专利名称：全氢罩式炉的智能优化控制技术的制作方法
技术领域：
本发明属于全氢罩式炉控制相关领域，特别涉及一种针对全氢罩式炉生产过程的 智能优化控制技术。
背景技术：
退火是钢铁等行业生产的重要环节。通过退火可以使改善金属材料显微组织结构 和机械性能指标。全氢罩式炉可以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勻、钢卷表面更加清洁。因此全氢罩式炉在钢铁等行业获得了十分 广泛的应用。全氢罩式炉生产过程复杂，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、炉台卸料等十多个生产环节。目前在全氢 罩式炉控制技术方面开展了一些研究工作。熊斐等应用具有可扩展性的分布式体系结构来 研究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，具备 远程监控能力。梁楚荣采用SIEMENS S7300可编程控制器进行冷轧带钢全氢罩式炉自动控 制，通过现场自动控制和上位机监控来实现冷轧带钢全氢罩式炉退火自动控制和安全保护 功能。尹晓青、陆继东等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。目前利用智能优化技术进行全氢罩式炉主要生产 过程参数优化来降低全氢罩式炉生产能耗，这方面的研究工作还未见公开文献报道。本发明是有关全氢罩式炉的智能优化控制技术。本发明提出的全氢罩式炉控制新 技术是以神经网络和智能优化为手段、以降低全氢罩式炉加热过程中能耗为目标；利用神 经网络建立的退火钢材种类、全氢罩式炉生产过程主要参数和加热时间之间映射模型，进 行全氢罩式炉加热过程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加热 过程的控制，从而实现减小全氢罩式炉加热过程能耗的目标。本发明提出的全氢罩式炉智 能优化控制技术，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。
发明内容
本发明的目的是以神经网络和智能优化算法为手段、以降低全氢罩式炉加热过程 的能耗为目标，进行全氢罩式炉加热过程的自动控制。为了达到上述目标，本发明采用的技 术方案是以全氢罩式炉加热工艺过程中各阶段燃料流量、助燃空气流量、氢气补充量主要参数、全氢罩式炉的退火钢材品种规格以及加热时间数据为基础，建立最全氢罩式炉加热 时间和假如过程燃料流量等主要参数、退火钢材种类之间的神经网络映射模型；以建立的 神经网络模型为基础，利用智能优化算法进行全氢罩式炉加热过程中能耗最小的燃料流量 等主要参量的优化；以优化获得的全氢罩式炉加热过程的燃料流量、助燃空气流量、氢气补 充量主要参数为基础得到全氢罩式炉燃料流量、助燃空气流量、氢气补充量参数控制曲线， 利用可编程逻辑控制器和变频控制器的数值转换实现全氢罩式炉加热过程的自动控制。本发明包括全氢罩式炉加热过程样本数据建立、构建神经网络模型、全氢罩式炉 加热过程燃料流量等主要参数优化、全氢罩式炉燃料加热过程参数控制等内容。本发明包 括的具体步骤如下1)构造全氢罩式炉加热过程样本数据通过深入研究全氢罩式炉加热过程，确定与全氢罩式炉加热过程能耗直接相关的 主要操作参数燃料流量、助燃空气流量、氢气补充量。在此基础上对全氢罩式炉退火钢材 品种规格、全氢罩式炉加热过程主要操作参数和加热时间之间关系按照正交试验方法进行 实验，获取反映有关全氢罩式炉退火钢材品种规格、全氢罩式炉加热过程主要操作参数和 加热时间之间关系的大量数据。在获取的所有全氢罩式炉加热过程数据中，构造以加热时 间为输出、以退火钢材种类和全氢罩式炉加热过程主要操作参数为输入的样本数据。构造 的全氢罩式炉加热过程样本数据，就可以认为是反映了有关全氢罩式加热时间和退火钢材 品种、钢材厚度、钢材重量、燃料流量、助燃空气流量、氢气补充量主要参数之间的关系。2)构建神经网络模型以建立的全氢罩式炉加热过程样本数据为基础进行神经网络模型的构建。全氢罩 式炉加热过程样本数据反映了全氢罩式炉燃料流量等主要操作参数、退火钢材类型和加热 时间之间的关系，因此利用神经网络进行样本学习，就可以将样本数据蕴涵的关系由神经 网络模型来描述。构建神经网络模型需要先确定神经网络的结构和属性，包括神经网络的层数、隐 含层数、每层的神经元数、每层的激活函数设置以及该神经网络模型的输入输出参数等。其 中神经网络输入层神经元个数对应于样本输入部分的参数数目，包括退火钢材品种、钢材 厚度、钢材重量、加热各阶段的燃料流量、助燃空气流量、氢气补充量等参数。神经网络输出 层神经元个数对应于样本输出部分的参数数目，包括全氢罩式炉加热阶段的加热时间和保 温时间。在确定神经网络结构后，将样本数据处理成满足神经网络学习的格式要求，选择学 习算法进行神经网络样本的学习。完成神经网络的样本学习过程后，就可以建立反映全氢 罩式炉加热时间和加热过程主要操作参数、退火钢材类型间关系的神经网络模型。3)全氢罩式炉加热过程主要操作参数优化以构建的全氢罩式炉加热时间和加热过程主要操作参数、退火钢材类型间的神经 网络模型为基础，进行全氢罩式炉加热过程燃料流量等主要操作参数优化，达到减小钢材 退火时加热过程能耗的目的。将需要进行退火作业控制的钢材品种、钢材厚度、钢材重量参 数作为神经网络的输入参数，对这些数据处理成满足神经网络预测需要的要求，即可获得 的神经网络的输出。对神经网络的输出数据进行处理，即可获得全氢罩式炉最小能耗状态 下燃料流量等主要操作参数。将需要进行退火作业的某钢材品种的加热过程燃料流量等主要操作参数作为优化变量，退火时加热过程能耗为优化目标。通过遗传算法或粒子群算法等智能优化方法进 行加热过程燃料流量等主要操作参数的优选，获得全氢罩式炉退火时加热过程需要的最小 能耗。在优化过程中计算能耗目标时需要利用建立的神经网络模型来进行加热时间的预 估。4)全氢罩式炉加热过程控制以优化获得的全氢罩式炉加热过程主要操作参数为基础，进行燃料流量等主要操 作参数离散值曲线拟合，将拟合后的参数控制曲线存储于全氢罩式炉的可编程逻辑控制器 的数据块中，为全氢罩式炉加热过程的参数控制做好准备。在全氢罩式炉实际参数控制中， 可编程逻辑控制器为全氢罩式炉当前状态在拟合后参数控制曲线上找出相对应的参数值， 通过模拟量或现场总线方式驱动电流矢量的变频器，控制全氢罩式炉的燃料流量等主要参 数。本发明的优点全氢罩式炉的智能优化控制技术，能够进行全氢罩式炉加热过程 中最小能耗状态下的燃料流量等主要参数优化控制。
附图1是全氢罩式炉智能优化控制流程图；附图2是全氢罩式炉智能优化模型示意图；附图3是全氢罩式炉智能优化控制原理示意图
具体实施例方式以下结合附图，说明本发明提出的针对全氢罩式炉的智能优化控制技术，其具体 实施方法如下图1是全氢罩式炉智能优化控制流程图，本发明提出的全氢罩式炉控制新技术是 以神经网络和智能优化算法为手段、以降低全氢罩式炉加热过程中能耗为目标，进行全氢 罩式炉加热过程燃料流量等主要操作参数优化控制。为了达到上述目标，本发明主要内容 包括1)构造全氢罩式炉加热过程样本数据，2)建立最全氢罩式炉加热过程燃料流量等主 要参数和加热时间之间的神经网络映射模型，3)进行全氢罩式炉加热过程主要操作参数优 化，4)全氢罩式炉加热过程控制。图2是全氢罩式炉智能优化模型示意图，本发明中的全氢罩式炉智能优化包括两 个部分预估加热时间的神经网络模型和基于各种智能优化算法的优化方法。本发明中以 建立的神经网络模型为基础，利用智能优化算法进行全氢罩式炉加热过程中燃料流量等主 要操作参数最小能耗优化。图2中包含的内容具体实施方法如下1.本发明利用神经网络技术进行全氢罩式炉加热时间的预测，构建的神经网络为 具有三层结构的神经网络模型，详细的描述如下1)确定输入输出变量在全氢罩式炉的加热过程中，与能耗密切相关的参数主要包括加温和保温时间、 燃料流量等。考虑到加温、保温时间不仅与括退火钢材品种、钢材厚度、钢材重量有关，而且 与加热各阶段的燃料流量、助燃空气流量、氢气补充量等参数相关。因此将加温环节分成 的三个阶段的燃料流量、助燃空气流量、氢气补充参量，将保温环节分成的三个阶段燃料流量、助燃空气流量、氢气补充参量，将退火钢材的品种、厚度、重量三个变量共21个参量一 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)网络结构描述在本发明涉及的神经网络模型包含输入层、中间层(隐含层)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/(V) = ----
1 + exp(-av)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)网络训练网络的训练样本通过全氢罩式炉实验获得的数据进行整理后得到。神经网络训练 的过程就是一个学习的过程，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。2.本发明利用智能优化算法中的遗传算法进行以最小加热能耗为优化目标的全 氢罩式炉加热过程主要操作参数优化1)设计变量在全氢罩式炉加热过程中影响能耗因素包括加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，保温环节分成的三个阶段燃料流量、助燃空气流量、氢气 补充参量，以及加温和保温时间。由于加温和保温时间是由加温和保温环节的燃料流量等 参数共同影响的，不是自变量，因此将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、氢气补充参量共18个参量一起作为优化设计变量。所以优化变量可以记为X = (R1, Z1J Q1J R2, Z2 Q21，R3 Z3 Q3 BR1, BZ1, BQ1, BR2 BZ2 BQ21 BR3 BZ3 BQ3I上式中，氏、Zi, Qi分别表示全氢罩式炉加温环节各阶段的燃料流量、助燃空气流 量、氢气补充参量；BRpBZpBQi分别表示全氢罩式炉保温环节各阶段的燃料流量、助燃空气 流量、氢气补充参量。2)设计优化目标函数全氢罩式炉加热过程能耗主要包括1)燃料消耗，2)燃料、助燃空气、氢气补充量 的输送需要的动力和3)助燃空气预热需要的能量。当然全氢罩式炉加热过程能耗计算中 最主要的是燃料消耗。因此在本发明中涉及的全氢罩式炉加热过程优化目标函数主要考虑 燃料消耗。全氢罩式炉加热过程能耗优化目标函数描述如下 F = A [ (R1+R2+R3) Tl/3+ (BR1+BR2+BR3) T2/3] 其中A为综合考虑燃料比重等因素得到的常数，Tl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。在全氢罩式炉加热过程能耗优化目标函数中加温和保温时间需要利用建立的神 经网络模型来进行预估。3)设计优化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)优化计算本发明将智能优化算法中的遗传算法应用于全氢罩式炉加热过程参数优化计算。 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。图3是全氢罩式炉加热过程智能优化控制的原理示意图，本发明中全氢罩式炉的 控制过程主要由可编程控制器和变频器来完成。通过以优化获得了全氢罩式炉加热过程的 燃料流量、助燃空气流量、氢气补充量主要参数，这些参数值是一些离散点，由于各点不连 续，还难以直接用于全氢罩式炉加热过程控制。为了使全氢罩式炉运行平稳，通过将这些离 散点拟合成全氢罩式炉加热过程的参数运行控制曲线，以取此曲线上的各点作为参数设定 值利用可编程逻辑控制器和变频控制器的数值转换实现全氢罩式炉加热过程的自动控制。
权利要求
1.全氢罩式炉的智能优化控制技术，其特征是以神经网络和智能优化为手段、以降低 全氢罩式炉加热过程中能耗为目标，进行全氢罩式炉加热过程控制，包括以下步骤建立全氢罩式炉加热过程样本数据； 构建神经网络模型； 罩式炉加热过程参数智能优化； 全氢罩式炉加热过程控制。
2.根据权利要求1所述的全氢罩式炉的智能优化控制技术，其特征在于所述的全氢 罩式炉加热过程控制参数是利用智能优化算法进行优化来得到的。
3.根据权利要求1所述的全氢罩式炉的智能优化控制技术，其特征在于所述的全氢 罩式炉加热过程控制参数优化，是以建立的全氢罩式炉加热过程的神经网络模型为基础。
全文摘要
一种全氢罩式炉生产过程的智能优化控制技术，该技术以神经网络和智能优化为手段、以降低全氢罩式炉加热过程中能耗为目标；利用神经网络建立的退火钢材种类、全氢罩式炉生产过程主要参数和加热时间之间映射模型，进行全氢罩式炉加热过程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加热过程的控制，从而实现减小全氢罩式炉加热过程能耗的目标。全氢罩式炉智能优化控制技术，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。
文档编号C21D1/74GK102117356SQ20101058578
公开日2011年7月6日 申请日期2010年12月14日 优先权日2010年12月14日
发明者倪志荣, 耿凯, 肖人彬, 陆金桂 申请人:耿凯, 陆金桂