神经网络预测控制在加热炉炉温控制与优化中的应用

• 作 者: 于洪磊
• 机 构: 东北大学
• 出 处: 东北大学
• 发表日期: 2009年期
• 关键词: 预测控制 BP网络 优化控制器 钢坯加热炉 炉温控制

加热炉是轧钢生产线上的重要设备之一,也是钢铁工业中的耗能大户,因此提高加热炉的加热效率,降低能耗,对整个钢铁工业的节能具有重要的意义。特别是随着现代化轧机向连续、大型、高速、高精度和多品种方向发展,对冶金加热炉的模型研究和优化控制提出了越来越高的要求。但由于加热炉是一个典型的复杂工业被控对象,其间包括热力学的、化学的和物理的各种过程,它具有多变量、时变、非线性、强耦合、大惯性和纯滞后等特点,而且炉内钢温分布不能直接测量、外界扰动因素多,加热过程受多种生产工艺因素的制约。因此加热炉的优化控制是一个复杂的控制与优化问题,采用常规控制技术难以取得良好的优化控制效果。本文从钢坯加热炉生产实际和现代工业复杂化的实际出发,阐述了加热炉优化控制的应用现状与研究现状,并指出了目前加热炉优化控制中存在的问题。针对钢坯加热炉系统非线性、大惯性、大滞后的问题,本文在查阅大量相关参考文献的基础上,结合钢坯加热炉的生产实际,提出采用基于神经网络的预测控制策略对加热炉炉温进行控制。首先建立加热炉的炉温预测模型。由于加热炉是复杂的非线性系统,难以用精确的数学模型来描述。本文以现场数据为基础,采用BP神经网络建立炉温的预测模型以预测炉温的未来输出值,并采用反馈校正,以克服系统中由于其他不确定性扰动造成的模型预测误差,得到较为精确的炉温预测值。在此基础上,根据定义的二次性能指标建立炉温优化控制器,对控制变量进行滚动优化,得到系统未来的控制序列。MATLAB仿真结果表明,该系统对炉温的变化具有很好的跟随性,调整时间较短,而且具有较强的抗干扰性和鲁棒性,为其在实际生产中的应用奠定了基础。