基于改进神经网络的加热炉参数优化控制方法

《基于改进神经网络的加热炉参数优化控制方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于改进神经网络的加热炉参数优化控制方法：钢厂加热炉是一个复杂的受控对象，存在着非线性、时变性、纯滞后因素和不确定随机干扰等因素。从对其燃烧状况的分析来看，加热炉温度的调节主要是靠对煤气流量的控制来完成的，因而确立一种合理的煤气流量控制方案是实现加热炉燃烧智能化控制的关键。本文针对加热炉存在的缺陷,研究用神经X络建立加热炉温度控制模型,仿真结果表明所建立的模型简单、精度高,满足工程要求。　　关键词：加热炉；BP神经X络；流量控制　　神经X络具有自组织，自学习等优点，利用神经X络对控制参数进行自整定，已达到控制要求。由于神经X络学习过程较慢，可能导致局

2、部极小点。本文提出一种基于改进神经X络的参数自整定控制器，对神经X络阀值和权值进行优化，避免权值和阀值陷入局部最小点。　　1.加热炉控制系统　　由于煤气、空气的流量控制是实现炉温控制的手段，因此它实际上从属于炉温控制回路，这一回路是保证加热炉正常燃烧和钢坯加热的最基本的回路。通常情况下，流量控制回路是一个串级控制回路，炉温控制器的输出作为其设定值，因而达到间接控制炉温的目的。流量控制回路工作的稳定程度以及控制性能的好坏将直接取决于该回路的控制量的设定值，并将直接影响到加热炉炉温的控制情况以及钢坯的加热过程。　　2.基于改进神经X络的加热炉参数优化控制

3、方法　　2.1基于神经X络的控制原理　　把神经X络模型与控制器有效结合，可以控制系统的输出值与期望值之间的误差达到最小。　　基于神经X络的控制器分为两部分：一部分是经典的控制调制器；第二部分是神经X络，通过神经X络的自学习和自组织能力调节参数，使之达到最优。　　2.2改进神经X络控制算法　　梯度下降法的收敛速度较慢，而拟牛顿法计算又较复杂，共轭梯度法则力图避免两者的缺点。共轭梯度法也是一种改进搜索方向的方法，它是把前一点的梯度乘以适当的系数，加到该点的梯度上，得到新的搜索方向。　　其迭代方程为　　式中－最佳步长；　　(1)　　　　共轭梯度法比大多数常

4、规的梯度下降法收敛快，并且只需增加很少的存贮量和计算量。对于权值很多的X络，采用共轭梯度下降法是一个很好的选择。　　具体算法如下：　　X络初始化：确定神经X络输入层，隐含层神经元个数，以及各层权值初值，，给定学习速率和最大学习次数；　　通过采样的到给定值和输出值，求出此时的误差　　求出神经X络各层神经元的输入、输出：　　输入：　　由经典增量式计算出控制的输出　　进行神经X络学习，在线调整神经X络权值，从而达到控制参数的自整定；　　置，跳转到第二步。　　本文设计的改进神经X络控制器可以在线修正X络的权值和阀值，不但能收敛到全局最小点，并且可以提高系统的

5、收敛速度。　　3系统仿真及结果分析　　为了验证所提算法的有效性，采用计算机为仿真软件。　　仿真条件：本文将鞍山后英轧钢分厂的加热炉为研究对象，加热炉模型为　　式中表示时刻炉温温度和燃气流量，表示时刻可测干扰和随机噪声。加热炉作为非常复杂的被控对象，至今还没有完整的数学模型，根据加热炉大滞后，大惯性的特点，为了方便神经X络的研究，本文将鞍山后英轧钢分厂的加热炉简化为一个带有纯滞后的一阶惯性环节，其传递函数为：　　，式中增益为，时间常数为，纯滞后时间为　　根据仿真试凑法确定隐层神经元为个，构造一个三层X络的结构为。输出层与隐含层之间用非负函数，隐含层与输

6、入层之间用对称函数,在训练时选用X络学习速率为。　　将改进后的神经X络的控制器用于加热炉控制系统中，取输入为阶跃信号用中对加热炉控制系统进行建模并仿真。　　实验一：传统控制器下的阶跃响应　　　　　　图1普通控制阶跃响应曲线　　实验二：增量式控制器下的阶跃响应　　　　图2增量式控制阶跃响应曲线　　实验三：基于改进神经X络的控制器下的阶跃响　　　　图基于改进神经X络的控制阶跃响应曲线　　4.结论　　以上仿真结果说明，基于改进共轭梯度法神经X络控制算法较好的解决了被控对象存在时变性和滞后性的问题，同时克服了算法收敛慢，不易达到全局最优的缺点，有效地提高了加

7、热炉控制系统的性能，具有一定的经济效益。