BP神经网络在加热炉虚拟测温系统中的设计与实现

摘要:在大型轧线系统中，钢坯加热是初始工序，加热炉各段温度的控制对钢坯轧制品质有着重要的影响，因此设计一套虚拟测温系统，由该测温系统的计算值跟热电偶测量值相比对，甚至在热电偶损坏的情况下，以虚拟测温值替代热电偶测量值对轧线生产有着重要作用。基于此，设计了以BP神经网络为基础的虚拟测温系统，该系统在莱钢大型轧线加热炉应用以后，取得了良好的效果。

关键词：BP神经网络；虚拟测温；加热炉

中图分类号：TP27 文献标识码：A

概述

在大型连轧生产线中，加热炉给钢坯加热是第一道工艺，加热的效果直接影响到后步轧制工序，对轧制品质有着重要的影响。传统的测温方式是在加热炉各个区段放置热电偶测量各个加热炉段的炉体温度，由于加热炉高温、粉尘等各种的复杂环境，热电偶的测温品质不能完全得到保证，尤其在重要工艺温度点上的热电偶，一旦损坏则影响到轧线的正常生产。因此设计一套虚拟测温系统对控制系统的稳定、顺行有着重要作用。BP神经网络能够模拟非线性、时变性的复杂控制系统。基于此，我们利用BP神经网络构建一套虚拟测温系统，通过煤气流量，空气流量，煤气热值等关键温控参数作为输入，通过神经网络的积算、反馈学习，得到一个虚拟测量值，该测量值跟热电偶测量值进行比对，检验热电偶的工作状态；同时在确定热电偶损坏的情况下，以虚拟测量值来代替热电偶测量值，以保证轧线生产的顺利进行。虚拟测温系统对加热炉温度控制系统具有重要意义，能够给企业带来很大的经济效益。

1系统设计

BP神经网络是一种前向映射网络，包含输入层、隐含层、输出层。通过对加热炉的工艺参数进行分析，对于特定的一个加热炉，影响加热炉温度的因素主要是煤气热值、煤气流量、空气流量，把该3个测值作为BP神经网络的输入层，隐含层的个数通过Matlab进行训练后确定，把虚拟测温值作为输出层，从而构建出一个完整的BP神经网络构架，具体的网络图如图1所示：

图1BP神经网络图

2系统实现

BP神经网络是一种有导师学习的算法，通过从现场采集训练样本，利用Matlab训练学习后得到最佳的隐含层个数，并得出各层的权值及阈值，然后利用C#构建的OPC平台进行系统编程，最后投入现场进行测试应用，具体步骤如下：

(1)本系统从WINCC存储的历史数据库中采集了3000组的煤气热值、煤气流量、空气流量、热电偶测点值的历史数据值作为训练样本。煤气热值、煤气流量、空气流量数据作为输入训练样本，热电偶测值作为输出训练样本，经过归一化处理后，导入Matlab环境中。

fid1=fopen('输入样本.txt’,‘r’);

[Input,count1]=fscanf(fid1,’%f’,[3,3000])

fid2=fopen('输出样本.txt’,’r’);

[Output,count2]=fscanf(fid2,’%f’,[1，3000])

(2)在Matlab环境下的命令窗口中输入“nntool”命令，打开神经网络工具箱的图形用户界面，网络类型选择“Feed-forward backprop”前向反馈类型；训练函数选择“TRAINLM”函数；性能函数选择“MSE（均方误差）”函数；网络的层数首先选用两层；点击“Create”按钮，就建好了该神经网络，该神经网络如图2所示：

图2神经网络设置图

(3)对神经网络的权值、阈值进行初始化后，对神经网络进行训练，选取不同的隐含层个数分别对神经网络进行训练，然后观察误差曲线及均方误差。经过测验，本系统中效果最好的隐含层个数为2个，最终得到的效果曲线如图3所示：

图3神经网络效果图

(4)得到BP神经网络的权值阈值后，对该神经网络进行高级语言编程，在本系统中选择了C#语言，通过构建OPC系统平台，将该虚拟测温系统作为二级系统投入现场进行系统测试。

3系统效果

该虚拟测温系统已投入现场运行一年，运行稳定，能够很好的反应温度变化趋势，正常情况下跟热电偶测值误差保持在3%以内，期间有效诊断热电偶故障2次，未出现误报现象，有效的实现了系统目的，为轧钢的生产顺行提供了有力的技术保证，运行效果如图4所示：

图4系统运行效果图（黄线为热电偶测值，绿线为虚拟值）

结语

该虚拟测温系统有效的利用了BP神经网络解决非线性、时变系统的能力，构建了一套行之有效的虚拟测温系统，无论是对于加热炉的稳定还是轧线的稳产顺行都起了重要作用，为企业带来了可观的经济价值。

参考文献

[1]焦李成.神经网络计算[M].西安:西安电子科技大学出版社,1993.