神经网络技术在淬火控冷中的应用

D0I:10.13374/i.issn1001053x.2003.041.020 第25卷第4期 北京科技大学学报 VoL25 No.4 2003年8月 Journal of University of Science and Technology Beijing Aug.2003 神经网络技术在淬火控冷中的应用 彭开香董洁童朝南 北京科技大学信息工程学院，北京100083 摘要热轧钢材的淬火冷却是改善钢材质量和性能的重要措施，淬火过程的核心就是控 制钢板的冷却速度.针对传统的淬火控冷模型的固有缺陷，为了满足书扩展钢种、规格及淬火 温度高精度的要求，利用神经网络技术建立了神经网络淬火控冷温度预报模型，该模型与回 归数学模型相结合，完成淬火控冷现场控制.应用结果证明，该综合模型极大地提高了钢板 淬火冷却的控制精度，提高了产品的成材率 关键词神经网络；淬火；数学模型 分类号TP273.4 长期以来，淬火控冷的数学模型一直是人们 喷水管主要完成弱冷工艺，喷气管主要吹扫钢板 所关心的主要研究课题之一，因为淬火控冷后钢 上表面的水流，防止局部过冷.另外在钢板上部 板的质量是和数学模型的精度密切相关的，数学 还配有边部遮蔽装置，对于某些特殊钢板进行边 模型对钢板的耐腐蚀性能、强硬化及钢板的平直 部遮蔽，防止钢板的边部过冷，其冷却设备示意 度起着决定性的作用.对于控制用的数学模型， 图如图1. 既要求尽可能地反应过程的物理特性，以便充分 一出口测温 一上集管 上喷管 入口测温一 发挥控制系统的作用，同时又要求控制精度高， 5 13 12 1110 满足实时控制的要求，人工神经网络是模拟脑神 经传递信息的方法建立起来的一种人工智能模 式的识别方法，具有自学习、自组织、自适应和非 辊道中心线 钢板 线性动态处理等特性，为解决非线性系统以及模 1-ii8晰指符指概-8ǚ1 型未知系统的预测和控制提供了新的途径).本 下集管下喷管 文在对淬火控冷过程理论分析的基础上，建立了 图1高效淬火机冷却设备示意图 淬火控冷神经网络温度预报模型，并将该数学模 Fig.1 Schematic diagram of high-efficient quenching ap- 型成功应用于实际控制系统中. paratus 1.2控制模型 1现场工艺及控制模型 太钢高效淬火机的辊道输送速度一般为0.6 11现场工艺 m/s,在常化炉出口处安装有红外测温仪，钢板经 太钢五轧厂热处理段主要生产任务是对不 常化炉加热后经辊道输送至淬火区还有一定的 锈钢进行热处理，关键设备是无压淬火机，完成 距离，一般为10m左右，同时又考虑到各阀门的 对中厚不锈钢板进行淬火控冷，淬火机从入口侧 启动及调节过程需要一定的时间（一般在6s左 起，装有19组上、下集管，主要用于强制冷却，在 右)，这样如果用加热炉的温度直接进行参数设 淬火区的头部、尾部以及中部有规律分布着6组 定将会造成淬火钢板质量波动，温度预报不准 上、下喷水管，4组侧喷管和4个上喷气管，上、下 确，与工艺确定的冷却速度将有较大出入，因此 钢板在进入水冷区之前要对钢板温度进行合理 收稿日期200207-14 彭开香男，31岁，助理研究员 预报.由于这里并不是本文论述重点，因而可不

第 卷 第 期 年 月 北 京 科 技 大 学 学 报 神经 网络技术在淬火控冷 中的应用 彭开 香 董 洁 童 朝 南 北 京科技大 学信 息 工 程 学 院 ， 北 京 摘 要 热 轧钢 材 的淬火 冷却 是 改善 钢 材质 量 和 性 能 的重要 措 施 ， 淬火过 程 的核心 就 是 控 制 钢 板 的冷 却速度 针 对 传 统 的淬 火 控冷 模 型 的 固有 缺 陷 ， 为 了满 足扩 展钢 种 、 规格 及 淬火 温度高精度 的要 求 ， 利用神经 网络 技术建 立 了神经 网络淬火控冷温度预报 模型 ， 该模型 与回 归数学模 型相 结合 ， 完成 淬 火控 冷现场 控制 应 用 结果 证 明 ， 该 综 合模型 极 大地提 高 了钢 板 淬 火冷却 的控制 精度 ， 提 高 了产 品 的成 材 率 关键 词 神经 网络 淬 火 数 学模型 分 类号 即 长 期 以来 ， 淬 火控 冷 的数 学 模 型 一 直 是 人 们 所 关 心 的主 要研 究课题 之 一 ， 因为淬火控 冷 后 钢 板 的质量 是和 数 学模型 的精度 密 切 相 关 的 ， 数 学 模 型对钢 板 的耐腐蚀 性 能 、 强硬化 及 钢 板 的平 直 度 起 着 决 定 性 的作 用 对 于 控 制 用 的数 学 模 型 ， 既要 求 尽 可 能地 反应 过程 的物 理特性 ， 以便 充 分 发 挥 控 制 系 统 的作用 ， 同 时又 要 求控 制 精 度 高 ， 满 足 实 时控 制 的要 求 人 工神 经 网 络 是模 拟 脑 神 经 传 递 信 息 的方 法 建 立 起 来 的一 种 人 工 智 能 模 式 的识别 方 法 ， 具 有 自学 习 、 自组 织 、 自适应 和 非 线 性动态处理 等特 性 ， 为解 决非 线 性 系 统 以及 模 型 未知 系统 的预 测 和 控 制 提 供 了新 的途 径 「团 本 文 在对 淬 火控 冷 过 程 理 论 分析 的基础 上 ， 建 立 了 淬火控冷神 经 网络温度 预 报模 型 ， 并将 该 数 学模 型 成 功应 用 于 实 际控 制 系统 中 喷水 管主 要 完 成 弱 冷 工 艺 ， 喷气 管主 要 吹扫钢 板 上 表 面 的水 流 ， 防止 局 部 过 冷 另 外 在 钢 板 上 部 还 配 有边 部遮 蔽装 置 ， 对 于某 些特 殊钢 板进行边 部遮 蔽 ， 防止 钢 板 的边 部 过 冷 其 冷 却 设备 示 意 图如 图 厂出 口 简 一 测温 上喷管 入 口 测 间问一 问 阁一 辊道中心线 甲 ‘ 钢被补 诱 图 高效 淬火 机冷却设备示 意 图 卜 · 现 场 工 艺 及 控 制 模 型 现 场 工 艺 太 钢 五 轧 厂 热 处 理 段 主 要 生 产 任 务 是 对 不 锈 钢 进 行 热 处 理 ， 关 键 设 备 是 无 压 淬 火机 ， 完 成 对 中厚 不 锈钢 板进 行 淬火控 冷 淬 火机 从 入 口 侧 起 ， 装 有 组 上 、 下 集 管 ， 主 要 用 于 强制 冷 却 ， 在 淬 火 区 的头 部 、 尾 部 以及 中部 有 规 律 分 布着 组 上 、 下 喷水 管 ， 组 侧 喷 管和 个 上 喷气 管 ， 上 、 下 收稿 日期 刁 彭开 香 男 ， 岁 ， 助理研究 员 控 制 模 型 太 钢 高效 淬 火 机 的辊 道 输 送 速 度 一般 为 而 ， 在 常 化 炉 出 口 处 安装有 红 外测 温 仪 ， 钢 板 经 常 化 炉 加 热 后 经 辊 道 输 送 至 淬 火 区 还 有 一 定 的 距 离 ， 一 般 为 左 右 ， 同 时又 考 虑 到 各 阀 门 的 启 动 及 调 节 过 程 需要 一 定 的 时 间 一 般 在 左 右 ， 这 样 如 果 用 加 热 炉 的温 度 直 接进 行 参 数 设 定 将 会 造 成 淬 火 钢 板 质 量 波 动 ， 温度 预 报 不 准 确 ， 与 工 艺 确 定 的冷 却 速 度 将有较大 出入 因此 钢 板 在 进 入 水 冷 区 之 前 要 对 钢 板 温 度 进 行 合 理 预 报 由于 这 里 并 不 是 本 文 论 述 重 点 ， 因 而 可 不 DOI ：10．13374／j ．issn1001－053x．2003．04．020

VoL.25 No.4 彭开香等：神经网络技术在淬火控冷中的应用 ·371 作讨论，若开冷温度确定后，根据传热学原理，以 T2=T.+(Ti-T)e- (2) 工艺所要求的冷却速度为主线，根据该预报温 式中，T为开冷温度，T2为终冷温度，T,为冷却水 度、水温以及钢板的规格来设定淬火工艺参数. 温度.：显然是与对流换热系数a、水冷时间以及 根据以上分析，要完成淬火控冷参数设定， 钢板的材质和厚度有关系的重要变量，在淬火控 最关键就是要建立起淬火控冷的温度预报模型. 冷过程中基本上是由集管开启组数N、钢板厚度 该模型既可采用传统的理论推导和线性回归手 h、辊道速度v和开冷温度T决定的.不妨作如下 段得出解析模型，同时还能借助于人工神经网络 线性化： 进行离线和在线学习得到控冷模型. kt=f(N,h,v,T)=ao+a N+azh+av+asT (3) 而终冷温度预报模型则变为： 2淬火控冷温度预报回归模型 T3=T+(T+T)e-tataNcantowtaT) (4) 式中，ao,a,a2,a,a为参变量.通过实验及回归分 钢板冷却过程的可控制量为冷却道数、每道 析可确定式中的参数.于是就可以得到终冷温度 的输送辊道速度、每道各集管的流量.在这里，集 预报的回归数学模型 管的关闭以流量为零来表示，所以每道的流量也 同时包含了集管的组数.淬火控冷就是通过对这 3淬火控冷温度预报模型 三个控制量的控制来达到冷却工艺所需要的冷 却速度和终冷温度，以提高产品的性能.淬火控 人工神经网络作为一种抽象的数学模型，具 冷数学模型的任务则主要是为了满足冷却工艺 有极强的并行运算能力和自适应学习能力，并善 要求而确定合理的输送辊道速度和各集管的流 于联想、综合和推广.采用三层映射的BP网络， 量，以作为冷却过程各控制量的设定值用于中厚 并用动态一自适应学习率调整算法对网络进行快 板淬火控冷， 速学习训练，可获得非常准确的淬火控冷温度预 设定值计算的目的就是要确定钢板在水冷 报模型 区冷却过程中的输送辊速以及各集管的流量这 淬火控冷过程中，钢板的厚度不同，钢板的 两个控制下的最优给定值，以保证钢板冷却达到 冷却速度和集管的开启组数有较大的差别，因此 工艺所要求的冷却速度和终冷温度， 从现场采集的数据是从厚度10-~40mm的各种典 钢板在水冷区的集管喷水冷却，主要是一一种 型厚度规格的产品，共采集了10个厚度规格的 强迫对流的换热过程.由于它的换热强度很大， 产品：10,12,14,16,18,20,25,30,35,40mm.每一 使得钢板与辊道之间的热传导可以忽略，而且根 种规格的产品均从采集的数据中遵选出五组高 据传热学的知识，辐射换热虽不需要介质，但在 质量的数据，这五组样本均含有集管和辊道速度 液体中几乎是无法进行的，所以，钢板在水冷区 的变化，共收集样本50个， 的主要散热方式是对流换热， 针对厚度为10~40mm的钢板，输入5个神经 对流换热是一个极其复杂的过程，换热的强 元为钢板厚度、冷却水温、开冷温度、辊道速度和 度不但与轧件的传热特性有关，而且更主要的取 开启集管组数：隐含层神经元根据实际仿真分析 决于流体的物理和运动特性，但一般采用的是平 取9个：输出神经元取1个，即终冷预报温度， 面热交换集中解法来进行计算，且都采用牛顿公 利用上面收集到的50个样本数据进行归一 式，对流换热的基本计算式是牛顿冷却公式，即 化处理后，采用多层映射BP网络，并用动量一自 在单位时间内，物体散失的热量为： 适应学习率调整算法对网络进行快速学习训练， 2=-a2F.(T-T) (1) 训练过程中，网络典型参数选取如下： 式中，T为钢板温度，T为冷却水温度，2F为钢板 学习过程显示频率d4=10:最大训练步数m。 与冷却水的接触面积（忽略钢板侧表面），a为对 =8000步：误差指标e.=0.02:学习率1=0.08. 流换热系数. 图2为网络训练时误差平方和变化曲线及学 以牛顿公式为基础从而可推导出一定温度 习率调整曲线。横坐标表示神经网络训练次数， 的钢板在经过一段时间的水冷后钢板的最终温 图2(a)纵坐标表示神经网络的输出值与目标样 度的理论公式： 本值的误差平方和，图2(b)纵坐标表示神经网络

彭 开 香 等 神 经 网络 技术弃淬火 控冷 中的应 用 作 讨 论 若开冷温度确 定后 ， 根据 传热 学原理 ， 以 工 艺 所 要 求 的冷 却 速 度 为 主 线 ， 根 据 该 预 报 温 度 、 水温 以及 钢 板 的规 格 来 设 定 淬 火 工 艺参 数 根据 以上 分 析 ， 要 完 成 淬 火控 冷参 数设 定 ， 最 关键 就 是 要建立起 淬火控冷 的温度预 报模 型 该模 型 既 可 采 用 传 统 的理 论 推 导 和 线 性 回 归手 段 得 出解析模型 ， 同时还 能借助 于人 工 神经 网络 进 行 离线和 在 线 学 习得 到 控冷模 型 淬 火 控冷 温 度 预 报 回 归 模 型 钢 板冷 却 过程 的可 控制 量 为冷 却 道 数 、 每 道 的输送辊道速度 、 每道各集 管的流量 在这里 ， 集 管 的关 闭 以流 量 为零来表 示 ， 所 以每道 的流 量 也 同时包含 了集管 的组数 淬 火控冷就 是通过对这 三 个 控 制 量 的控 制 来 达 到冷 却 工 艺 所 需 要 的冷 却速 度 和 终冷温 度 ， 以提 高产 品 的性 能 淬 火 控 冷 数 学 模 型 的任 务 则 主 要 是 为 了满 足 冷 却 工 艺 要 求 而 确 定 合 理 的输 送 辊 道 速 度 和 各 集 管 的流 量 ， 以作为冷 却 过程各控制量 的设 定值用 于 中厚 板 淬 火控冷 设 定 值 计 算 的 目的就 是 要 确 定 钢 板 在 水 冷 区冷 却 过 程 中 的输送 辊速 以及 各 集 管 的流 量 这 两 个控制 下 的最 优给 定值 ， 以保证 钢 板冷却 达 到 工 艺所 要 求 的冷 却 速 度 和 终冷 温度 钢 板在水冷 区 的集管喷水冷 却 ， 主 要 是 一 种 强 迫对 流 的换 热 过程 由于 它 的换 热 强度 很 一 大 ， 使得钢 板 与辊道之 间 的热 传 导可 以忽 略 ， 而 且根 据 传 热 学 的知 识 ， 辐 射 换 热 虽 不 需 要 介质 ， 但 在 液 体 中几 乎 是 无 法 进 行 的 ， 所 以 ， 钢 板 在 水 冷 区 的主 要 散热 方 式 是对 流 换 热 对 流 换热是一 个极其 复杂的过 程 ， 换热 的强 度 不但 与轧件 的传 热特性 有关 ， 而 且 更 主 要 的取 决于 流 体 的物理 和 运 动特性 ， 但 一般 采用 的是平 面 热 交换集 中解法来进 行计算 ， 且 都采用 牛顿 公 式 对 流 换 热 的基 本 计 算 式 是 牛 顿 冷 却 公 式 ， 即 在 单位 时 间 内 ， 物 体散 失 的热 量 为 一 · 式 中 ， 为钢 板 温 度 ， 为冷 却 水 温 度 ， 为钢 板 与冷 却 水 的接 触 面 积 忽 略 钢 板侧 表 面 ， 为对 流 换 热 系数 以牛 顿 公 式 为基 础 从 而 可 推 导 出一 定 温 度 的钢 板 在经 过 一 段 时 间 的水 冷 后 钢 板 的最 终温 度 的理 论 公式 兀 不一 一” 式 中 ， 乙 为 开冷 温 度 ， 兀 为 终 冷 温 度 ， 为 冷 却 水 温 度 显 然 是 与对 流 换 热 系数 、 水冷 时 间 以及 钢 板 的材质和 厚度有关系 的重 要变量 ， 在 淬火控 冷 过 程 中基 本 上 是 由集 管 开 启 组 数 、 钢 板 厚度 、 辊道速 度 和 开 冷温 度 不 决 定 的 不 妨 作 如下 线 性化 二 ， 八从 ， ， 不 入 什氏不 而 终 冷 温度 预 报模 型 则 变 为 兀 兀 不 一 时‘ 咖 ， 式 中 ， ， ，， 山 ， 角 ， 久 为参 变量 通 过 实验及 回归分 析 可 确 定 式 中 的参数 于 是 就 可 以得 到终 冷温度 预 报 的 回归数 学模型 淬火 控 冷 温 度 预 报 模 型 人 工 神经 网络 作 为一 种 抽 象 的数 学模 型 ， 具 有 极强 的并行运算 能力 和 自适应 学 习 能力 ， 并善 于 联 想 、 综 合 和 推 广 采 用 三 层 映射 的 网络 ， 并用动态一 自适 应 学 习 率调整算法对 网络进行快 速 学 习训 练 ， 可 获得非 常准 确 的淬 火控冷温度预 报 模 型 淬 火控 冷 过 程 中 ， 钢 板 的厚度 不 同 ， 钢 板 的 冷 却速度 和集 管 的开启 组 数有较大 的差 别 ， 因此 从 现场 采 集 的数据 是 从厚度 一 的各种 典 型厚度 规格 的产 品 ， 共采 集 了 个 厚度规 格 的 产 品 ， ， ， ， ， ， ， ， ， 每 一 种 规 格 的产 品均 从 采 集 的数 据 中遴 选 出五 组 高 质量 的数 据 ， 这 五 组样 本均含 有 集 管和 辊 道速度 的变化 ， 共 收 集样本 个 针对 厚度 为 的钢 板 ， 输入 个神经 元 为钢 板 厚度 、 冷却 水温 、 开冷温度 、 辊道速度和 开启集管组 数 隐含层 神经 元 根据 实 际仿 真分析 取 个 输 出神 经 元 取 个 ， 即终 冷 预 报温 度 利 用 上 面 收集 到 的 个样 本数 据 进 行 归一 化 处 理 后 ， 采用 多层 映射 网络 ， 并用 动 量一 自 适应 学 习 率调 整 算法对 网络进行 快速 学 习 训 练 ， 训 练 过 程 中 ， 网络 典 型 参 数选 取 如 下 学 习 过 程 显 示 频 率 最 大 训 练 步数 步 误 差 指 标凡 学 习 率 图 为 网络 训 练 时误 差平 方 和 变化 曲线 及学 习 率调 整 曲线 横坐 标表 示 神经 网络 训 练 次数 ， 图 纵 坐 标 表 示 神 经 网络 的输 出值与 目标 样 本值 的误 差 平 方 和 ， 图 纵 坐标表 示神经 网络

·372· 北京科技大学学报 2003年第4期 屎10.00 IF5℃≤I△T0 THEN V-V+0.1 400 600 800 神经网络训练次数/步 ELSE 0.8 请检查参数输入是否有误？ 0.4 ENDIF 通过该控制器，系统将惟一确定的辊道速 0 200 400600 800 度、集管开启组数及其他相关合理的冷却方式传 神经网络训练次数/步 图2误差平方和及学习率调整曲线 达给各个控制站，完成现场的淬火控冷，如果经 Fig.2 Adjustment curves of sum-squared error and 过判别，该次淬火控冷过程参数合理，则又可将 learning rate 这组参数传送给神经网络进行再学习，以便进一 的学习率，由图2可见，利用动量自适应学习率 步提高神经网络的预报精度 调整训练法训练神经网络是非常有效的，仅经 该过程控制完全是建立在淬火控冷终冷温 952次训练，网络收敛到期望误差以下， 度神经网络预报模型的基础之上，其的精度直接 影响现场的控制效果，因此在应用该模型之前， 4淬火控冷温度预报模型的应用 应采集大量的控冷数据后才能投入使用，仅依赖 上面的50组数据是完全不够的，而且数据面的 淬火控冷温度预报的神经网络预报模型进 覆盖要广而宽. 行一定的学习，已能较准确地对淬火终冷温度进 行预报，故可以利用该温度预报模型与回归数学 5结论 模型相结合进行前馈控制.具体结构框图如图3 所示. (1)利用BP神经网络设计了淬火控冷终冷温 度预报模型，该模型具有识别率高和泛化能力好 Ti,T.v,h T 控制器 控冷对象 的优点，尤其是利用自适应变步长的思想加快了 R 学习过程 42 (②)理论分析和仿真实验表明，该模型采用 △T BP神经网络作为优化控制设定模型，完成对中 神经网络 厚板淬火控冷计算机集散控制系统中的主要控 制回路的控制量—集管开启组数和辊道速度 图3淬火控冷过程控制框图 的设定：它有效地解决了由于控冷系统具有强非 Fig.3 Diagram of quenching and cooling 线性特性而使控冷模型难以建立的问题，同时为 用以神经网络控制为代表的先进控制技术，解决 图3中，T为神经网络输出温度：Tm为实际 采用常规控制技术难以有效控制的淬火控冷工 终冷温度；N为集管开启组数，△T=T2-T,△Tm= 业过程的难题打下基础， Top-Ten. (3)该数学模型已在太钢高效淬火机上成功 控制器采用智能判别式控制，具体规则如 应用.该模型由于考虑了冷却水的温度，比以往 下，首先利用终冷温度预报回归模型： 淬火控冷数学模型更稳定，模型精度不会随季节 T3=T+T+T)e-(ataNtaktartan) (5) 可计算出集管的开启组数N为： 变更而产生较大波动，基本上满足了中厚板淬火 控冷质量要求， N=[-In(T2-T)/(T:-T)-ao-ah-av-aTi]/an(6) 控制程序为： 参考文献 F△T0 THEN N=W-1 报和冷却参数设定模型的研究[仍钢铁，1996,9：34

北 京 科 技 大 学 学 报 年 第 期 、犯一 「 一 一 一 一 一 一 一 ‘ 神经 网络 训 练 次数 步 绷板降乓鸭 少少少叭叭少丫叭 瓣 、 外闪 神经 网络 训 练次 数 步 图 误 差平方和 及 学 习 率 调 整 曲线 咭 · 一 】 的学 习率 由 图 可 见 ， 利 用 动 量 自适 应 学 习 率 调 整 训 练 法 训 练 神 经 网络 是 非 常 有 效 的 ， 仅 经 次 训 练 ， 网络 收敛 到 期 望 误 差 以下 淬 火 控 冷温 度 预 报 模型 的应 用 淬 火 控 冷 温 度 预 报 的神 经 网 络 预 报 模 型 进 行 一 定 的学 习 ， 已 能较 准确 地对 淬火 终冷温 度进 行 预 报 ， 故 可 以利用 该温度 预 报模 型 与 回 归数 学 模 型 相 结 合 进 行 前 馈 控 制 具 体 结 构 框 图如 图 所 示 薰还带画份 ℃ 延 △刀 ℃ △ 不 一 △ 不任 千 请 检 查 参 数 输 入 是 否 有误 通 过 该 控 制 器 ， 系 统 将 惟 一 确 定 的辊 道 速 度 、 集 管开 启 组 数及 其 他 相 关 合 理 的冷 却 方 式传 达 给 各个 控 制 站 ， 完 成 现 场 的淬 火控 冷 如 果 经 过 判 别 ， 该 次 淬 火控 冷 过 程 参 数 合 理 ， 则又 可 将 这 组 参 数 传 送给 神 经 网络 进行 再 学 习 ， 以便进 一 步提 高神 经 网络 的预 报 精度 该 过 程 控 制 完 全 是 建 立 在 淬 火 控 冷 终 冷 温 度 神经 网络 预报模 型 的基础 之上 ， 其 的精度直接 影 响现 场 的控 制 效 果 ， 因此 在 应 用 该 模型 之 前 ， 应 采 集 大量 的控冷 数据 后 才 能投 入 使用 ， 仅依赖 上 面 的 组 数 据 是 完 全 不够 的 ， 而 且 数据 面 的 覆 盖 要 广 而 宽 △几 神绍冲刁络 图 淬火 控冷 过 程控 制框 图 哈 妞 血 图 中 ， 几 为 神 经 网络 输 出温 度 凡 为 实 际 终 冷温度 为集 管开 启 组 数 ， △ 界 一 ， △ 凡 一 控 制 器 采 用 智 能 判 别 式 控 制 ， 具 体 规 则 如 下 首先 利用 终冷温度 预 报 回 归模 型 兀 不 兀 一 “ “价 “ 民 不， 可 计 算 出集 管 的开 启 组 数 为 卜 兀 一 兀 不 一 兀 一场一。 一角 一 不」， 控 制程 序 为 △刀 ℃ ℃ 续 △刀 ℃ △ 铸厅 ‘ △ 入性 一 结 论 利 用 神 经 网络 设 计 了淬火控冷 终冷温 度预报 模型 ， 该 模 型 具 有识 别 率 高和 泛化 能力好 的优 点 ， 尤其 是 利用 自适 应变 步长 的思想 加快 了 学 习 过 程 理 论 分 析 和 仿 真 实验 表 明 ， 该 模 型采 用 神 经 网络 作 为优 化 控 制 设 定 模型 ， 完 成 对 中 厚 板 淬 火 控 冷 计 算 机 集 散控制 系 统 中 的主 要 控 制 回路 的控 制量 － 集 管 开 启 组 数 和 辊 道 速 度 的设 定 它 有 效 地 解 决 了 由于控 冷 系统 具 有 强非 线性特 性而 使控冷模 型难 以建立 的问题 ， 同时为 用 以神 经 网络 控制 为代表 的先进 控制 技术 ， 解 决 采 用 常 规 控 制 技 术 难 以有 效控 制 的淬 火控 冷 工 业 过 程 的难 题 打 下 基 础 该 数 学 模 型 已 在 太 钢 高效 淬 火机 上 成 功 应 用 该 模 型 由于 考 虑 了冷却 水 的温 度 ， 比 以往 淬 火控冷 数 学模 型 更 稳 定 ， 模 型 精度 不会 随季节 变 更 而产 生较 大 波 动 ， 基 本 上 满足 了 中厚 板 淬火 控 冷 质 量 要 求 参 考 文 献 王 有铭 ， 韦光 宽厚 板 的控 制冷却 宝 钢技术 ， ， 杨 增 堂 ， 董 希满 ， 蔡庆伍 ， 等 中厚板水 幕冷却温度预 报和 冷 却 参 数 设 定 模型 的研 究 钢 铁 ，

Vol.25 No.4 彭开香等：神经网络技术在淬火控冷中的应用 373· 3李士勇.模糊控制·神经控制·智能控制论M.哈尔 滨：哈尔滨工业大学出版社，1996 Application of Neural Networks to Quenching and Control Cooling PENG Kaixiang,DONG Jie,TONG Chaonan Information Engineering School,University of Science and Technology Beijing,Beijing 100083,China ABSTRACT The quenching and cooling of hot-rolling steel is a important step to improve the quality and mech- anical properties of steel plates.It is the key to a quenching procedure to control the speed of cooling.Against the inherent shortcoming of the traditional quenching model and for the requirement of expanding steel varieties,speci- fications and improving the precision of quenching temperature,a temperature forecast model in quenching and con- trol cooling was established by the method of neural networks.Combining this forecast model with the previous re- gression mathematical model,the real-times control of quenching and control cooling was accomplished.The result shows that the comprehensive model improved greatly the controlling accuracy of quenching and cooling. KEY WORDS neural network;quenching;mathematical model 堂堂s望sua堂aea量6 e6Te6Ye67a亚66亚aa业aSPa6Pa堂e堂s堂 (上接第364页) 参考文献 业出版社，2001 5李士勇.模糊控制神经控制和智能控制论M).哈尔 1刘玠，孙一康，带钢热连轧计算机控制[M.北京：机 滨：哈尔滨工业大学出版社，1998 械工业出版社，1997 6王炎.模糊免疫PD控制器的设计与仿真)计算 2刘贺平.系统辩识与控制D].北京：北京科技大学， 机仿真，2002,19(2少3 1999 7 Kevin Passino,Stephen Yurkovich.Fuzzy Control [M]. 3阎平凡，张长水，人工神经网络与模拟进化计算M Beijing:Tsinghua University Press,2001 北京：清华大学出版社，2000 8楼顺天，施阳.基于MATLAB的系统分析与设计一 4舒迪前，预测控制系统及其应用.北京：机械工 神经网络M).西安：西安电子科技大学出版社 Effective Method to Compensate the Nonlinear and Time-delay Part of AGC Strip Gauge Control LI Zhengxi",LIU Jie",SUN Dehui",ZHAO Rentao" 1)North China University of Technology,Beijing 100041,China 2)Anshan Iron Steel Group,Anshan 114000,China ABSTRACT Against the problems of time-delay,parameters-varyingness,large inertia,and non-linearity existing in AGC systems,a contrller that combines adaptive centralized time-delay neural network recognition,optimal pre- diction and immunized fuzzy PID was proposed.The controller effectively improves the accuracy and dynamic per- formances of the system.Simulations in Matlab show that the controller is superior to traditional control strategies in all design criteria. KEY WORDS AGC;nonlinear time-delay;adaptive centralized time-delay neural network;immunized fuzzy PID

彭开 香 等 神经 网络技术在淬火控冷 中的应 用 李士 勇 模糊控制 · 神经 控制 · 智 能控制论 哈尔 滨 哈尔滨工 业 大 学 出版社 ， 之 尸￡ 众 ， 砚 厂口刃 盯 ， 。 血 ， ， 七 一 ， ， 、 卜刀。 『 ， 一 ， 。 比 朴刀 毗 上接 第 页 参 考 文 献 刘 价 ， 孙 一康 带钢 热 连 轧计 算机控 制 北 京 机 械工 业 出版社 ， 刘贺平 系统辩识 与控制田 北 京 北 京科技大 学 ， 阎平 凡 ， 张长水 人工神经 网络 与模拟进化计算 』 北 京 清华大 学 出版社 ， 舒迪 前 预 测 控 制 系 统 及 其 应 用「 北 京 机械工 业 出版社 ， 李士 勇 模糊控制神经 控 制 和 智 能控 制论 哈尔 滨 哈尔滨 工 业 大 学 出版社 ， 王 炎 模糊 免 疫 控制器 的设计 与仿 真 计 算 机仿真 ， ， ， 丫 石刁 ， 楼顺 天 ， 施 阳 基于 阴 的 系统 分 析 与 设 计一 神经 网络 西 安 西 安 电子 科 技 大学 出版社 。， 一 义 ， 扩几 〔 ’， 初 ， ， 血扭 ， 刀 ， 一 一 娜 ， 而 一 ， 。 而 一 ， 比 勿 。 几 一 而 一 七万。 们 刃