[发明专利]基于BP神经网络的热连轧电磁感应加热温度预测方法

说明书

技术领域

本发明属于自动化技术领域，具体涉及一种基于神经网络的热连轧电磁感应加热钢坯温度的预测方法。

背景技术

在钢铁行业，传统的炼钢、连铸、轧钢工艺是各自独立的生产环节。但是现代化的生产模式正在逐步转变为“炼钢-连铸-轧钢”的热连轧一体化工艺，这就是目前国内外普遍推崇的高集约化的热连轧自动生产线模式。在连铸与连轧之间采用的加热设备(加热,均热,保温炉)是衔接连铸连轧生产线的关键设备。从工艺角度讲,中间加热设备需要在完成输送连铸坯的过程中对其进行补热以使铸坯温度均匀达到连轧温度要求的功能,解决板坯温度场不均的问题。加热炉作为连铸机与连轧机两种不同工艺速度部分之间的缓冲区,对铸机与轧机间的物流进行衔接、缓冲，协调二者的生产。

由于电磁感应加热技术的诸多优点，例如加热速度快、功率密度可控、无污染、易于控制、氧化烧损极少等，相比于传统的煤气加热炉，无需明火热源，具有零排放的优点，更适合在热连轧生产线中使用。因此，大功率中频感应加热器已逐步应用于热连轧生产线,参见图1。

由于电磁感应加热是一个复杂的非线性大滞后过程，很难建立精确的机理模型，用常规的控制方法（如PID调节）难以得到满意的效果，一般采用人工经验加以调试及控制。

鉴于神经网络具有强大的非线性映射能力和良好的容错性，可以很好的逼近系统的真实状态数据。因此，在已积累的大量感应加热运行数据基础上，采用神经网络方法建立热连轧电磁感应加热温度预测模型，对钢坯温度进行预测，可为电磁感应加热精确控温提供依据。

发明内容

本发明针对现有技术的不足，提供一种基于神经网络的热连轧电磁感应加热钢坯温度的预测方法。该方法的具体步骤是： 

步骤(1)选择预测模型变量。

采用神经网络技术建立热连轧电磁感应加热钢坯温度预测模型，为保证基于数据的神经网络建模有效性，避免纯黑箱建模的盲目性，首先利用机理分析和先验信息，合理选择预测模型的输入输出变量。

基于机理分析选择电磁感应加热后的钢坯温度为神经网络模型的输出变量，选择影响钢坯温度的主要因素为神经网络模型输入变量：①电磁感应加热前的钢坯温度； ②感应加热器的电压；③感应加热器的电流。神经网络模型输出变量为电磁感应加热后的钢坯温度。

对于钢坯在感应线圈中受感应加热过程，是从钢坯进入线圈磁场开始到钢坯脱离磁场为止。首先，在忽略热传导、热辐射情况下，钢坯某一截面升温主要是受到该过程感应加热器的电压、电流作用。因此，感应加热器的电压、电流均为序列变量。其次，考虑热传导、热辐射情况，电磁感应加热前后的钢坯温度也取序列变量。

步骤(2)数据归一化处理。

训练样本中的输入数据包含三项，数量级相差较大，为保证各因素同等地位，加快收敛速度，对数据进行归一化处理，转化为[0, 1]区间范围的值                                               。

其中为输入数据中的最大值，为输入数据中的最小值。为输入数据，为输入数据归一化处理后的值。

步骤(3)搭建BP神经网络框架。

调用MatlabR2009a神经网络工具箱中的newff函数建立BP神经网络， Net= newff (PR, , , BTF, BLF, PF )；Net为BP神经网络框架，PR为输入矩阵中由最大元素和最小元素决定的一个取值范围，为第i层神经元的个数，为第i层的传递函数，，为神经网络总层数，BTF为BP神经网络的训练函数，BLF为权值和偏置值，PF为网络性能函数。

步骤(4)训练BP神经网络。具体方法是：

a、初始化BP神经网络，利用随机函数产生的值赋值给权值和偏置值，然后调用init函数来初始化BP神经网络。

b、设置网络训练次数和训练目标误差。

c、设置训练数据为输入矩阵P，设置目标值为矩阵T，调用MatlabR2009a神经网络工具箱中的train函数对BP神经网络Net进行数据训练直至收敛， Net = train (Net, P, T)。

步骤(5)测试BP神经网络。

对训练好的BP神经网络进行测试，将历史数据组成用于电磁感应加热温度预测网络测试矩阵P_test，直接调用MatlabR2009a神经网络工具箱中的sim函数，D=sim(Net, P_test)，对测试矩阵进行仿真，其中D为目标函数。

步骤(6)数据反归一化处理。