连铸二冷控制的智能化方法

D0I:10.13374/j.issn1001053x.1997.02.015 第19卷第2期 北京科技大学学报 Vol.19 No.2 1997年4月 Journal of University of Science and Technology Beijing Apr.1997 连铸二冷控制的智能化方法 孙韶元李世平王俊然王克襄 北京科技大学信息工程学院，北京100083 摘要提出了板坯连铸二冷区全智能控制系统的构想，并用人工神经网络和模糊控制的方法对该 系统进行了计算机仿真，结果表明，该系统不但能完成二冷各区段铸坯表面温度的动态控制，而 且具有良好的自适应性和自学习功能， 关键词连铸，人工神经网络，模糊控制 中图分类号TF777.4TP18 二冷水动态控制的方法有二大类：一类是基于实测铸坯表面温度的动态控制；一类是基 于模型的动态控制.由于水蒸汽及氧化铁皮等因素的影响，铸坯在冷却过程中的表面温度难 以准确检测，因此，根据实测铸坯表面温度来控制二冷水量是不可靠的这是该方法很难推广 的原因.模糊动态控制方法是避开直接测量铸坯的表面温度，而改用数学模型来计算，再根据 计算出的铸坯表面温度来调节冷却水量.显然，这种控制方法的成功与否取决于模型计算结 果能否真实地反映铸坯的实际表面温度及其变化规律， 为了使二冷动态控制模型能够适应工艺上的复杂性、不确定性和系统的非线性，本文中 建立了一个具有自适应和自学习功能的连铸坯表面温度动态控制模型，其思路是：用神经网 络模型来实现铸坯表面温度的预测；用模糊神经网络模型来完成动态配水计算；初始配水量 由反映Qw一v对应关系的QVANN神经网络模型设定.结合上述3个智能化模型，即构成了 一个连铸二冷全智能控制系统. 1二冷智能控制系统的结构 二拎智能控制系统的结构框图见图1， 置初值 Owio 连铸条件 4T △2w 配 Ow LL⊥ 目标表面温度 FuzzyANN 计 连铸过程 实测水量 SCANN 去下一区 Tte-1) 实测拉速 来自上一区 图1连铸二冷智能控制系统框图 1996-08-18收稿 第一作者女-55岁副教授

第 卷 第 期 年 月 北 京 科 技 大 学 学 报 。 连铸二冷控制 的智能化方法 孙韶 元 李世平 王俊然 王 克襄 北 京科技 大学信息工 程 学 院 ， 北 京 摘要 提 出 了板坯 连 铸二 冷 区 全智能控 制系统 的构想 ， 并 用 人工 神经 网络和模糊控制 的方 法 对该 系 统进 行 了 计算机仿 真 结果 表 明 ， 该 系 统不 但 能完成 二冷各 区 段 铸坯 表 面 温度 的动态控 制 ， 而 且具有 良好 的 自适应性 和 自学 习功能 关键词 连 铸 ， 人工 神经 网络 ， 模糊控制 中图分类号 冲 二 冷 水 动 态 控 制 的方 法 有 二 大 类 一 类是 基 于 实测 铸坯 表 面 温 度 的动 态控 制 一 类是 基 于模 型 的 动 态 控 制 由于 水 蒸 汽 及 氧 化 铁皮 等 因素 的影 响 ， 铸坯 在 冷却 过程 中的表 面 温 度 难 以 准确 检测 ， 因此 ， 根 据 实测 铸 坯 表 面 温 度来控 制二 冷水量 是 不 可 靠 的 这是 该方法 很 难推 广 的原 因 模糊 动态控 制方 法 是 避 开直 接测 量 铸坯 的表 面温 度 ， 而 改 用 数 学模 型来计算 ， 再 根据 计算 出 的铸坯 表 面 温 度 来 调 节 冷 却 水量 显 然 ， 这 种 控 制方 法 的成 功 与否 取 决于 模 型计算结 果 能否 真 实地 反 映铸坯 的实 际表 面 温 度及 其变 化规律 为 了使 二 冷 动 态 控 制模 型 能 够 适 应 工 艺 上 的复 杂性 、 不 确定 性 和 系 统 的非 线性 ， 本 文 中 建 立 了 一 个具 有 自适 应 和 自学 习功 能 的连 铸坯 表 面 温 度 动态控 制模 型 其思 路是 用神经 网 络模 型 来 实现 铸坯 表 面温 度 的 预测 用模 糊 神经 网络模 型 来 完 成 动态 配 水计算 初 始 配水量 由反 映 一 、 对应 关 系 的 神经 网络模 型设定 结合 上 述 个智能化模 型 ， 即构成 了 一个连 铸二 冷全智 能控 制 系 统 二冷智能控制 系统的结构 二 冷智能控 制 系 统的结构框 图见 图 置初值 来 自 ’上一 区 配 目标表面温度 水 计 算 一 一 收稿 图 连铸二冷智能控制系统框图 第一 作者 女 岁 副教授 DOI ：10．13374／j ．issn1001－053x．1997．02．015

Vol.19 No.2 孙韶元等：连铸二冷控制的智能化方法 .189· 数据转 理 T 围2 SCANN模型的结构图 图中SCANN模型用来预测二冷各区段铸坯的表面温度；FuzzyANN用来完成动态配水 量调节，即根据4T来产生△2w从而更新2w:Qw(t+1)=Qw()+△2w:初始水量由 QVANN模型根据初始条件设定.SCANN模型的结构如图2所示， 图中，v表示拉坯速度(m/min),2w为冷却水量(Imin),T,-,为n-I区的铸坯表面温度 的预测值.为了提高系统的控制精度和增加系统的学习功能，本文采用了以神经网络来实现 Fzzy控制器的3个部分（模糊化、模糊规则、模糊判决）的方案，二者的结合可以大大提高系 统的控制性能.该部分的方框图如图3所示， △7 MHANNI 0 MHANN2 MHANN3 模糊化 模糊规则 模糊判决 图3 Fuzzy控制器方框图 其中，f,(④)与f,)用以实现精确量与论域内模糊量的映射. QVANN相当于配水表功能，且它可以适应各种拉速的水量设定，其结构为单人单出的3 层BP网络，输入为拉速，输出为冷却水量，隐含层的个数取2~10内的整数. 2系统仿真研究 以某钢厂大型板坯连铸机的二冷控制为例，进行了仿真研究.首先采用BP算法训练各 冷却区段的SCANN模型，学习样本均取自现场原有模型的输入、输出值；学习之后的 SCANN模型能较好地逼近原有模型，见表I, 对于FuzzyANN模型，用BP算法分别训练模糊化、模糊规则、模糊判决3个部分，其中隶 属函数采用易于运算的三角形分布，对输人量△T和输出量△2进行模糊化. 模糊规则为：若(IF)NBt NMt NSt Ot PSt PMt PBt (THEN)PBq PMq PSq Oq NSq NMq NBq 模糊判决采用最大隶属度原则进行.△T与△2的对应关系由经验值来取.如下所示： t/℃ -30-20-100+10+20+30 2w/0·min-)+30+20+100-10 -20 -30 FuzzyANN模型的仿真程序由Turbo C语言编制

孙 韶元等 连铸二冷控制 的智 能化方法 数 据 － 了。 转 换 图 模型 的结构 图 图 中 模 型 用来 预 测二 冷各 区 段 铸坯 的表 面 温 度 现 用来完成 动态配 水 量 调 节 ， 即 根 据 来 产 生刁 ， 从 而 更 新 ， 十 。 初 始 水 量 由 模型 根据初 始条件设定 模 型 的结构如 图 所 示 图 中 ， 表示 拉坯 速 度 耐 ， 为冷却水量 ， 双 ，为 。 一 区 的铸坯 表 面温 度 的预测 值 为 了提 高系 统 的控 制 精度 和 增加 系 统 的学 习功 能 ， 本文 采 用 了 以 神经 网络来 实现 控 制器 的 个部分 模糊 化 、 模 糊规则 、 模 糊 判 决 的方 案 ， 二 者 的结 合 可 以 大大提 高系 统 的控制性 能 该部 分 的方 框 图如 图 所示 全兰月 ， 俘 模糊化 模糊规则 模糊判决 关 哗少 厂 圈 控制器方框图 其 中， 刀与几伽 用 以 实现精确 量 与论域 内模 糊量 的 映射 相 当于 配 水表功 能 ， 且 它 可 以 适应各种 拉速 的水量 设定 其结构 为单人单 出的 层 网络 ， 输人 为拉 速 ， 输 出 为冷却水量 ， 隐含 层 的个数取 一 内的整 数 系统仿真研究 以 某 钢 厂 大 型 板 坯 连 铸机 的二 冷控 制 为例 ， 进行 了仿真研究 首先采 用 算法 训 练各 冷 却 区 段 的 模 型 ， 学 习 样 本 均 取 自现 场 原 有 模 型 的 输 人 、 输 出 值 学 习 之 后 的 模 型 能较好地 逼 近 原有模 型 ， 见 表 对于 理 模 型 ， 用 算 法分 别训 练模糊 化 、 模糊规则 、 模 糊 判决 个部 分 ， 其 中隶 属 函数采用 易 于 运算 的三 角 形分 布 ， 对输人 量 和输 出量 乙 进 行模糊 化 · 模 糊规则为 若 则 模糊 判 决 采 用最 大 隶 属度 原则 进 行 · 乙 与 的对应 关系 由经验值来取 · 如 下 所示 ℃ 萨 · 一 ’ 一 一 一 一 一 一 ︸ 模 型 的仿 真程 序 由 语 言编 制

·190· 北京科技大学学报 1997年第2期 表1不同拉速时铸坯温度预测值 1℃ 模型 /(m·minl) 0.74 0.88 0.95 1.00 1区 原模型 1054 1018 1016 1015 I区ANN模型 1049 1016 1018 1015 2区 原模型 1012 1014 1016 1026 2区ANN模型 1012 1013 1018 1023 3区 原模型 977 982 981 989 3区ANN模型 977 974 976 981 4区原模型 881 891 891 898 4区ANN模型 878 891 891 896 5区 原模型 924 946 949 957 5区ANN模型 922 952 948 964 QVANN用现场已有的配水表为样本，采用BP算法进行训练.训练好的各部分模型即可 构成一个全智能化动态控制系统，系统的程序框图如图4所示， 开始 计算6个区 网络初始化 温度To 读入TuTmVo (SCANNi) 调入v,2w 输出Qw0 T-Tuse 计算6个区 N 初始温度T 模糊神经控制器 N 输人拉速 浇注结束？ V=Vo 结束 N 图4智能控制系统动态模拟框图 以某钢种为例，进行二冷智能控制系统的动态模拟，结果见表2.由表2可见，动态调整 后的铸坯表面温度与日标表面温度基本一致，误差在±10℃以内

北 京 科 技 大 学 学 报 年 第 期 表 不 同拉速时铸坯温度预测值 ℃ 模 型 · 一 ’ 月 区 原模型 区 模 型 区 原模型 区 模型 区 原模 型 区 模型 区 原模 型 区 模型 区 原模 型 区 模 型 用现 场 已 有 的配水表 为样 本 ， 采用 算法进行 训 练 训 练好 的各部分模 型 即可 构 成 一个全智 能化 动 态控 制 系 统 ， 系 统 的程序 框 图如 图 所示 开始 网络初始化 读人 兀 计算 个 区 温度 几 调入 ， ， 输 出 。 兀 一 凡三 计算 个 区 初 始温度 几 模糊神经控制 器 输人拉速 ， 浇注结束 」立 结束 图 智能控制 系统动态模拟框图 以 某 钢 种 为 例 ， 进 行 二 冷 智 能 控 制 系 统 的 动 态 模 拟 ， 结 果 见 表 由表 可 见 ， 动态 调 整 后 的铸坯 表 面温 度 与 目标表 面温 度基 本一 致 ， 误差 在 士 ℃ 以 内

Vol.19 No.2 孙韶元等：连铸二冷控制的智能化方法 ·191· 表2二冷智能控制系统动态模拟结果 1/℃ 目标温度/℃ /(m·rmin') 1000 1025 990 900 940 ToL Ow Ti Qw2 Ti Qw3 Th Qw4 Ths ws 0.7 初值 1039 158 973 407 944 64 867 58 929 56 0.8 调整前1070 158 1010 407 986 64 896 58 1107 56 0.8调整后1007 208 1016 387 986 64 896 58 934 70 0.9 调整前1035 208 1026 387 994 64 928 58 849 70 0.9调整后 1001 233 1026387 994 64 895 74 941 67 1.0调整前1020 233 1019 387 1009 64 918 74 1038 67 1.0调整后991 2511019 387 990 82 903 84 946 79 3结论 (I)SCANN温度预测模型的准确度是影响整个系统精度的关键，如果SCANN不准确， 则动态调节的意义就不大了.所以SCANN模型经离线学习之后，还应进一步在线学习，使 SCANN模型的预报值能更好地反映实际表面温度. (2)由于各个区SCANN模型均有一定的误差，而各区段又是顺序相连的，因此存在一定 的累计误差.另外，SCANN模型存在局部极小问题，可能在某一局部范围有较大的误差， 参考文献 1蔡开科主编，连续铸钢.北京：冶金工业出版社，1990 2胡守仁主编.神经网络技术.北京：国防科技大学出版社，1993 3 Chen Funchung.Back-propogation.IEEE Control System Magazine,1990,4:4 Intelligent Control Method for the Secondary Cooling of Continuous Casting Sun Shaoyuan Li Shiping Wang Junran Wang Kexiang Information Engineering Shool.UST Beijing,Beijing 100083,China ABSTRACT An intelligent control plan for the secondary cooling of continuous casting of slab was put forward.An off-line simulation of the system by using neural networks combined with fuzzy logic control is provided.The results show that the intelligent control system can not only control the surface temperature of the bloom of the secondary cooling but also has a good ability of self-adaptation and self-learning. KEY WORDS continuous casting,artificial neural networks,fuzzy control

孙韶 元等 连 铸二冷控 制 的智能化方法 表 二冷智能控制 系统动态模拟结果 ℃ 目标温度 ℃ · 一 ， 兀， 、 初 值 调 整前 调 整 后 调 整 前 调 整后 调 整 前 调 整 后 结论 温 度 预测模 型 的准确 度 是 影 响整 个 系 统精度 的 关键 ， 如果 不 准 确 ， 则 动态 调 节 的 意 义 就 不 大 了 所 以 模 型 经 离 线 学 习 之 后 ， 还 应 进 一 步 在 线 学 习 ， 使 模 型 的预 报值能更 好地 反 映实 际表 面 温度 由于 各个 区 模型 均 有 一定 的误差 ， 而 各 区 段 又是 顺序相 连 的 ， 因此存在 一定 的累计误差 另 外 ， 模 型存 在局 部极小 问题 ， 可 能在某 一 局 部 范 围有 较大 的误差 参 考 文 献 蔡开科 主编 连续铸钢 北京 冶金工 业 出版社 ， 胡守仁主编 神经 网络技术 北京 国 防科技大学 出版社 ， 一 ， ， 肠 口 从 肋 万 ， ， 呢 ， ， ’ 丘昵 而 ， ， 理