热轧带钢卷取温度智能控制器地研究.pdfVIP

第四届全国冶金、电力、石油和化工行业自动化技术交流演示会论文集一倚金自动化 一”． 热轧带钢卷取温度智能控制器的研究 彭力李稳杨迎新林行辛 (河北理工学院自动化系河北唐山063009) 摘要；．窦际生产中的数学模型往往力求简化，以满足实时性的要求，这常常以损失控制精度为代价． 为了提高实用控制模型的精度，本文介绍了一种基于神经网络的模型蠢数．自寻优算法，该算法能动态实 时地在线修正模型中舯参数，提高了控制精度．仿真和实际应用效果明显． 关訇皂词：神经网络；层魂冷却：热轧带钢卷取温度控制：参数自寻优 ’ ， 1 引言 实际生产中，控制模型要求在一定精度内尽量简化以满足实时性的限制。准确性和 快速性不免成为一对难以调和的矛盾．有时光靠模型自身很难调整。而神经网络有很好的 精确逼近对象的特性。保持实用模型简单快速的特点，发挥神经网络的优势，将二者紧密 结合起来．用神经网络在线调整模型的参数，使原系统的简化模型精度有较大提高，还不 影响控制的实时性，这是本文主要研究的内容。 2层流冷却控制系统 为保证热轧带钢的组织性能，对其卷取温度的控制精度有较高的要求。通常，在轧 机和卷取机之间设有冷却床，当带钢从冷却床通过时，采用层流冷却[1]，使带钢的温度 下降到所要求的目标卷取温度。下图为热轧带钢经过耩轧机进入冷却区，最后被卷取机收 成钢卷的工艺流程幽： 图1热轧机输出辊道上的设备布置简图 模型要考虑的因素有热轧带钢号、材质号、终轧温度、且标卷取温度、厚度及速度，按轧 制规则确定以下冷却r艺数据：冷却方式、喷水方式、起始阀门号、自适应修正系数等． 带钢经过冷却区后，与冷水进行热交换，实陋控制模型[2]为： (1) T=ro+(歹一To)·e一5 其中，7’一冷却区带钢出口温度：』o一冷却区环境温度；』，一冷却区带钢入口温度； z一带钢经过冷却区的冷却时间：P一温度指数，年¨带钢厚度、带钢的导温、导热系数、 冷却区冷却能力、水温，水压、带钢述度等因素有关，井影响到温降的述率。 第四届全国冶金、电力、石油和化工行业自动化技术交流演示会论文集一后叠自动纪 ．甜． 该模型是一个一阶e指数温度光滑下降衄线模型，用于实际控制简单实用，但由于该 模型没有考虑带钢厚度方向的热传导以及干扰、滞后等不确定因素的影响，很难使控制精 度达到高要求，有必要将模型进行改进。 3神经网络学习模型 采用神经网络建模的方法，网络结构和算法如下。 加而成。这样便可把通常的神经网络结构变成线性和非线性两部分模型结构，用线性系统 参数辨识和非线性多层前向网络辨识分别作用于各自对应韵结构上，仿真证明这的确能加 快网络学习速度。该网络结构如下： “∥ ”∥ 9经网络结构模型图 模型离散化后为： 其中，Y(k)为对象输出，U(k)．为对象输入，f(．)为非线性函数。 图2中上、}部分输出是线性模型输出Y．(k)，神经元之间的参数采用递推最小二乘法辨识； F、F部分为1#线性部分输山Y．(k)，神经元之间的权重及闽值采州改进的快速BP算法计算。 这时，网络模型输出为： 7x(k)+N(x(k—1))+e(k) y(k)=Yf(t)+Y。(七)+占(t)=m 对象输出为：y(k)=YJ(女)+Y，．(k) 其中，x(k-1)为线性模型辨识参数， 中为线性模型辨识参数阵， ≯=(al，a2，…a。，bl，b2，…b。)1， f=1,2，…，n；j=1,2，．，m N(．)为非线性模型输出，e(n)为建模误差；分别为非线性模型第一隐层及第二隐层权 重及闽值：分别为第一隐层及第二隐层输出：n1，n2为第一隐层及第二隐层神经元个数，网 络训练采用两部分模型交替进行。 针对上述网络结构，对线性结构可采用递推最小二乘法，对非线性部分采用变学习速 率的BP算法的综合辨识方法： (1)网络参数初始化，中(0)中各元素取较小值。权重均匀选取[0，1]随机数； (2)非线