带钢速度、设定点优化的开阀点、 计算的最终温度和目标温度之间的差异、最终温度与对应的起始温度之间的斜率和最终温 度与对应的带钢速度之间的斜率。2. 根据权利要求1所述的基于RBF神经网络的层流冷却温度自适应控制方法，其特征在 于，所述步骤(2)中的隐层结点数小于训练样本数。3. 根据权利要求1所述的基于RBF神经网络的层流冷却温度自适应控制方法，其特征在 于，层流冷却系统在每次触发预计算、自适应计算时，都会执行所述步骤(7)。
【文档编号】B21B37/74GK105921522SQ201610364425
【公开日】2016年9月7日
【申请日】2016年5月27日
【发明人】李纪召, 杜雁泽, 孙旻
【申请人】天津重电气自动化有限公司, 天津一重电气自动化有限公司