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