[发明专利]钢包炉优化方法

说明书

所属技术领域

本发明专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用于钢包炉优化方法。

背景技术

钢包炉(Ladle Furnace简称LF炉)是一种以电弧加热，氩气搅拌的二次精炼电弧炉.电极升降系统是整个LF炉的关键部分.电极调节系统实时快速调节电极的位置，保持恒定的电弧长度，以减少电弧电流的波动，维持电弧电压和电流比值的恒定，使输入功率稳定.同时通过选定优化供电曲线，能使输入功率最大化.LF炉的电极调节系统是一个非常复杂的三相非线性、时变、输入和输出的互相耦合的多变量系统，驱动电极升降的液压传动系统是一个大惯性、纯滞后且具有死区特性的非线性系统.由于神经网络的学习能力对整个解耦控制器的解耦性能具有很大的影响，因此本发明提出了一种改进的神经网络学习方法。

BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过程是一种误差后向传播修正权系数的过程。

一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。

发明内容

本发明利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了一组钢包炉优化方法。其中对角矩阵解耦方法是传统方法，仅对改进的神经网络学习方法加以描述。

BP网络计算的主题步骤：

(a).置各权值和阀值的初始值w_ij^p(0)，θ_j^p(0)，(p＝1，2...Q)其中p为第若干层，Q表示总层数

(b).输入训练样本(I_q，d_q)，(p＝1，2...M)其中M表示输入输出数量，对每一个样本计算输出和权值修正

(c).计算网络各层的实际输出x^p＝f(s^p)＝f(w^px^p-1)，式中f(^*)为激活函数

若其输出与各顶模式对的期望输出不一致，则将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输入值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到完成个训练学习为止。

以下利用共轭梯度法对权值修正：

考虑二次型性能函数E(w)=12wTQw+bTw+c,]]>其梯度为g=▿E(w)=Qw+b,]]>其二阶梯度是Hessian矩阵H=▿2E(w)=Q.]]>于是，梯度的改变量是