正在加载图片...
,1326 北京科技大学学报 第31卷 间的差值按二冷区各段目标温度下降比例进行分 整二次冷却水水量达到稳定值所需要的时间约为 配，作为各段误差对各段对角递归神经网络再次进 40s,板坯拉速为1.0mmin时，二冷区第6段出 行训练.以第7段出口温度为例，将用实测温度训 口目标温度为978℃，当板坯拉速从1.0mmin逐 练后的对角递归神经网络与传热模型计算的板坯表 渐变化到1.2mmin时，智能控制系统对水量的 面温度以及第7段出口实测温度进行对比，对比结 动态调整如图7所示，从图7中可以看出，随着板 果如表2所示， 坯拉速的增加，二次冷却水水量相应增加：同时根据 1600 目标温度要求，第6段出口温度也有一些增加，在 1500 一传热模型计算铸坯表面温度 实际试验中，板坯拉速为1.2mmin1、二冷区第7 1400 ◆对角递归神经网络预测出口温度 段入口温度为982℃时，利用智能控制模型调整第7 1300 留 段配水量，当智能控制模型预测的出口温度达到目 1200 标温度951℃时，实测出口温度为947℃，说明了智 1100 能控制模型能够有效应用于板坯连铸二次冷却动态 1000 900 控制 10 15 20 二冷段长度m 990 ·+水量 温度 图5对角递归神经网络预测各段出口温度 60 985 Fig-5 Exit temperature of each section forecasted with diagonal re- 55 980 current neural network 50 975 表2二冷区第7段出口温度对比 Table 2 Comparison of the exit temperature of the seventh section in 970 secondary cooling 40 65 10 152025 30 板坯拉速/ 第7段出口温度/℃ 时间s (m'min1) 传热模型对角递归神经网络实测值 1.4 967.4 957.3 953.2 图6板坯拉速不变时水量调整和温度变化曲线 1.3 960.2 954.8 951.5 Fig.6 Curves of water flow and temperature at the same casting speed 1.2 955.8 952.4 949.7 1.1 948.5 947.7 946.1 990 1.0 942.2 942.2 943.5 一水量 53h ◆温度 985 0.9 928.9 935.3 939.9 0.8 923.7 930.9 935.4 980之 要 975 由表2可以看出，对角递归神经网络由于使用 了实测温度对网络进行训练，预测的温度准确性明 % 970 显高于传热模型计算的温度，能够比较准确地预测 965 10 15 20 30 板坯表面温度， 时间s 5.3TS模糊递归神经网络控制二次冷却水结果 图7板坯拉速改变时水量调整和温度变化曲线 将训练好的TS模糊递归神经网络模型用于 Fig.7 Curves of water flow and temperature at variable casting 控制板坯的二次冷却水分配，以二冷区第6段水量 speed 动态分配为例，中间包钢水温度为1539℃，板坯拉 速为1.2mmin1,二冷区第6段出口目标温度为 6结论 982℃，采样时间为1s,在板坯拉速与目标温度均不 变化时，智能控制系统对水量做出的动态调整如图 ()利用支持向量机计算的符合冶金条件的动 6所示，从图6中可以看出，TS模糊递归神经网 态目标温度可以提高系统的精确度，增加稳定性，为 络通过调整水量使计算温度与目标温度在10s之内 连铸二次冷却水的精确控制提供保证， 达到一致，并且温度与水量的波动幅度较小；而在硬 (2)基于实测板坯表面出口温度的对角递归神 件配置相同情况下，原系统通过传热模型计算并调 经网络与TS模糊递归神经网络组成的智能控制间的差值按二冷区各段目标温度下降比例进行分 配作为各段误差对各段对角递归神经网络再次进 行训练．以第7段出口温度为例将用实测温度训 练后的对角递归神经网络与传热模型计算的板坯表 面温度以及第7段出口实测温度进行对比对比结 果如表2所示． 图5 对角递归神经网络预测各段出口温度 Fig．5 Exit temperature of each section forecasted with diagonal recurrent neural network 表2 二冷区第7段出口温度对比 Table2 Comparison of the exit temperature of the seventh section in secondary cooling 板坯拉速／ （m·min －1） 第7段出口温度／℃ 传热模型 对角递归神经网络 实测值 1∙4 967∙4 957∙3 953∙2 1∙3 960∙2 954∙8 951∙5 1∙2 955∙8 952∙4 949∙7 1∙1 948∙5 947∙7 946∙1 1∙0 942∙2 942∙2 943∙5 0∙9 928∙9 935∙3 939∙9 0∙8 923∙7 930∙9 935∙4 由表2可以看出对角递归神经网络由于使用 了实测温度对网络进行训练预测的温度准确性明 显高于传热模型计算的温度能够比较准确地预测 板坯表面温度． 5∙3 T－S 模糊递归神经网络控制二次冷却水结果 将训练好的 T－S 模糊递归神经网络模型用于 控制板坯的二次冷却水分配．以二冷区第6段水量 动态分配为例中间包钢水温度为1539℃板坯拉 速为1∙2m·min －1二冷区第6段出口目标温度为 982℃采样时间为1s在板坯拉速与目标温度均不 变化时智能控制系统对水量做出的动态调整如图 6所示．从图6中可以看出T－S 模糊递归神经网 络通过调整水量使计算温度与目标温度在10s 之内 达到一致并且温度与水量的波动幅度较小；而在硬 件配置相同情况下原系统通过传热模型计算并调 整二次冷却水水量达到稳定值所需要的时间约为 40s．板坯拉速为1∙0m·min －1时二冷区第6段出 口目标温度为978℃当板坯拉速从1∙0m·min －1逐 渐变化到1∙2m·min －1时智能控制系统对水量的 动态调整如图7所示．从图7中可以看出随着板 坯拉速的增加二次冷却水水量相应增加；同时根据 目标温度要求第6段出口温度也有一些增加．在 实际试验中板坯拉速为1∙2m·min －1、二冷区第7 段入口温度为982℃时利用智能控制模型调整第7 段配水量当智能控制模型预测的出口温度达到目 标温度951℃时实测出口温度为947℃说明了智 能控制模型能够有效应用于板坯连铸二次冷却动态 控制． 图6 板坯拉速不变时水量调整和温度变化曲线 Fig．6 Curves of water flow and temperature at the same casting speed 图7 板坯拉速改变时水量调整和温度变化曲线 Fig．7 Curves of water flow and temperature at variable casting speed 6 结论 （1） 利用支持向量机计算的符合冶金条件的动 态目标温度可以提高系统的精确度增加稳定性为 连铸二次冷却水的精确控制提供保证． （2） 基于实测板坯表面出口温度的对角递归神 经网络与 T－S 模糊递归神经网络组成的智能控制 ·1326· 北 京 科 技 大 学 学 报 第31卷