[发明专利]全氢罩式炉加热过程智能模糊控制方法

摘要

本发明涉及一种全氢罩式炉加热过程智能模糊控制方法，其特征在于所述方法包括以下步骤：步骤一、样本数据建立；步骤二、构建神经网络模型；步骤三、主要参数预估；步骤四、主要参数优化。本发明是以神经网络智能控制为手段、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智能模糊控制，从而实现减小全氢罩式炉生产过程能耗的目标。

主权项

一种全氢罩式炉加热过程智能模糊控制方法，其特征在于所述方法包括以下步骤：步骤一、样本数据建立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、助燃空气流量和氢气补充量，对这三个参数进行样本数据建立；步骤二、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，具体操作如下：具体操作如下：1）确定输入输出变量将在全氢罩式炉的加热过程中的加温和保温时间、燃料流量、退火钢材品种、钢材厚度、钢材重量、加温环节的燃料流量、助燃空气流量、氢气补充参量和保温环节的燃料流量、助燃空气流量、氢气补充参量以及退火钢材的品种、厚度、重量一起作为神经网络模型的输入，将全氢罩式炉的加温和保温时间二个变量作为全氢罩式炉神经网络模型的输出变量； 2）网络结构描述本发明涉及的神经网络模型包含输入层、中间层和输出层，神经网络模型的输入层所包含的神经元个数为21，分别对应全氢罩式炉的退火钢材的品种、厚度、重量以及加温保温各阶段的燃料流量、助燃空气流量、氢气补充参量；神经网络模型的隐含层包含43个神经元，神经网络模型的输出层所包含的神经元个数为2个，分别对应全氢罩式炉加温、保温时间参量；本发明涉及的三层神经网络模型上下层之间各神经元实现连接，同层之间无连接，隐含层的激活函数均采用Sigmoid函数(S型函数)，函数描述如下：式中，a为Sigmoid函数的斜率参数，通过改变参数a，可以获取不同斜率的Sigmoid函数；3）网络训练采用误差反向传播算法，首先将输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值，然后根据期望输出与实际输出的差值，由输出端开始逐层调节权值；步骤三、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；步骤四、主要参数优化1）设计变量将步骤二中涉及的输入变量用相应的字母表示；2）设计模糊控制目标函数全氢罩式炉加热过程能耗优化目标函数描述如下：  F= A [(R1 + R2 + R3 ) T1/3 +  ( BR1 + BR2 + BR3 ) T2/3 ]其中A为综合考虑燃料比重等因素得到的常数，T1和T2是全氢罩式炉加热过程中加温和保温时间，其它参量是加温和保温环节各阶段的燃料流量量；3）设计模糊控制约束函数在全氢罩式炉加热过程中，全氢罩式炉的燃料流量、助燃空气流量、氢气补充参量不能超过规定的上下限；4）模糊控制计算在全氢罩式炉加热过程参数优化过程中，调用遗传算法优化程序进行设计变量的优化计算，最终获得加温和保温环节分成的三个阶段的燃料流量、助燃空气流量、氢气补充参量优化值。