全氢罩式炉神经网络控制技术制造技术

一种全氢罩式炉生产过程的神经网络控制技术，该技术以神经网络为手段、以降低全氢罩式炉生产过程中能耗为目标；利用神经网络建立最小能耗状态下退火钢材品种、规格和全氢罩式炉生产过程主要参数之间映射模型，进行全氢罩式炉最小能耗状态生产主要参数预估；在此基础上进行全氢罩式炉生产过程的控制，从而实现减小全氢罩式炉生产过程能耗的目标。本发明专利技术提出的全氢罩式炉神经网络控制技术，可降低全氢罩式炉生产过程的能耗，为全氢罩式炉的高效低能耗运行提供有效控制手段。

【技术实现步骤摘要】

本专利技术属于全氢罩式炉控制相关领域，特别涉及一种针对全氢罩式炉生产过程 的神经网络控制技术。
技术介绍
罩式退火炉主要用于冷轧板卷成品前的再结晶退火，通过退火使钢板显微组织 结构、机械性能和工艺性能达到要求的指标。全氢罩式炉可以充分利用氢气氛还原作 用，使得钢卷退火过程中内部和外部的温度分布更加均勻、钢卷表面更加清洁。因此退 火产品利用全氢罩式炉进行退火，具有表面质量好、产量高、生产能耗低等优点。全氢 罩式炉在钢铁等行业获得了广泛的应用。全氢罩式炉生产过程主要包括炉台装料、放置内罩、氢气阀密封测试、锁紧内 罩、炉台系统冷态密封测试、氮气预吹扫、点火和升温保温、氢气吹扫、吊离加热罩、 辐射冷却、吊扣冷却罩、风冷和喷淋冷却、氮气后吹扫、炉台卸料等。全氢罩式炉生产 过程复杂，需要利用控制系统进行生产过程的自动控制。目前在全氢罩式炉控制技术方 面开展了一些研究工作。例如梁楚荣应用SIEMENS S7300可编程控制器(PLC)开发了 冷轧带钢全氢罩式炉自动控制系统；该系统由全氢罩式炉控制系统由现场自动控制系统 和上位机监控系统组成，具有冷轧带钢全氢罩式炉退火自动控制和安全保护功能。熊斐 等人采用具有扩展性的分布式体系结构，开发了全氢罩式炉控制系统；该系统与数据采 集工作站之间通过以太网相联接，使系统具备远程监控能力，能同时处理和监控200个 炉台的数据。尹晓青、陆继东等人研究了罩式炉退火自适应控制方法，该方法包括在 线计算启动前退火过程再现、在线计算启动后退火过程预测步骤；在在线计算启动前退 火过程再现步骤中，利用可编程控制器存储的数据，进行具体退火过程钢卷温度场的重 现，并获得在线计算启动时刻的温度场及为区分退火阶段而设定的系列标志信号；正在 在线计算启动后退火过程预测步骤中，利用在线计算启动时刻的温度场进行退火过程的 预测，进而得到新的退火工艺制度，传递给可编程控制器进行后续退火过程的控制；该 方法具有依据罩式炉的设备结构和设备性能等进行自适应修正的优点。目前利用神经网 络进行全氢罩式炉主要生产过程参数建模来降低全氢罩式炉生产能耗，这方面的研究工 作还未见公开文献报道。本专利技术是有关全氢罩式炉的神经网络控制技术。本专利技术提出的全氢罩式炉控 制新技术是以神经网络为手段、以降低全氢罩式炉生产过程中能耗为目标；利用神经网 络建立最小能耗状态下退火钢材品种、规格和全氢罩式炉生产过程主要参数之间映射模 型，进行全氢罩式炉最小能耗状态生产主要参数预估；在此基础上进行全氢罩式炉生产 过程的控制，从而实现减小全氢罩式炉生产过程能耗的目标。本专利技术提出的全氢罩式炉 神经网络控制技术，可降低全氢罩式炉生产过程的能耗，为全氢罩式炉的高效低能耗运 行提供有效控制手段。
技术实现思路
本专利技术的目的是以神经网络为手段、以降低全氢罩式炉生产过程的能耗为目 标，进行全氢罩式炉生产过程的自动控制。为了达到上述目标，本专利技术采用的技术方案 是以全氢罩式炉生产工艺过程中各阶段燃料流量、助燃空气流量、氢气补充量主要参 数、全氢罩式炉的退火钢材品种规格以及退火过程中消耗的能耗数据为基础，建立最全 氢罩式炉最小能耗状态下燃料流量等主要参数和退火钢材品种规格之间的神经网络映射 模型；利用建立的神经网络模型，预估某品种钢材在采用全氢罩式炉进行退火时能耗最 小状态的操作参数；以预估的全氢罩式炉燃料流量、助燃空气流量、氢气补充量主要参 数为基础得到全氢罩式炉燃料流量、助燃空气流量、氢气补充量参数控制曲线，利用可 编程逻辑控制器和变频控制器的数值转换实现全氢罩式炉的自动控制。本专利技术包括全氢罩式炉生产过程样本数据建立、构建神经网络模型、全氢罩式 炉生产参数预估、全氢罩式炉燃料流量等主要参数控制等内容。本专利技术包括的具体步骤 如下1)建立全氢罩式炉生产过程样本数据通过深入研究全氢罩式炉生产过程和全氢罩式炉生产能耗计算原理，确定与全 氢罩式炉能耗直接相关的主要操作参数燃料流量、助燃空气流量、氢气补充量。在此 基础上对全氢罩式炉退火钢材品种规格、全氢罩式炉主要操作参数和能耗之间关系按照 正交试验方法进行实验，获取反映有关全氢罩式炉退火钢材品种规格等参数与全氢罩式 炉主要操作参数之间关系的大量数据，并计算相应的全氢罩式炉生产过程能耗。以全氢 罩式炉能耗量为依据对获得的全氢罩式炉生产数据进行分类处理。按照全氢罩式炉能耗 量的数值，将全氢罩式炉能耗量分为大、中、小三类。在对获得的全氢罩式炉运行数据 进行分类基础上构造全氢罩式炉生产过程样本数据。在获取的所有全氢罩式炉运行数据 中，筛选出全氢罩式炉能耗量小的一组数据，并将该组数据处理为样本数据。全氢罩式 炉能耗量小对应的一组数据，就可以认为是反映了有关全氢罩式退火钢材品种、钢材厚 度、钢材重量和全氢罩式炉燃料流量、助燃空气流量、氢气补充量主要参数在最小能耗 状态之间的关系。本专利技术将该组数据中全氢罩式炉能耗量数据项去除，并将全氢罩式炉 燃料流量、助燃空气流量、氢气补充量主要参数作为样本数据的输出、全氢罩式退火钢 材品种、钢材厚度、钢材重量参数作为样本数据的输入来形成样本数据。该样本数据反 映了全氢罩式炉最小能耗状态下有关全氢罩式炉退火钢材类型和全氢罩式炉燃料流量等 主要操作参数之间的关系。2)构建神经网络模型以建立的全氢罩式炉生产过程样本数据为基础进行神经网络模型的构建。全氢 罩式炉生产过程样本数据反映了全氢罩式炉最小能耗状态下全氢罩式炉燃料流量等主要 操作参数和全氢罩式炉退火钢材类型等参数之间的关系，因此利用神经网络进行样本学 习，就可以将样本数据蕴涵的全氢罩式炉最小能耗状态下全氢罩式炉主要生产参数和退 火钢材类型之间关系由神经网络模型来描述，即通过样本学习获得的神经网络模型描述 的全氢罩式炉燃料流量等主要操作参数和退火钢材类型等参数之间的关系反映了全氢罩 式炉最小能耗状态下之间的规律。构建神经网络模型需要先确定神经网络的结构和属性，包括神经网络的层数、隐含层数、每层的神经元数、每层的激活函数设置以及该神经网络模型的输入输出参数 等。其中神经网络输入层神经元个数对应于样本输入部分的参数数目，包括退火钢材品 种、钢材厚度、钢材重量参数。神经网络输出层神经元个数对应于样本输出部分的参数 数目，包括全氢罩式炉生产各阶段的燃料流量、助燃空气流量、氢气补充量主要参数。 在确定神经网络结构后，将样本数据处理成满足神经网络学习需要的要求，选择合适的 学习算法进行神经网络的学习。完成神经网络的样本学习过程后，就可以建立反映全 氢罩式炉最小能耗状态下全氢罩式炉主要操作参数和退火钢材类型间关系的神经网络模 型。3)全氢罩式炉燃料流量主要参数预估以构建的全氢罩式炉最小能耗状态下全氢罩式炉燃料流量等主要操作参数和全 氢罩式炉退火钢材类型等参数之间的神经网络模型为基础，进行最小能耗状态下全氢罩 式炉燃料流量等主要操作参数的预估。将需要进行退火作业控制的钢材品种、钢材厚 度、钢材重量参数作为神经网络的输入参数，对这些数据处理成满足神经网络预测需要 的要求，即可获得的神经网络的输出。对神经网络的输出数据进行处理，即可获得全氢 罩式炉最小能耗状态下燃料流量等主要操作参数。4)全氢罩式炉燃料流量等主要参数控制以神经网络模型预估获得的最小能耗状态下全氢罩式炉燃本文档来自技高网...

【技术保护点】
全氢罩式炉神经网络控制技术，其特征是以神经网络为手段、以降低全氢罩式炉生产过程的能耗为目标，进行全氢罩式炉生产过程的自动控制，包括以下步骤：建立全氢罩式炉生产过程样本数据；构建神经网络模型；罩式炉罩式炉最小能耗状态生产主要参数预估；全氢罩式炉生产过程控制。

【技术特征摘要】

【专利技术属性】
技术研发人员：陆金桂，耿凯，倪志荣，肖人彬，
申请(专利权)人：陆金桂，耿凯，
类型：发明
国别省市：84[中国|南京]