足球比分直播

基于PSO-SA的加热炉钢温模型的分析.pdf

返回
基于PSO-SA的加热炉钢温模型的分析.pdf_第1页
第1页 / 共74页
基于PSO-SA的加热炉钢温模型的分析.pdf_第2页
第2页 / 共74页
基于PSO-SA的加热炉钢温模型的分析.pdf_第3页
第3页 / 共74页
基于PSO-SA的加热炉钢温模型的分析.pdf_第4页
第4页 / 共74页
基于PSO-SA的加热炉钢温模型的分析.pdf_第5页
第5页 / 共74页
点击查看更多>>
资源描述:
东北大学硕士学位论文 摘要基于PSO.SA的加热炉钢温模型的研究摘要蓄热步进梁式加热炉是轧钢生产线上非常重要的热工设备,由于目前的检测技术和加热炉自身因素等条件限制,使得直接、准确测得加热过程中的钢坯温度分布还有很大困难,只有钢坯出炉后才能知道出钢温度是否合格,一旦不合格也很难回炉补救了,因此建立加热炉的钢温预测模型,对于改善钢坯的加热质量是十分必要的。钢坯的加热过程具有大滞后、大惯性、多变量、强耦合、时变、非线性等特点,传统的机理模型不够灵活,计算复杂,假设条件过多。本文以蓄热步进梁式加热炉为研究对象,开展预测模型的研究工作,主要内容如下1结合其工艺和炉段分区控制的特点,建立了三个串联的BP神经网络作为总的钢温预测模型,三个网络分别对应I加热段、II加热段、均热段。网络的输入为上下炉膛温度,输出为钢坯表面温度,以现场采集的数据为基础进行网络训练。仿真结果表明此三段式钢温预测模型是合理的,不仅可以较准确地预测钢坯出炉温度,还可以对炉内每段出口处的钢坯进行温度预测;2针对BP网络收敛缓慢、易于陷入局部极小等典型缺点,引入了粒子群和模拟退火等智能算法来优化钢温模型,预测效果有所改进;在标准粒子群算法的基础上进行了动态自适应调整惯性权重和学习因子的改进,用该改进粒子群算法优化后,模型的收敛速度和预测精度有了进一步的提高;3考虑到粒子群能在全局范围内寻优、搜索速度快以及模拟退火算法局部搜索能力强等优点,将两者的优势结合,提出了一种自适应变异粒子群协同模拟退火的混合优化算法,用此算法来优化原基于神经网络的三段式钢温预测模型。仿真研究表明,通过混合算法优化后的钢温模型易于建立,预测效果也更加精确。通过对用上述各优化算法改进钢温模型的仿真结果进行比较,得出结论自适应变异粒子群协同模拟退火算法优化后的模型在精度与效率上都有显著提高,取得了最好的预测效果,同时该算法需要确定的参数较少,容易实现,不需要考虑机理模型的参数与边界等条件,更适合于建立加热炉的钢温预测模型。关键词加热炉;钢温预测模型;神经网络;粒子群;模拟退火一IIResearch of,。■11 emDeratureReheating Furnace’S BilletModel Based on PSOSAAb stractRegenerative heat stepping beam reheating furnace is an important thermal technologyequipment in the billet’S rolling line.At present,due to the restrictions of test technology andthe fumace’S factors in itself,making direct and accurate measurement of the temperaturedistribution of biUet heating process is very difficult.It is possible to know whether the billettemperature is qualified or not only after the billet comes out from the furnace,and it is hardto remedy once unqualified.Therefore,making the heating furnace’S billet temperatureDrediction model is very necessary to improve the quality of heating billet.Billet heatingDrocess has characteristics such as big lag,large inertia,multivariable,strong coupling,time.v撕ant,nonlinear and SO on,then traditional mechanism model has the computationalcomplexity,too many assumptions and is not flexible enough.Taking regenerative heat stepping beam reheating fumace as the object to research thebillet temperature prediction model,main contents include1Combining with its technology and the feature of furnace divided into three zonesto contr01.it is reasonable to make three BP neural networks in series as general billettemperature prediction model.Three networks correspond I heating zone,II heating zoneaIld soaking zone.Networks’s are the furnace’s temperature and the output is billet’ssurface temperature.Training the three networks by the data collected from the furnace,thesinmlation resuits show that the 3-sectional billet temperature prediction model is reasonable,not only call accurately predict billet temperature of furnace’s exit,still call predict billettemperature of each zone’S exit;2According to the typical faults that BP network convergences slowly,and easilyfalls into me local minimum,it is agreeable to make use of PSO and SA to optimize the billettemperature prediction model,they all improve the prediction effect;it is SO reasonable tomake some improvements for the standard PSO that the modified PSO Can adjust inertiaweight and learning factors dynamically and adaptively,after optimizing based on theimproved PSO,the model,s convergence speed and forecasting precision have been furtherimproved;..111--东北大学硕士学位论文 Abstract3Considering that PSO can search for the best result in the global scope quickly andSA algorithm has good local searching ability,SO making the advantages of PSO and SAcombined,put forward a new kind of mixed optimization algorithm that called self-adaptingmutation PSO collaborative SA,and make use of it to optimize the 3-sectional billettemperature prediction model based on neural network.Simulation results show that it is easyto use the mixed algorithm to optimize billet temperature model and Call make more accurateprediction effect.By comparing with the simulation results of billet temperature model being improvedwith followed optimization algorithms,it is possible to draw the conclusionafter improvingthe model by self-adapting mutation PSO collaborative SA,the model’S accuracy andefficiency have been improved significantly and achieves the best prediction effect,moreoverthe mixed algorithm needs to identify less parameters and is easy to implement,dose not needto consider the mechanism model’S parameters and boundary conditions,SO the mixedalgorithm is more suitable for establishing the billet temperature prediction model ofreheating fumace.Key wordsreheating furnace,billet temperature prediction model,neural networks,PSO,SAIV东北大学硕士学位论文 目录目录独创性声明I摘要IIAbstract........................III第1章绪论11.1课题研究的背景及意义.11.2常见的系统建模与辨识方法。21.3加热炉钢坯温度预测模型的研究及发展现状.31.4本文的主要研究工作.5第2章蓄热步进梁式加热炉的工艺简介72.1加热炉在棒材生产线中的作用.72.2加热炉的组成及分类.72.3蓄热步进梁式加热炉简介.82.3.1步进梁式结构..82.3.2高效蓄热式加热炉1 O2.4数字化蓄热步进梁式加热炉132.5本章小结15第3章基于神经网络的钢温预测模型173.1神经网络算法173.1.1神经网络的发展应用及特点173.1.2神经元及激活函数183.1.3神经网络的互联模式与学习方式193.2 BP神经网络..213.2.1 BP网络模型的结构.213.2.2 BP学习算法的缺点与改进.213.3基于L.M法改进BP神经网络的钢温预测模型的建立223.3.1蓄热步进梁式加热炉的特点及分区.223.3.2三段式神经网络模型的建立.233.4本章小结31~V一东北大学硕士学位论文 目录第4章基于粒子群优化神经网络的钢温模型334.1粒子群算法的起源及基本思想334.2粒子群算法原理344.2.1基本粒子群算法.344.2.2标准粒子群算法.354.3标准粒子群算法优化钢温模型374.3.1粒子群优化神经网络的设计374.3.2算法的实现步骤及仿真验证.384.4改进的动态自适应粒子群算法优化钢温模型414.4.1粒子群算法的改进策略.4l4.4.2动态自适应粒子群算法优化神经网络的实现步骤及仿真验证.424.5本章小结49第5章基于自适应变异PSO协同SA优化钢温模型5l5.1模拟退火算法515.1.1模拟退火算法的基本思想与特点.515.1.2模拟退火算法的实现.525.1.3模拟退火算法冷却进度表的参数分析.535.2模拟退火算法优化钢温模型545.2.1优化的基本流程555.2.2模拟退火优化钢温模型的仿真验证555.3自适应变异粒子群协同模拟退火优化钢温预测模型585.3.1基于模拟退火思想的粒子群混合算法.585.3.2自适应变异PSO协同SA优化钢温模型585。4本章小结64第6章总结和展望65参考文献.67致谢71攻读硕士期间参加项目科研情况.73一VI东北大学硕士学位论文 第1章绪论第1章绪论1.1课题研究的背景及意义我国目前是世界上最大的钢铁生产和消费国,也是钢铁投资最为集中的地区。钢铁的生产过程一般由炼钢和轧钢两大部分组成。加热炉是轧钢过程中的重要设备。随着近年来原材料与能源价格的不断上涨以及对产品质量的要求越来越高,常规的以牺牲加热能耗和增加环境污染来换取钢铁产量的做法越来越不可取了,以节能降耗、降低生产成本和提高生产效率为目标的热轧综合集成技术正受到广泛的重视。为保证加热炉炉温的优化控制以及钢坯有较高的加热质量与生产效率,操作员能及时准确地得知钢温并进行有效处理非常的重要。本课题正是基于这样的生产背景提出来的。钢坯的温度对于制定更合理的钢坯加热制度,实现对炉内钢坯温度的软测量、炉温的最优设定、加热炉的闭环最优控制和预测钢坯的轧制效果具有重要的现实意义,是加热炉运行中钢坯加热的主要质量指标。在生产实践中,一般基础自动化控制认为合理的炉内温度制度就能加热出合适的钢坯。然而加热钢坯却是一个复杂的非线性传热过程,由于目前检测技术的限制,在加热过程中对钢坯温度的检测、跟踪以及预测比较困难,只能通过在出炉口安装红外温度传感器来测量出炉钢坯的表面温度。然而从钢坯入炉到出炉往往长达几十分钟到数小时,即使出炉温度可测也为时已晚。在生产过程中,改善加热质量、降低燃耗和减少氧化烧损的关键是合理加热制度的动态实时决策,而实现这种决策需要掌握炉内钢坯的温度。因此通过合理的钢温预测模型来对钢坯进行实时监控和预测具有十分重要的实际应用价值。控制理论正是在不断的研究复杂系统的建模、控制、优化、管理等基础上才发展进步的,而钢坯的加热过程几乎具备了所有复杂系统的特点大滞后、大惯性、多变量、强耦合、时变、非线性等。因此,研究钢坯温度预测模型也是控制理论不断发展的需求,具有重要的理论意义。钢坯的温度分布取决于钢坯的入炉温度、钢坯型号和种类、炉子结构等众多因素,钢坯温度和炉温之间呈非线性和不确定性变化的关系,这给建模带来很大困难。神经网络模型作为一种基于数据的非线性模型,具有很强的泛化能力,可以避免机理模型的参数选取、计算复杂以及条件假设等难点。目前有一些比较成熟的智能优化方法,对全局寻优以及加快收敛速度有很大改进,这些算法可以对神经网络进行一定程度的优化,采用智能算法优化后的比较合理的基于神经网络的钢温预测模型来对加一1~东北大学硕士学位论文 第1章绪论热炉的钢温进行预测,对于改善预测精度、提高预测效率以及模型的稳定性有很大的理论意义。1.2常见的系统建模与辨识方法的概述系统建模,是通过观测和检测,在忽略次要因素和不可检测变量的基础上,用数学方法对实际系统进行描述,从而获得简化的近似模型的过程,是借助有关概念、变量、规则、逻辑关系、数学表达式、图形和表格等对工业过程系统的一般性描述。目前,建模方法一般分为三类基于过程机理模型的方法、基于知识模型的方法和基于数据模型的方法基于机理模型的方法主要指对过程机理进行深入研究,通过基本理论推导得到表示过程各有关变量之间的物理数学关系,纯粹从基本理论出发,用数学方法来表达的关系,也称为过程的理论模型,由于实际的过程比较复杂,影响因素很多,参数选取很困难,建立模型也比较困难,模型的精度也不是很高,因而纯理论模型的应用是很有限的;基于知识模型的方法是依据人们的经验进行建模,不分析实际过程的机理,而是根据从实际得到的与过程有关的数据进行数理统计分析,按误差最小原则,归纳出该过程各参数和变量之间的数学关系式;基于数据模型的方法是指通过由工业过程测得的数据,经过数理统计法主要是多元统计分析理论或其它的智能方法求得各变量之间的关系,从而建立系统的模型。由于检测仪表越来越智能化,检测的精度和速度不断的提高,所以实际中可以较容易的获得大量实时的现场数据,也使得基于数据模型方法的应用越来越广泛。系统辨识就是根据输入与输出数据在指定的一类系统中选择一个系统,这个系统和所研究的实际系统等价。随着人类社会的发展进步,越来越多的非线性现象和系统引起了研究者们的广泛关注,控制精度的要求不断提高又使得具有复杂非线性的系统不能简单用线性模型来近似,所以研究非线性系统辨识理论有着非常重要的意义。从逼近理论和模型研究的发展来看,非线性系统建模已从用线性模型逼近发展到用非线性模型逼近的阶段。近年来,基于智能理论中的神经网络、模糊逻辑、粒子群、模拟退火、遗传算法等智能优化算法形成了许多新型的辨识方法,大大提高了系统辨识的精度与速度,为辨识非线性系统开辟了一条新途径。此外,基于传统的随机梯度算法而发展起来的多层递阶辨识方法也为辨识非线性系统提供一条新思路【l】。下面简要介绍几’种辨识方法。1基于多层递阶方法的非线性系统辨识多层递阶方法这一概念是韩志刚教授在1983年提出的,该方法以时变参数模型的辨识方法为基础,基本思想是在输入输出等价的条件下,把一大类非线性模型转化成多1东北大学硕士学位论文 第1章绪论层线性模型,为非线性系统的辨识提供了一条有效的途径。2基于模糊逻辑的非线性系统辨识由于模糊逻辑系统可以在任意精度上一致逼近任何定义在一个致密集上的非线性函数,使得近年来模糊逻辑理论在非线性系统辨识领域得到了广泛的应用。模糊辨识作为一种新颖的辨识方法,具有其独特的优越性能有效的辨识复杂和病态结构的系统;能有效的辨识大时延、时变、多输入单输出的非线性系统等。模糊模型辨识分为结构辨识和参数辨识两部分典型的模糊结构辨识方法有模糊网格法、自适应模糊网格法、模糊聚类法及模糊搜索树法等,其中模糊聚类法是目前很常用的模糊系统结构辨识方法;常用的模糊参数辨识方法有基于模糊关系方程的辨识方法、基于模糊隐含规则的辨识方法、基于模糊神经元网络的辨识方法、复杂系统辨识方法等。3基于神经网络的非线性系统辨识神经网络是20世纪末迅速发展起来的一种新的算法,在控制和建模领域都有自己独特的优势,应用面十分广泛。它在非线性系统辨识方面的优势是多层前馈神经网络能够以任意精度逼近非线性映射;特有的学习能力使其能适应系统或环境的变化;可以并行计算以实现大量复杂的运算;多输入多输出结构可方便的进行多变量系统的辨识与控制。4基于粒子群、模拟退火、遗传算法等智能优化算法的非线性系统辨识粒子群、模拟退火、遗传等智能优化算法一般都有较强的全局与局部搜索能力、收敛速度快、不易陷入局部极值等特点,能够快速有效的搜索复杂、高度非线性和多维空间,常用来优化神经网络,训练的效果明显优于传统的学习方法,为非线性系统辨识的研究与应用开辟了一条新途径。1.3加热炉钢坯温度预测模型的研究及发展现状鉴于加热炉实际生产中测量钢坯温度的重重困难,建立合理的加热炉钢温预测模型是进行炉温优化设定的必要步骤,也是研究加热炉控制以及优化炉温的必要基础。已有许多学者在这方面做了研究以前多采用多元回归的方法,例如武钢引进的热连轧线所使用的升温控制数学模型,多元回归模型的缺点是准确性差,特别是生产条件和轧制节奏发生变动时,其次是系数较多,而且不少系数没有直接的物理意义;传统的机理建模【2墙1方法大多采用热平衡的方法,对热辐射和热传导等机理进行理论分析建立钢温数学模型,由于在实际生产中的工艺不同,每个模型针对的炉型单一,建立的模型不够灵活;有文献建立了炉内钢坯加热的RAX输出数学模型‘9加】,Wicktll】应用卡尔曼滤波器技术实现了对钢锭在均热炉中温度分布的估计,其缺点是必须测量钢坯在炉内表面温度,显一2~东北大学硕士学位论文 第1章绪论然,这对于工程实用是难以接受的;还有文献通过统计方法【121建立钢温预报数学模型;也有人提出基于RBF神经网络的加热炉钢温预报模型[13】。由于智能学-j方法建模简单、适用性、广泛性好,所以近年来专家们越来越关注用智能方法的结合来建立加热炉钢温预测模型。同时随着组态软件和数据库技术的发展,工业生产的过程数据越来越丰富,如何利用好这些输入输出数据,建立合理的模型并提高预测的精度与效率,是现代建模所需要考虑的主要问题。神经网络模型是一种基于数据分析的模型。近年来对非线性系统的建模与辨识得到了很大的发展。例如基于智能控制理论中的神经网络、模糊逻辑等知识形成了许多新型的建模及辨识方法。此外,智能优化算法的迅速发展为提高模型的预测质量提供了更广阔的空间和思路。其中主要的优化方法有模拟退火、粒子群、遗传算法以及蚁群算法等。目前,研究的趋势是如何将模糊、神经网络、智能优化算法等相结合来对非线性系统进行建模,并将这些方法应用到实际的复杂工业系统中,使其容易实现,适合工业生产的需要。加热炉中钢坯温度及其分布是衡量钢坯加热质量以及实现加热炉自动控制的重要依据之一。合理地控制钢温可以提高钢坯加热质量,降低燃料消耗。因此钢温预报模型便成为加热炉实现模型化最优控制的关键。由于加热炉生产过程和工艺较为复杂,所建立的模型都有可能出现一些不可预知的问题,比如钢温预报模型针对的炉型比较单一,难以适应多种炉型的加热计算需要,模型过于复杂不利于计算等等。本文主要针对简化模型、提高计算效率和预报精度等目标,采用一种新的优化策略即以神经网络为模型基础,并在此基础之上采用粒子群和模拟退火等算法对模型进行优化,寻找出一个适用于加热炉钢温预测的模型。人工神经网络ANN是一种模拟人脑信息处理方式的系统,具有许多显著的优良特性,例如非线性、自学习、自组织及容错等,理论上可逼近任意函数,这就使得复杂系统的建模过程简单化,但BP神经网络的收敛速度不高,易于陷入局部最小,采用L.M方法改进后也没有很好的解决该问题,遗传算法又相对复杂,收敛较慢。粒子群PSO优化算法的突出特点是结构简单,运行速度快,计算量小,程序实现非常简洁,需要调整的参数少。将粒子群优化算法应用于神经网络的优化,能够有效提高网络的收敛速度和学习能力,并且与遗传算法相比能够更快地达到全局优.化。虽然粒子群算法在搜索的初期能以较快的速度收敛,但在后期容易陷入局部最优解。而模拟退火算法Simulated Annealing,SA是通过模拟高温金属降温的热力学过程来解决组合优化问题,具有跳出局部最优解的能力。因此从理论上来说将粒子群优化算法与模拟退火算法相结合而提出的混合算法能有效解决可能陷入局部最优的缺点,并加强全一4一东北大学硕士学位论文 第1章绪论局收敛能力。将该混合算法应用于前馈神经网络的优化设计中,能够同时对网络的权值和阈值进行优化,有效抑制粒子群优化算法不成熟收敛的发生,提高前馈神经网络的收敛精度和速度及泛化能力。这种通过智能优化改进后的神经网络模型通过现场数据的验证证明模型的预测质量确实会有所提高,也为加热炉钢温预报模型的建立提供了一种较新的思路。1.4本文的主要研究工作本文以蓄热步进梁式加热炉为研究对象,在充分了解加热炉工艺和现场实际应用情况的基础之上,为了避免机理模型参数繁多、边界等条件复杂、假设和忽略的条件过多等缺点,以神经网络为模型基础,建立了基于改进BP神经网络的加热炉钢温预测模型,并在此基础上采用粒子群、模拟退火等智能优化算法对模型进行优化。第一章概括介绍了建立加热炉钢温预测模型的背景、意义、采用的方法、研究现状及发展趋势等基本情况。第二章主要介绍蓄热步进梁式加热炉的工艺,其中重点介绍加热炉的分类、步进梁式结构、蓄热式高温燃烧技术的特点及优势等,并针对本课题的研究对象数字化蓄热步进梁式加热炉做了更详细的介绍。第三章主要介绍神经网络算法及所建立的加热炉钢温预测模型。神经网络的介绍包括ANN的发展概况、结构与类型、学习机理、反向传播算法BP算法的基本原理、存在的问题及其改进;基于L.M方法改进BP神经网络的钢温预测模型主要介绍网络结构的确定、仿真数据的筛选与输入输出样本预处理、网络的学习算法等内容,最后给出钢温预测模型预测仿真结果。第四章采用粒子群算法来优化第三章中建立的三段式神经网络钢温预测模型。首先介绍了粒子群算法的起源及原理,标准粒子群优化算法的内容、步骤及流程图,标准粒子群优化神经网络的概述,算法执行的步骤、流程框图、预测模型的仿真结果与分析等;然后介绍了粒子群的各种改进方法,在查阅大量资料文献和仿真试验的基础上,提出了一种新的粒子群改进算法动态自适应粒子群算法,该算法在粒子搜索的过程中同时自适应的调整三个主要参数,并引入了早熟判定机制,有效的提高了粒子搜索的速度和精度,用该算法优化基本的三段式神经网络模型,得出仿真结果。第五章采用自适应变异粒子群协同模拟退火算法来优化基本的三段式神经网络钢温预测模型。在第四章的基础上加入了模拟退火算法。首先介绍了模拟退火优化算法的原理、Metropolis准则描述及SA算法的一般步骤等;然后用SA算法优化第三章中的三一,一
展开阅读全文
收藏
下载资源

加入会员免费下载





足球比分直播