冲击加热中钢坯温度软测量研究.pdfVIP

冲击加热中钢坯温度的软测量研究 康萍白美卿 西南交通大学计算机学院 成都61003I 重庆大学自动化学院 重庆400044 摘要本文采用神经网络的软测量方法，依据实测的实验数据，建立冲击加热中钢坯温度的软期4量模型 并对钢坯温度进行了较为准确的预测。 关键词软捌量神经网络钢坯温度冲击加热 AbstractThis sets the modelsof sled in paperup soft-sensing detec-tingtemperatureimpingedhealing，and predicts NepalnetworkSteel KeywordsSoft-sensing temperalureImpingedheating 1引言 高速(W；lOO一300m／s)气流对钢坯进行直接冲击加热的加热方法与传统的以辐射为主的加 热工艺相比，具有生产率和热效率高、燃耗低、损耗少、炉子结构紧凑、投资运行费用低 和操作灵活等优点。 在轧钢工艺过程中，温度是决定钢材产量和质量的重要工艺参数之一．它将影响到钢 材的硬度、刚度、韧性等性能指标，直接决定着生产的经济效益。受目前工艺水平和理论 研究水平的限制，尚不能对冲击加热过程进行精确描述。同时，目前的传感器技术还不能 在线准确测量钢坯的温度。如何精确及时测得钢坯温度是实现自动控制的前提，也是产品 质曩的保证。为解决钢坯温度的检测和控制，我们运用基于神经网络的软测量技术，建立 钢坯温度检测模型，并对钢坯温度进行预测。 2基本原理 2．1软测量的基本原理 用计算机软件实现对主导变量的估计。在实际应用中，我们是利用那些直接物理传感器实 体得到的信息，通过数学模型计算等手段，得到所需检测的信息。软测量技术不仅可以解 一818一 决工程上某些变量值难以准确检测的问题，而且也可以为用硬件方法检测到的变量提供校 正参考，可靠的软测量可以避免昂贵的硬件设备费用，这对开发适合我国国情的控制系统 具有特殊的意义。 冲击加热过程具有复杂性、不确定性、非线性和时变性。而神经网络能够根据对象输 入输出的数据直接建立模型，不需要对象的先验知识，因此我们采用人工神经网络的方法 建立钢坯温度的软测量模型：将辅助变量作为人工神经网络(ANN)的输入，将主导变量 作为其输出，通过网络的学习来解决不可测变量——钢坯温度的软测量问题。 2．2 BP网络及算法 反向传播神经网络(BP网)是当前发展最为成熟，应用最为广泛的网络模型之一。 反向误差传递算法(BP)是一种建立在梯度下降法基础上的有导师的学习算法。在输入与 输出之间有若干隐层，虽与外界无直接联系，但其状态的改变能影响输入输出关系。一般 隐含层数取为一，已经证明，由三层神经元构成的神经网络，可以形成任意复杂的判别模 式。 输入的各分量构成第i层的神经元输入。这一层神经元的输出可直接等于其输入，也 可以对输入进行归一化处理，使其落在．1到1之间。 隐含层第，个神经元的输入为 net．=∥，．p 第，个神经元的输出为 0，：“”死1 J “、 』， 式中，，为各个神经元的输入与输出关系，本文的，为Sigmoid函数，呈S状，反映了神经 元的饱和特性，即 1 q5—≮南万 ／岛 I十e 式中，0j为闽值，Oo的作用是调节Sigmoid函数的形状。 输出层第k个神经元的输入值为 net。=∑％q 对应的输出为 q=f(net。) 网络输出(q}与理想输出{“)不一致t其误差为 E=妻∑以一q)2 沿梯度变化的反方向改变权系数的值，使网络逐渐收敛。 对于输出层的任意神经