<dfn id="w48us"></dfn><ul id="w48us"></ul>
  • <ul id="w48us"></ul>
  • <del id="w48us"></del>
    <ul id="w48us"></ul>
  • 神經網絡技術在寬帶加熱爐溫控模型中的研究與應用論文

    時間:2024-07-17 05:51:16 其他類論文 我要投稿

    神經網絡技術在寬帶加熱爐溫控模型中的研究與應用論文

      摘 要:為了適應市場競爭要求,提高產品質量,對寬帶加熱爐的單位燃耗,板坯氧化燒損,產品質量穩定性等方面存在的問題進行研究,對加熱爐控制系統進行優化,采用神經網絡控制模型技術。采用遺傳算法對板坯的必要爐溫加權處理進行爐溫設定,并將自適應神經網絡控制的方法構建自學習模型,以進行自動溫度控制,計算板坯加熱時間,剩余爐內時間,分配加熱區域。

    神經網絡技術在寬帶加熱爐溫控模型中的研究與應用論文

      關鍵詞:神經網絡 預測控制 研究與應用

      1 萊鋼寬帶生產線加熱爐現狀分析

      萊鋼寬帶生產線加熱爐由于爐型結構等原因,加熱爐空燒時間長,生產能耗大,板坯質量方面,則存在板坯氧化燒損大,加熱溫度不均。為提高產品市場競爭力,通過應用模型控制技術,減少燃料消耗,提高產品質量。

      2 國內外現狀分析

      加熱模型控制技術包括模型和控制。模型是指通過數學工具描述爐內鋼坯受熱物理過程,控制是指通過模型將主要加熱工藝參數自動設定到最合理狀態并能夠自動調節。在做好充分的需求分析之后的開展建模工作。通過各方面權衡、比較,在保留及完善一些現有系統實用的功能的前提下,創新性地采用神經網絡控制技術,構造模型進行加熱爐參數設定和燃燒控制。

      3 控制方法簡介

      3.1 神經網絡模型

      (1)多層感知器模型。多層感知器神經網絡模型是指調整網絡內部的結合權,使期望輸出與實際輸出的差值減小,以改善神經網絡的工作。

      (2)自組織模型。自組織模型不同的是不規定期望的輸出,通過自學習抽取對象數據的特征。

      3.2 預測控制

      預測控制(Predictive Control)是基于信息處理功能的預測模型、基于有限時域的滾動優化策略和靈活有效的反饋校正機制。預測控制的基本算法有動態矩陣控制(DMC),模型算法控制(MAC)和廣義預測控制(GPC)。2在本項目中,具體的使用是,根據爐溫實際值推算出各板坯所在位置的爐內溫度以及上一時刻板坯的溫度分布,進而依據推算的剩余爐內爐時間計算板坯爐溫,然后根據Rule Base推論,確定板坯加權系數,來確定爐內各段的爐溫設定。為確保板坯出爐溫度精確,采用出口溫度反推出爐溫度的方法,計算出爐溫度,并進行出爐溫度的自學習。

      3.3 板坯出鋼溫度預測模型

      該模型是預測出鋼時的板坯溫度,計算出板坯最后在爐的溫度。把末次處理計算的板坯坯內溫度分布作為模型計算初始值,用出鋼時間與末次計算時間的差值為已知時間,計算該時間內板坯溫度變化。

      3.4 爐內溫度跟蹤模型

      根據模型實際輸入值,計算爐內板坯的溫度情況。采用差分方程對爐內板坯溫度進行跟蹤計算,計算出爐內板坯的溫度分布。根據熱輻射交換定律得出在爐內溫度因子l和鋼坯k的熱交換Flk為:Flk=Klk×(Tl4-Tk4)。由于在加熱爐和坯料之間也存在著熱傳遞和熱導現象,雖然對于相對有效的熱傳遞,此類現象的影響不大,但我們這次也做了充分的考慮。式中Klk是可調整參數。

      鋼坯溫度計算,鋼坯內部的熱傳導過程用傅立葉差分方程的數學模型來描述,該方程可以通過有限差分法來解:

      式中,K為鋼坯的熱傳導系數;Cp為比熱;D為鋼密度; T為延鋼坯厚度方向某一點的溫度;K和Cp為溫度和鋼種的函數。

      3.5 爐溫模型

      爐溫模型是指,為使板坯加熱到要求的目標溫度,計算每塊板坯必需的爐氣溫度,首先預測板坯剩余的爐內時間和計算的爐溫預報的板坯到達爐內各段的溫度;然后,將此預測溫度與已經計算的出口溫度做比較,得到預報值與目標值的偏差;最后,根據偏差和爐溫影響系數計算出板坯的設定爐溫,即加熱爐爐溫預測采用感知器神經網絡技術進行加熱爐爐溫控制和熱風風量控制。以鋼坯煤氣組成成分、加熱影響因素、爐內熱需求計算求得的計算值作為輸入。

      圖1 爐溫預測模型神經網絡結構

      中間層不斷調整優化,通過計算選用其中的幾個節點,而輸出層選用 “爐溫變高”,“爐溫不變”和“爐溫變低”這3個節點。輸入數據經模型歸一計算后,統一設置為-1~+1之間的值,輸出預測值為0~1。采用逆向誤差傳播學習算法進行模型學習,并進行權重數值優化以實現盡快收斂。

      采用多層神經網絡技術對爐內溫度分布進行預測。模式識別的對象是爐體熱電偶,溫度檢測分為爐體上部、爐體中部、爐體下部。通過模糊控制的方法,根據操作人員的操作經驗對加熱爐不同的工藝需求及爐況進行分類,構建不同的燃燒模式,判斷所檢測的數據模式符合哪種模式。

      自學習模型中,學習方法采用逆向誤差傳導學習法,其結果與專家系統的計算結果比較,通過遺傳算法進行處理,得出最優結果。在幾個溫度分布模式中,取最類似的作為判定結果,進入專家系統計算。根據模式識別的輸出,經過推理機進行推理,專家系統實現預測加熱爐爐況,并輸出具體操作方法。

      3.6 基于RT2的自適應學習模型

      對板坯的目標溫度進行學習。學習過程采用圖2所示的自適應神經網絡控制方法。

      圖2 自適應神經網絡系統

    【神經網絡技術在寬帶加熱爐溫控模型中的研究與應用論文】相關文章:

    極值理論在操作風險模型中的應用論文提綱11-15

    無線網絡技術在校園網中的應用研究論文03-15

    關于校園應用網絡技術的論文03-17

    GPSRTK技術在工程測量中的應用研究論文02-14

    語言教學中任務設計模型的構建和應用研究12-02

    云存儲技術在干部培訓中的應用研究論文03-16

    小學數學教學模型思想研究論文02-17

    勝任力模型在民營企業的應用論文02-21

    淺析公路施工中網絡技術的應用論文03-15

    • 相關推薦
    主站蜘蛛池模板: 国产精品国产欧美综合一区| 久久精品国产亚洲Aⅴ香蕉| 日韩欧美精品不卡| 亚洲精品人成无码中文毛片| 国产在线不卡午夜精品2021| 日韩一区二区三区在线精品| 精品国产美女福利到在线不卡| 人妻VA精品VA欧美VA| 久久精品成人免费看| 亚洲AV无码久久精品成人| 国产女人18毛片水真多18精品| 国产成人精品日本亚洲| 亚欧乱色国产精品免费视频| 国产精品V亚洲精品V日韩精品 | 日本精品在线视频| 亚洲精品成人无限看| 国产精品尹人在线观看| 久久国产精品99久久久久久老狼 | 久久精品国产69国产精品亚洲| 久久国产综合精品五月天| 欧美国产日本精品一区二区三区| 午夜精品久久久久久毛片| 久久精品国产精品亚洲艾草网美妙| 国产精品一区二区不卡| 久久国产精品一国产精品金尊| 日韩精品免费一线在线观看| 国产精品第1页| 四虎精品成人免费观看| CAOPORM国产精品视频免费| 日韩精品久久久久久久电影蜜臀 | 国产精品爽黄69天堂a| 久久九九精品99国产精品| 日韩精品一区二区三区不卡| 国产精品极品| 亚洲精品线在线观看| 久久97精品久久久久久久不卡| 国自产偷精品不卡在线| 久久精品中文字幕无码绿巨人| 亚洲精品乱码久久久久久按摩| 人人妻人人澡人人爽精品欧美 | 999精品视频|