BP神经网络在加热炉控制系统中的应用
神经网络模糊PID控制在加热炉煤气流量控制中的应用
Ｌ Ｕ Ｈ ｉｉｇ Ｉ ｕ ，ＬＵ Ｊ －ｉｇ Ｉ ｕ－ｎ ，Ｌ ｎ Ｉ ｉ ｙｎ ｊ Ｋ ｅ （ ａｕｔ ｆｎ ｒ ｔ ｎＥ ｇｎ ｅｉｇ ｎ ｕｏ ｔ ｎ Ｋｕ ｍｉｇＵ ｉｅｓ ｆ ｃｅｃ ｄＴｃ ｎ ｌｇ，Ｋ ｎ ｎ ５ ０ ｈｎ ） Ｆ ｃ ｌ ｏ Ｉｆ ｍａ ｏ ｎ ｉｅｒ ｄＡ ｔｍａ ｏ ， ｎ ｎ ｎｖ ｒｉ ｏ ｉ ｅａ ｅｈ ｏｏｙ ｕ ｍｉｇ ０５ ，Ｃ ｉａ ｙ ｏ ｉ ｎａ ｉ ｙ ｔ Ｓ ｎ ｎ ６ １
Ｋｅ ｒ ｓ ｅ ｔ ｇ ｆｒ ａ ｅ ｆ ｏ ｔ ｌ ｎ ｕ ａ ｅ ｏ ｋ ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｙ ｗｏ ｄ ：ｈ ａ ｉ ｎ ｃ ； ｌ ｎ ｕ ｘ ｕ ｃ ｎ ｒ ； ｅ ｒ ｌ ｔ ｒ ； ｕ ｚ ｏ ｔｏ ｏ ｎｗ
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 。近几 十年 来，关于加热炉 自动控 制的研究 工作主要集 中在 燃烧控
ｌ ｄ ａｕ ｌ ｉｕｂｎ ｅ ｏ ｓ ｅｉｇ ｕｎｎ ｏ ｄｔ ｎ ｈｅ ｄｕｔ ｇｏ ｔｍｐｒｔｒ ｆｕｎｃ ｃｏ ｌｈ ｄｍａｎ ｙｃａ ｇｓ ｕ ａ ａ ｓａｄｓ ｒａ ｃ．Ｃ ｎ ｉ ｒ ｒｉｇｃｎ ｉｏ ，ｔ ｊｓｎ ｆｅ ｅａｕｅｏ ｒ ａｅｉａｃ ｍｐｉ ｅ ｉｌ ｂ ｌ ａ ｘ ｇｎｃ ｔ ｄ ｎｂ ｉ ａ ｉ ｆ ｓ ｓ ｙ ｏ ｆ ｌ
神经网络算法在炉温控制中的应用研究
神经网络算法在炉温控制中的应用研究炉温控制是现代工业生产中非常重要的一个环节，因为温度的控制能够保障生产工艺不受影响，产品质量稳定，损耗降低，耗电量降低等多种意义。
而在过去，人们进行炉温控制时常常需要凭借经验和手动调节。
然而，随着高智能技术的发展，越来越多的工业生产开始引入计算机技术和智能算法，神经网络算法也逐渐成为炉温控制领域的研究热点。
本文将探讨神经网络算法在炉温控制中的应用研究。
一、神经网络算法的工作原理神经网络算法是一种模拟人脑神经系统的计算模型，它模拟了神经元之间的信息传递过程。
神经元接收到刺激信息后，会产生电信号并向周围的神经元传递，形成网络。
神经网络算法的基本组成部分是“神经元”，它们之间相互连接，并根据输入信号的反馈来调整各自的链接权重，最终输出结果。
神经网络算法有以下几个主要特点：1. 神经网络算法具有自适应性。
神经网络能够根据不断变化的环境或数据，不断调整神经元之间的链接强度，从而达到不断优化结果的目的。
2. 神经网络算法能够处理非线性问题。
由于神经网络具有非线性的激活函数，它能够处理比较复杂的非线性问题，如图像识别、语音识别等。
3. 神经网络算法具有“记忆功能”。
只要数据被输入到神经网络中，那么神经网络就会对这些数据进行“学习”，并用所“学习”的知识来处理新的数据。
二、神经网络算法在炉温控制中的应用由于炉温控制涉及到多个复杂的参数，如炉温、燃料消耗量、风门开度等，因此炉温控制的过程既需要人工经验，也需要科学技术的支持。
神经网络算法具有自适应性和记忆功能等特点，因此在炉温控制中有着广泛的应用。
1. 神经网络算法在炉温预测中的应用神经网络算法能够根据炉内的多个参数，如燃烧室温度、燃料消耗量、燃烧空气量等，提前预测炉温的变化情况。
通过对神经网络网络进行训练，可以输出预测的炉温值，以便工作人员根据预测值来调整参数，从而达到控制炉温的目的。
该方法具有较高的实时性，能够较好地预测炉温变化的趋势，提高了炉温控制的精度。
BP神经网络PID控制器在热油锅炉温控中的应用
Abstract: The PID control algorithm based on BP neural network was introduced，combining with multi- mode control theory，BP neural network PID controller was applied to the temperature control of hot oil boiler. The neural network PID was compared with the ordinary PID control. The results show that the method has the characteristics of small overshoot，short time and good robustness，which makes up for the shortcomings of conventional PID in the boiler temperature control，such as the parameters is difficuit to be adjusted. This control strategy is applied to the temperature control of hot oil boiler，and the self-control system of the boiler is constructed to make the boiler in the best combustion state and ensure the safe and economical operation of the boiler.
BP神经网络PID控制器在汽温控制中的应用
《自动化仪表》第27卷第12期 2006年12月BP 神经网络PI D 控制器在汽温控制中的应用The App li c ati o n of BP Neur a lNe t w ork Based P I D Con troll e r i n Superheated Steam Temper atu r e Con trol Syste m王万召 王增欣(平顶山工学院建筑环境与热能工程系,平顶山 467000)摘 要:通过将BP 神经网络和常规PI D 控制器结合,提出了一种新的火电厂超临界机组过热汽温控制方案。
将这种方法应用于主汽温控制,可以有效克服过热汽温对象的大滞后和大惯性,并能够克服对象在运行中参数变化的影响,获得良好的控制品质。
仿真试验表明:所设计的系统在控制品质、鲁棒性方面明显优于常规P I D 控制系统。
关键词:BP 神经网络 P I D 控制器 超临界机组 过热汽温 大迟延中图分类号:TP273;TK323 文献标识码:BAbstract :By co mb i ni ng t he BP neural net work w it h conventi ona lP I D contro ller ,a ne w t empera t ure control strategy of superheated stea m i n su -percriti cal electr i c po w er pl ant is put f or w ard .Th i s sche m e can effectivel y overco me t he large tm i e delay and i nertia o f t he superhea t ed steam and t he i nfl uence of ob j ect i n vary i ng operati onal parameters ,thus excellent contro l quali ty i s obt a i ned .Through sm i ulati on i n vari ous sit uati ons ,it va li dat es that the control q uality and t he robust ness of this contro l syste m are apparentl y superi or to t he conventi onal PID control syste m .K ey words :BP neura l net w ork PID contro ller Supercr itica l power unit Superheated stea m te mperat ure Large tm i e de l ay0 引言火电厂锅炉过热汽温控制系统是提高机组热效率和保证机组安全运行的重要组成部分。
基于神经网络PID炉温控制系统设计_石晓瑛
第27卷第1期2008年3月武 汉 工 业 学 院 学 报J o u r n a l o f Wu h a n P o l y t e c h n i c U n i v e r s i t y V o l .27N o .1M a r .2008 收稿日期:2007-07-16作者简介:石晓瑛(1973-),女,湖北省武汉市人,讲师。
文章编号:1009-4881(2008)01-0043-03基于神经网络P I D 炉温控制系统设计石晓瑛(华东交通大学电气与电子工程学院,江西南昌330013)摘 要:将B P 神经网络控制策略引入炉温控制系统,通过神经网络模拟实现P I D 控制器参数在线调整。
在电阻炉炉温控制系统模型的基础上,详细介绍了神经网络P I D 控制器的算法,并对经典P I D 参数选取进行了分析。
最后将神经网络P I D 与经典P I D 控制效果进行了仿真比较。
关键词:B P 神经网络;P I D 控制器;仿真中图分类号:T P 273.5 文献标识码:A0 引言电阻炉广泛应用于冶金、化工、机械等各类工业控制过程中,炉温控制对产品质量具有重要影响。
采用单片机对炉温进行控制,实现电炉输入功率和炉温的连续调节及控制,可以大幅度提高温度控制系统的各项技术指标,并能有效提高产品的质量,节约能源,具有良好的经济效益和推广价值。
利用工业总线将单片机与上位机相连实时监测烧结过程中的各种参量变化,工控机作为集中监控系统的上位机,采集现场实时数据并记录保存,作为系统输入数据。
根据设定的工艺曲线结合生产计划要求与输入数据决定控制参数。
本文采用B P 神经网络控制策略,通过B P 神经网络模拟实现P I D 参数在线调整,炉温能自动跟随给定的温度曲线,满足产品的特殊工艺要求[1]。
1 控制系统分析基于B P 神经网络参数自整定P I D 控制系统结构图如图1所示。
控制系统采用负反馈,将设定温度r i n 与实际温度y o u t 比较形成偏差e (k ),经过P I D 控制器输出控制量u (k )对被控对象进行控制。
基于神经网络解耦的电加热炉温控系统
基于神经网络解耦的电加热炉温控系统作者：贺丽来源：《无线互联科技》2014年第08期摘要：针对电加热炉温区间强耦合的特点，分析加热炉结构特点及其耦合性，设计分散式神经网络开环解耦器对相邻温区进行解耦，采用模糊PID控制算法对系统进行控制。
系统有效进行解耦，实现了温度的精确控制。
关键词：神经网络解耦；模糊PID；加热炉随着稀有金属管材广泛的应用于航空、航天、航海、核电、石油化工等领域，对其质量要求越来越高。
电加热炉是稀有金属管材加工重要设备，温度的精确控制对稀有金属管材的质量有重大意义。
加热炉各个温区之间存在强耦合，传统的单一控制策略难以实现温度的苛刻要求。
本文研制基于神经网络解耦与模糊-PID控制相结合的温度控制系统，降低两温区间的耦合性，提高温度的精确控制，增加系统运行的可靠性和准确性。
1 加热炉设备特点与耦合性分析1.1 加热炉设备与工艺特点本文研究对象为电加热炉，外加热炉共分两段，采用对半平移开合结构，整个加热炉由2块半圆体组成，运行在加热室的外层，加热体为Cr20Ni80电阻带，各温区空间开放，热量可自由流动。
退火炉炉体结构如下图所示。
1.2 加热炉温区间耦合分析与数学模型该系统采用两区控温，通过改变加热体的供电功率来调整炉温，由于实际运行中，各个温区加热速度难以一致，热量相互传送和干扰，造成相邻温区间输入输出关系的耦合现象。
电加热炉加热速度缓慢，热传递效率低，输入响应之间存在时间延迟。
工件温度的精确控制具有很大的滞后性和不确定性。
根据对现场数据和相关资料分析，对加热炉采用传递函数作为相邻温区间的传递函数。
2 加热炉温度控制策略考虑到相邻温区间存在较强的耦合性，严重影响管材质量。
本文针对加热炉耦和特点，建立双输入双输出系统，采用神经网络进行解耦且温区采用独立的模糊PID控制器。
神经网络解耦与模糊PID综合控制策略，整个系统由模糊PID控制器，神经网络解耦器及被控对象组成。
本系统采用分散式神经网络开环解耦器，解耦器由n（n×1）个单输入单输出神经网络构成（n 为耦合系统的输入）。
基于遗传算法改进的BP神经网络加热炉控制系统参数优化
基于遗传算法改进的BP神经网络加热炉控制系统参数优化本文采用遗传算法改进BP神经网络实现了加热炉控制参数的优化，进一步提高了加热炉的热控制精度和稳定性。
论文的第一部分介绍了加热炉控制系统的基本原理和目标：实现对炉内温度的控制，以达到最佳的生产效果。
同时，本文介绍了BP神经网络的基本原理和遗传算法的基本思路，以此作为后续实验的理论基础。
在第二部分中，本文详细介绍了实现算法的过程。
首先，我们建立了一个基础的BP神经网络模型，并对其进行了训练和优化。
通过数据的反复测试和实验，我们发现这个模型的预测精度和稳定性存在一定的问题，因此需要进一步优化。
接下来，本文采用遗传算法来对BP神经网络的参数进行调节。
我们将网络的参数抽象成“染色体”的形式，通过不断地迭代、进化和选择，找到最优的参数组合。
在实验中，我们设定了适应度函数、交叉概率、变异概率等参数，以获得最佳的实验结果。
最终，通过遗传算法的改进，BP神经网络的预测精度和稳定性得到了大幅提升。
论文的第三部分展示了实验的结果和分析。
我们将实验数据以图表的形式展示，并结合。
图表分析，对实验结果进行了详细的解释和说明。
通过统计分析和对比，我们发现：经过遗传算法的改进，BP神经网络的热控制精度和稳定性得到了显著的提升，其中最高的精度提升达到了50%以上。
这表明，该方法可以在实际应用中发挥出良好的效果，并对提高加热炉的生产效率和控制质量有着积极的推动作用。
最后，在结论部分，本文对实验结果做了总结和讨论，并对未来工作的方向提出了展望。
我们相信，该方法在未来的应用中仍有很大的潜力和挑战，期待更多的研究者投入到这个领域来，一起推动控制技术的发展和进步。
加热炉炉温神经网络预测模型的开发
加热炉炉温神经网络预测模型的开发谭玉倩;曹磊;钟闻【摘要】The temperature inside heating furnace is hard to predict due to nonlinear, high hysteretic and big inertia of the system. Aimed to the wide-heavy plate heating furnace of Laiwu Steel, system parameters fully close to emulated object were obtained through neural network training. Finally this approach was used to predict temperature inside the wide-heavy plate heating furnace of Laiwu Steel, the results of which showed that the method predicts accurately, bears practical significance, provides reliable basis for furnace temperature control, improves production efficiency and reduces energy consumption.%针对加热炉系统非线性、大滞后、大惯性，炉温难以有效预测的问题，以山东钢铁莱芜分公司宽厚板加热炉为研究对象，通过神经网络训练获得充分逼近仿真对象的系统参数，最后使用该方法对莱钢宽厚板加热炉炉温进行预测，结果说明该方法预测准确，具有较强的实践意义，为炉温控制提供了可靠依据，提高了生产效率，降低了能耗。
【期刊名称】《冶金动力》【年(卷),期】2014(000)004【总页数】4页(P58-60,65)【关键词】加热炉炉温;学习速率;动量因子;BP神经网络【作者】谭玉倩;曹磊;钟闻【作者单位】山东钢铁股份有限公司莱芜分公司自动化部，山东莱芜 271104;山东钢铁股份有限公司莱芜分公司自动化部，山东莱芜 271104;山东钢铁股份有限公司莱芜分公司自动化部，山东莱芜 271104【正文语种】中文【中图分类】TP311.5加热炉是钢铁工业热轧钢生产线上关键的设备之一，也是轧钢生产中能耗最大的设备。
BP神经网络在加热炉虚拟测温系统中的设计与实现
BP神经网络在加热炉虚拟测温系统中的设计与实现BP神经网络（Back Propagation Neural Network）是一种典型的人工神经网络模型，具有自适应性和非线性映射能力，被广泛应用于各种领域。
本文将探讨BP神经网络在加热炉虚拟测温系统中的设计与实现。
加热炉是工业生产中常见的设备，用于将物体加热至特定温度。
在传统的加热炉温度控制系统中，通常使用传感器实时测量温度，并通过调节加热介质的能量输入来保持温度稳定。
然而，传统温度控制系统存在一些问题，如系统响应慢、控制精度低等。
因此，设计一个虚拟测温系统来提高加热炉的温度控制性能变得非常重要。
BP神经网络由输入层、隐藏层和输出层组成，其中输入层接收传感器实时测量的数据，隐藏层通过非线性转换将输入信号映射到合适的维度，输出层通过反向传播学习算法对温度进行预测。
以下将详细介绍BP神经网络在加热炉虚拟测温系统中的设计与实现。
首先，需要收集加热炉的历史数据，包括加热介质的能量输入和实际测温数据。
这些数据将被用作BP神经网络的训练数据，通过大量的历史数据，网络可以学习到加热炉的非线性温度特性。
同时，还需准备一个用于验证网络性能的数据集。
接下来，需要确定BP神经网络的网络结构和参数。
网络的输入层神经元数量应与加热炉的测量数据维度相匹配，隐藏层神经元数量可以根据经验或试验进行调整，输出层神经元数量为1，即预测的温度值。
网络的参数包括学习率、动量因子等，通过试验和优化来确定最佳数值。
完成网络结构和参数的准备后，开始进行BP神经网络的训练和验证。
首先，将训练数据集输入网络中，通过前向传播计算网络的输出值，然后使用反向传播算法根据输出值和真实值之间的误差来调整网络的权值和阈值。
反复迭代此过程，直到网络的性能满足需求。
完成网络的训练后，进行网络的测试和验证。
将验证数据集输入网络，通过前向传播计算网络的输出值，并与真实值对比来评估网络的预测性能。
如果网络的预测误差在可接受范围内，则可以将该网络应用于加热炉的虚拟测温系统中。
模糊BP神经网络控制在水泥分解炉温度控制系统中的应用
模糊BP神经网络控制在水泥分解炉温度控制系统中的应用水泥烧成系统中分解炉温度的控制是一个典型的多变量、大迟滞、强耦合、非线性的复杂控制对象，很难建立起非常精确的数学控制模型，常规的控制算法几乎都无法取得满意的控制效果。
针对这一问题，文章先分析确定了影响分解炉温度的常量，采用神经网络算法构建预测模型，然后经模糊控制器得到喷煤量并调节这一常量来稳定分解炉内部温度。
经现场实际应用结果表明此温度控制系统响应速度快，实际控制温度与正常值误差较小，具有良好的鲁棒性、可靠性。
标签：分解炉；温度控制；神经网络；预测控制；模糊控制引言随着国内外房地产行业的蓬勃发展和建材行业的加速转型，水泥产业目前正处于产品结构和技术创新调整的重要时期。
，采用预分解技术的新型干法水泥生产工艺及优化控制策略已经成为我国水泥产业的发展趋势。
分解炉是预分解技术的核心模块，承担了预分解系统中煤粉燃烧、气固换热以及碳酸盐的分解等任务，保持炉温的稳定对于保持整个预分解系统的热力分布和热工制度的稳定至关重要。
但分解炉的控制具有非线性、大滞后性、强耦合性等特点，这决定了该系统的控制将会非常复杂。
针对以上问题，根据预测控制具有很强的鲁棒性，不依赖具体数学模型和在线滚动优化的特点，文章采用基于神经网络建模的预测控制并结合模糊控制方法，提出了一种可应用于新型水泥干法烧成系统分解炉温度控制的算法。
1 水泥分解炉工作原理和影响因素分解炉作为水泥烧成系统的第一个环节，其温度的控制对整个烧成系统起到了至关重要的作用，温度过高或过低，都会对系统产生很大的影响甚至停止运行，对生产公司的产销早成很大的影响。
二次风风温、三次风风温、煤粉的成分、预热后生料入炉前的温度、生料的成分以及分解炉自身散热等等都会影响分解炉温度。
在影响分解炉温度的众多因素中，通过对分解炉结构的分析和实际操作人员经验的总结，我们得出影响分解炉参数时变的主要因素有三个，煤粉流量、三次风量和生料流量。
基于BP神经网络的燃烧控制系统
基于BP神经网络的燃烧控制系统4.1 神经网络4.1.1神经网络简介神经网络(Artificial Neural Networks，简称NN)是模仿人脑工作方式而设计的一种机器，它可用电子元件实现，也可用软件在计算机上实现。
NN也可以说是一种具有大量连接的并行分布式处理器，由处理单元和有向连接组成，通过对输入施加作用获取输出。
神经网络具有通过学习获取知识并解决问题的能力，其知识存储在连接权中。
神经网络自1943年被提出以后大致经历了四个发展阶段。
从1943年到60年代，在这一阶段提出了多种网络模型和相关算法；60年代末至70年代，由于电子线路交叉极限的困难难以克服，使神经元的数量受到限制，导致神经网络的发展进入低潮，相关研究工作进展缓慢。
80年代到90年代初期，由于Hopfield神经网络模型的提出，以及能量函数和稳定性等概念的产生使神经网络又获得了新的发展，相关的模型、算法和应用问题被提出。
90年代以后，神经网络在经历了80年代末到90年代初的高潮后，硬件技术、应用范围与理论水平都有了很大的进展，开始进入了稳健发展时期。
4.1.2神经网络模型神经网络是由大量神经元按一定的结构连接而成，来完成不同信息(包括智能信息)处理任务的非线性系统。
不同神经元之间通过各自的突触权值来表示不同的连接关系。
在学习的过程中不断调整突触权值，使网络实际输出不断逼近期望输出。
图4-1是基本的神经元模型，其中X1 ... Xn是神经元的输入，W1…Wn是输入连接权值，T是神经元的阈值(也称偏执量)。
神经元由三个基本要素构成：x 1x i x图4- 1 神经元模型 (1)连接权，用来表示连接强度，权值为正表示激励，为负表示抑制；(2)求和单元，用于求取输入变量的加权和；(3)非线性激励函数，也称活化函数，用来实现函数映射并限制神经元输出幅度。
活化函数可以是线性也可以是非线性，不同的活化函数可以构成不同的模型。
常用的活化函数类型有线性函数(比例函数)、硬限函数、饱和线性函数(分段函数)、S 形函数等。
基于遗传算法改进的BP神经网络加热炉控制系统参数优化
基于遗传算法改进的BP神经网络加热炉控制系统参数优化摘要以加热炉控制系统为研究对象，提出了一种基于遗传算法改进的BP网络优化PID控制参数方法，并与经典的临界比例度―Ziegler-Nichols方法进行比较。
仿真结果表明该算法具有较好的控制效果。
关键词 PID控制；BP神经网络；遗传算法；参数优化1 引言由于常规PID控制具有鲁棒性好，结构简单等优点，在工业控制中得到了广泛的应用。
PID控制的基本思想是将P（偏差的比例），I（偏差的积分）和 D （偏差的微分）进线性组合构成控制器，对被控对象进行控制。
所以系统控制的优劣取决于这三个参数。
但是常规PID控制参数往往不能进行在线调整，难以适应对象的变化，另外对高阶或者多变量的强耦合过程，由于整定条件的限制，以及对象的动态特性随着环境等的变化而变化，PID参数也很难达到最优的状态。
神经网络具有自组织、自学习等优点，提出了利用BP神经网络的学习方法，对控制器参数进行在线调整，以满足控制要求。
由于BP神经网络学习过程较慢，可能导致局部极小点[2]。
本文提出了改进的BP算法，将遗传算法和BP算法结合对网络阈值和权值进行优化，避免权值和阈值陷入局部极小点。
2 加热炉的PID控制加热炉控制系统如图1所示，控制规律常采用PID控制规律。
图1 加热炉控制系统简图若加热炉具有的数学模型为：则PID控制过程箭图可以用图2表示。
其中，采用经典参数整定方法――临界比例度对上述闭环系统进行参数整定，确定PID控制器中 K p=2.259， K i=0.869， K d=0.276。
参考输入为单位阶跃信号，仿真曲线如图3所示。
图2 PID控制系统图3 Z―N整定的控制曲线仿真曲线表明，通过Z―N方法整定的参数控制效果不佳，加上PID参数不易实现在线调整，所以该方法不宜用于加热炉的在线控制。
3 基于遗传算法改进的BP神经网络PID控制器参数优化整定对于加热炉控制系统设计的神经网络自整定PID控制，它不依赖对象的模型知识，在网络结构确定之后，其控制功能能否达到要求完全取决于学习算法。
BP神经网络用于三相电弧炉弧流控制
是 网 络 训 练 的 第 一 步 。在 第 一 步 的 训 练 中 要 包 括 被 控
对 象 ，被 控 对 象 的 模 型 处 理 如 下 ：
考 虑 到 电 弧 炉 在 平 衡 点 附 近 工 作 时 ，认 为 进 线 电
压 基 本 不 变 ，这 样 炉 内 各 种 因 素 引 起 弧 流 的 变 化 最 终
即 为 被 控 对 象 的 控 制 输 入 ，记 为 UA O 、UBO 、UCO 。被 控
对 象 的 输 出 为 实 际 电 流 值 A 、B 、C 。
" 网络的训练方法和步骤
BP 网 络 的 训 练 条 件 是 除 需 提 供 足 够 的 输 入 训 练
样本外，还要有合理的与输入样本对应的输出目标
自动化与仪器仪表
BP 神经网络用于三相电弧炉弧流控制
辽 宁 鞍 山 钢 铁 学 院（ ll4002 ） 沈 文 轩 陈 剑 洪
摘 要 # 针 对 电 极 升 降 式 控 制 的 三 相 电 弧 炉 弧 流 之 间 具 有 强 耦 合 的 特 点 ，提 出 了 采 用 神 经 网 络 控 制 器 ，在 电 流 超 过 允 许 偏 差 时 并 行 计 算 出 三 相 电 极 的 调 节 量 ，达 到 减 少 调 节 过 程 和 调 节 机 构 动 作 次数的目的。并提出了离线训练方法和仿真模型。
( k ) > ZAB
(k)-(
110 IB
2
2
2
) > [ Z AB ( k ) + Z AB ( k ) > Z BC ( k ) + Z BC ( k ) ] = 0( 5 )
#2 $Z CA
2
( k ) > Z BC
基于BP神经网络算法的三区电加热炉温度微机控制系统
Three-section Electric Cooker＇s Temperature Control System Basing on BP Nerve-meshwork＇s
PID Algorithm
作者： 舒展
作者机构： 九江职业大学信息工程学院,江西九江332000
出版物刊名： 九江职业技术学院学报
页码： 21-23页
年卷期： 2011年 第2期
主题词： BP神经网络 PID MATLAB GUI 炉温控制
摘要：三区电加热炉温度微机控制系统的控制软件系统基于MATLAB的GUI界面编制,并将基于BP神经网络参数自学习PID控制器具体应用到炉温控制系统中。
软件使用Mathworks公司的MATLAB 6.1的m语言编写,采用MATLAB的Instrument Control工具箱实现串行通信,通过利用MATLAB与其他外部程序的mex函数接口实现定时功能,并运用其M语言函数编写应用程序,完成计算、曲线绘制、数据储存、界面显示等复杂功能。
BP神经网络模糊控制在电弧炉电极调节系统中的实现
BP神经网络模糊控制在电弧炉电极调节系统中的实现
黄亮;赵辉
【期刊名称】《电气自动化》
【年(卷),期】2010(32)3
【摘要】针对电弧炉电极调节系统,建立其数学模型.分析了电弧炉电极调节系统的非线性,并针对控制对象的复杂性,将具有自学习功能的BP神经网络与模糊控制相结合,提出了基于BP神经网络模糊控制的控制算法.BP神经网络模糊控制的控制算法改善了传统神经网络学习时间长、收敛速度慢的弱点,解决了传统控制未知复杂系统的不足,Matlab6.5软件仿真结果表明,采用BP神经网络模糊控制的控制算法的控制效果是令人满意的.
【总页数】3页(P18-20)
【作者】黄亮;赵辉
【作者单位】天津理工大学自动化学院,天津,300384;天津理工大学自动化学院,天津,300384
【正文语种】中文
【中图分类】TP273
【相关文献】
1.电弧炉电极调节系统的模糊解耦控制器 [J], 鲁军;霍金彪;张广跃
2.基于西门子PLC的模糊控制在电弧炉电极调节中的应用 [J], 刘文远;毛一之;杨子亮
3.模糊控制在电弧炉调节系统中的应用 [J], 刘伟
4.电弧炉电极调节系统模糊自适应PID控制器设计 [J], 鲁军;李亮
5.BP网络规则PID在电弧炉电极调节系统中的实现 [J], 黄亮;赵辉
因版权原因，仅展示原文概要，查看原文内容请购买。
浅谈神经网络在加热炉温度控制中的应用
［ 李 国勇． 能控制及 其 Ｍ Ｔ Ａ ２ ］ 智 Ａ Ｌ Ｂ实 现 【 ］北京 ： Ｍ． 电子工业
出版 社 ，０ ５ ２０ ．
０
５ ０
ቤተ መጻሕፍቲ ባይዱ
ｔ ｅ） ｉ （ ｍ ｓ
［］ ３ 刘金琨． 智能控制［ 】北京 ： Ｍ． 电子 工业 出版 社 ，０５ ２０． ［ 李 云娟 ， ４ ］ 方彦军 ． 一种 Ｒ Ｆ神 经 网络 自适应 ＰＤ控 制器在 Ｂ Ｉ 超 临 界 温 度 系 统 的 应 用 研 究 叨． 自动 化 技 术 与 应 用 ，
Ｔｈ ｐｉａ ｉ ｎａ ｄ Ｒｅ ｅ ｒ ｈｏ ｕ ａ ｔ ｒ ｎ Ｔ ｍｐ ｒ ｔ ｒ ｅ Ａｐ ｌ ｔ ｎ ｓ ａ ｃ ｆ ｃ ｏ Ｎｅ ｒ ｌ Ｎｅ ｗｏ ｋｏ ｅ ｅａｕ ｅ
Ｃｏ ｔ ｌ ｆ ａ ｉｇ Ｆ ｒ ａ ｅ ｎｒ ｏ ｏ Ｈｅ ｔ ｕ ｎ ｃ ｎ
从图中可以看 出 ，Ｉ ＰＤ控制下 的响应速度快 ， 但
收 稿 日期 ：０ １０ — ３ ２ １－ ８ ０ 作者简介 ： 姜文娟 （ ９ ９ ）女 ， １７ 一 ， 山东海 阳人 ， 师 ， 讲 工学硕 士 ， 主要从事智能控制及应用研究 。
５ ６
《 装备制造技术） ０ １ ２ １ 年第 １ 期 １
图 ３为 在 ８ 加 入 （ ） ． ＯＳ ｋ ＝０２的扰 动 时 的响 应
曲线。
ｔ ｅ） ｉ （ ｍ ｓ
●
●Ｌ －
、
图 ５ 加热炉放 大系数 变化 时的响应曲线
一
。
＼ 一 、 、 ～
： ～
一
｛
‘ ｔ。 。 ｆ
．
３ ２
ｌ －Ｉ — 】Ｄ控制 ＇
Ｇｓ＝ （） ｅ
神经网络在轧钢加热炉模式识别与智能控制中的应用
神经网络在轧钢加热炉模式识别与智能控制中的应用摘要：本文分析研究了神经网络的工作原理及其在加热炉模式识别与智能控制系统中应用情况，论述了加热炉模式识别与智能控制的特点。
实践结果表明，这种控制思想是可行的，能够取得满意的控制效果。
关键词：神经网络模式识别轧钢加热炉智能控制一、前言近年来，模拟生物神经系统的神经网络，由于具有学习、自组织等新的信息处理能力，对于模式识别问题有很大的优越性，得到了迅速的发展。
在冶金行业中,轧钢加热炉是轧钢生产过程中的重要设备之一,在实际操作过程中，操作人员依靠传感器的信息，判断炉况，进行操作。
有些判断难以用简单的“IF A THEN B”这样的规则表达，而是根据操作人员的经验，将炉况分成几种模式，用神经网络来识别目前炉况属于那种模式，对其进行操作进行指导，或作为专家系统的补充，有较大的作用。
二、神经网络模型神经网络是模拟生物的神经系统（特别是脑）功能的网络。
人脑约由150亿个神经细胞组成，每个细胞同数千、数万个神经细胞相联系，形成网络。
这样，神经细胞模型可以看作是n输入单输出的信息处理单元。
某个输入Xi对神经细胞的影响以影响度表示，称为细胞的结合权重或效率Wi，这个细包模型如图1所示。
图1 细胞模型细胞的输入有强有弱，当其总合超过某一阀值，则细胞进入兴奋状态，产生输出;当其总合低于阈值时，细胞进入抑制状态，没有输出。
神经细胞之间可以有不同的连接方式，目前已经提出了许多神经网络模型，在神经网络中，由于神经细胞的计算的并行性，其总体计算效率很高。
生物的一个重要特征是有自学习功能，改变神经网络中细胞（或节点）输入端的权重或者细胞兴奋的阀值，控制细胞的兴奋状态，可以实现生物系统所具有的灵活的判断和自学习功能。
神经网络的两种常用的模型。
2.1 多层感知器模型图2 层次感知器神经网络图2是一个三层感知器神经网络，有N个输人，M个输出，一个中间层。
从输入信号x，由内部单元经非线性变换，最终得到输出y。
基于改进神经网络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摘要：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,研究用神经网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神经网络；流量控制神经网络具有自组织，自学习等优点，利用神经网络对控制参数进行自整定，已达到控制要求。
由于神经网络学习过程较慢，可能导致局部极小点。
本文提出一种基于改进神经网络的参数自整定控制器，对神经网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. 基于改进神经网络的加热炉参数优化控制方法2.1 基于神经网络的控制原理把神经网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。
基于神经网络的控制器分为两部分：一部分是经典的控制调制器；第二部分是神经网络，通过神经网络的自学习和自组织能力调节参数，使之达到最优。
2.2 改进神经网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。
基于BP_神经网络的智慧供热管控系统研究与应用
文章编号:1006 2610(2023)03 0042 09基于BP 神经网络的智慧供热管控系统研究与应用王洁瑜,魏鹏刚,杨文栋(中国电建集团西北勘测设计研究院有限公司,西安 710065)摘 要:供热是北方城市居民冬季生活中不可或缺的一部分,但随着社会经济的发展和城市的扩张,城市人口不断增加,目前的供热服务水平已经不能满足北方地区城市化进程中对供热的需求量,且面临着供热管控不足㊁安全把控不力和技术水平有待提高等问题㊂通过利用BP 神经网络技术建立供热负荷预测模型,依托实际工程项目,结合大数据分析技术来预测区域供热负荷,同时利用3D+GIS 技术,构建了一种基于神经网络技术来构建区域的智慧供热管控系统,对区域供热分布进行可视化应用分析㊂结果表明:该智慧供热管控系统可为供热行业信息化发展提供新思路和新方法㊂关键词:BP 神经网络;智慧供热;智慧管控系统中图分类号:C931.6 文献标志码:A DOI :10.3969/j.issn.1006-2610.2023.03.009Research and Application of Intelligent Heat Supply Control System based on BP Neural NetworkWANG Jieyu ,WEI Penggang ,YANG Wendong(PowerChina Northwest Engineering Corporation Limited ,Xi'an 710065,China )Abstract :Heating is an indispensable part of life for urban residents in northern China in winter.However ,with the development of so⁃cial economy and expansion of cities ,the urban population continues to increase ,and the current heating service can no longer meet the demand for heat supply in the process of urbanization in northern China ,and faces problems such as insufficient heat supply control ,poor safety control and weak technical level.By using BP neural network technology to establish a heating load prediction model ,relying on actual engineering projects ,combined with big data analysis technology to predict region heating load ,and using 3D+GIS technology ,a regional intelligent heat supply management and control system based on neural network technology is constructed through which the re⁃gional heat supply distribution is visualized and analyzed.The results show that the intelligent heat supply control system can provide new ideas and methods for the informatization development of the heating industry.Key words :BP neural network ;heating ;intelligent management and control system 收稿日期:2023-02-18 作者简介:王洁瑜(1992-),女,陕西省西安市人,工程师,主要从事工程数字化设计与研究工作.0 前 言随着中国经济发展和科技的不断进步,国民物质水平在有了长足的提高,集中供热已成为北方城市居民冬季生活中必不可少的一部分㊂中国冬季集中供热区主要分布在 秦淮线”以北[1]㊂随着供热需求的快速提高,供热行业开始面临因供热面积大㊁供热用户多等引起的供热管控不力㊁安全把控不足和技术水平有待提高,以及供热信息共享不够等问题,现有供热水平已经不能完全满足整个社会生产㊁生活的需求,亟需在供热系统管控方面进行革新[2-3]㊂同时,互联网技术的飞速发展推动着各行业的快速升级,供热行业也不例外,实现供热产业的信息化管控㊁智慧化管理是大势所趋㊂利用云计算㊁机器学习㊁大数据以及3D+GIS 等新兴技术构建智慧管控系统是实现供热系统信息化㊁数字化㊁科学化管理的重要途径和手段,也是优化提升供热能力和管控模式的当务之急[4]㊂近年来,已有不少学者就供热系统信息化建设做了大量24王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================的相关研究工作㊂针对我国工业热力供应存在耗能高㊁效率低㊁污染排放量大等问题,柴春蕾[5]等人利用云㊁边㊁管㊁端协同方式开发了信息系统与物理系统深度融合的智慧供热系统㊂针对渭源县地区供热系统缺少一个集信息监测与处理于一体的管控平台,无法实现各级热网实时监测,不能反映供热管网实时运行工况,更难以做到供热量远程调控和管网热量平衡调控等问题,康金霞[6]提出了利用物联网技术来构建渭源县的智慧供热体系,用以实现热量的合理分配㊂针对供热管网数量大㊁分布广而散㊁难以集中统一监控管理的难题,李光明等[7]指出可以利用OPC技术和LabVIEW软件进行多通道数据采集和分析管理,进而实现供热系统的实时监管㊂但以上系统主要是对传统供热方式的信息化升级改造,智慧化水平有所欠缺,难以做到对区域供热负荷的前瞻预测,供热管理可视化㊁信息共享和调度优化能力不足㊂本文利用BP神经网络技术建立供热负荷预测模型,结合大数据分析技术来预测区域供热负荷,同时利用3D+GIS技术,构建一种基于神经网络技术来构建区域的智慧供热管控系统,对区域供热分布进行可视化分析,实现区域热源生产数据的汇集管理和信息共享,进而通过智慧管控全面提升供热质量和供热的应急调度能力㊂1 智慧供热管控系统构建一般情况下,供热负荷主要受建筑内外环境条件和建筑自身保温性能影响㊂对于城市的同一个供热片区来讲,建筑自身保温性能应该符合建筑节能工程施工质量验收标准,整体保温性能差异较小;建筑内部环境主要受电器热量和人体辐射等因素影响,波动较小;而建筑外部环境随季节变化较大㊂因此,为实现对供热负荷准确的预测,分析建筑外部环境条件如太阳辐射㊁室外温度㊁湿度㊁风速等对供热负荷的影响,利用BP神经网络建立供热负荷预测模型,并结合3D+GIS技术实现区域供热分布的空间可视化分析,帮助区域供热管理者更好地掌握区域的供热情况,实现合理供热分配,使其可以对供热质量和安全进行把控㊂1.1 基于BP神经网络的供热预测模型设计1.1.1 BP神经网络BP算法是人工神经网络中一种较为典型的学习算法,主要由输入层㊁一个或多个隐含层㊁输出层组成,各层由若干个神经元节点构成,利用输入值㊁作用函数和阈值来预测确定输出值㊂单个隐含层的BP神经网络结构如图1所示㊂图1 BP神经网络的网络结构在供热预测中,建筑外部环境条件数据从输入层经隐含层传向供热负荷输出层,如果在输出层计算的供热负荷与实际情况不符或者未达到预期值,则会通过计算误差进行反向传播,将误差信号沿原来通路返回,通过不断迭代学习修改隐含层各神经元的权值,使得误差信号最小㊂每个神经元节点都对应着一个激活函数f(x)和阈值α㊂在本文中采用的激活函数是非线性的Sigmoid型函数,见式(1):f(x)=1e-x(1) 假设有N对样本(x k~Q k)(k=1,2,3, ,n),其中x k为输入;Q k为期望输出;x k经BP神经网络计算输出结果为y k,此时y k与Q k之间的均方误差可利用式(2)进行计算:E k=12∑M P(y k,p-O k,p)2(2)式中:M为输出层节点数;y k,p为第k样本对第P因素分量的实际输出;O k,p为第k样本的期望输出,因此整个样本集的总误差为:E=∑N1E k(3)34西北水电㊃2023年㊃第3期=============================================== 再利用梯度下降法计算E 的最小值,经过迭代使其满足预设误差阈值,得到能够满足供热预测的BP 神经网络模型㊂1.1.2 建立模型变量本次供热预测模型以对供热负荷影响较大的太阳辐射㊁室外温度㊁空气湿度㊁自然风风速这4个建筑外部环境条件为自变量,以供热负荷量为因变量,研究建筑外部环境条件变化对供热负荷的影响㊂1.1.3 构建热负荷预测模型将4个建筑外部环境条件的实测数据作为输入量,供热负荷作为输出量,利用BP 神经网络构建供热负荷预测模型㊂通过设置误差和学习次数㊁输入训练数据㊁前向传播㊁反向过程等步骤对供热预测模型进行完善直至其计算数据符合误差要求,使模型误差最小,更精确地预测供热负荷㊂1.2 基于3D+GIS 的供热分布空间可视化分析利用开源的3D+GIS 框架,结合热源㊁一级网㊁换热站㊁二级网㊁各社区㊁企业以及供暖建筑分布等信息,开展供热分布空间可视化研究,根据区域的供热工程特性与地理空间分布,划分供热区域,分析区域的供热情况,实现区域的合理供热㊂1.2.1 供热BIM 模型构建依据Revit 平台的采暖建模系统,分别建立供热工程的地质㊁主体结构㊁暖通管线的各专业模型,其中具体包括绘制供㊁回水管,布设换热站㊁散热器及阀件等㊂在此基础上集成并整合各专业模型,形成完整的综合供热BIM 模型,供热BIM 模型管线排布如图2所示㊂图2 供热BIM 模型管线排布1.2.2 多图层服务和BIM+3D+GIS 可视化由于供热数据繁杂,为能充分地展示各种信息数据,更好利用各类数据信息,本系统采用多图层服务和BIM+3D+GIS 可视化服务,将不同种类的数据信息以图层形式进行空间可视化展示,可实现图层之间数据的对比㊁历史数据的演化对比,也可利用系统提供的鹰眼视图和地图书签等进行视图控制㊂同时,数据也可以通过共享模块实现对外共享㊂1.2.3 要素查询定位利用3D+GIS 的空间分析特点,实现信息的基本查询功能,分类查询,可以快速查询定位片区实时状况及各项设施设备㊁巡检人员等相关信息㊂实现设施设备的静态空间和属性信息的综合查询,将查询结果的属性信息以图形或图表的形式显示系统中,能够实时反映区域的供热情况,及时对供热状况进行调整,使其分配更加合理㊂1.2.4 区域划分与监测分析通过3D+GIS 可视化展示,结合不同供热数据信息,根据供热的工程特性及地理特性划分空间区域,对空间信息进行修正,简化信息量以便于数据的操作,并动态生成不同区域的供热变化数据,直观地预测供热系统未来运行情况㊂2 智慧供热管控系统构建智慧供热管控系统建设以工程数据中心建设为基础,通过智能化数据汇集传输㊁网络化大数据分析决策,最终实现供热系统的智慧化管控㊂利用智慧供热管控系统进行数据整合㊁分析和可视化展示,从而达到安全供热㊁平衡供热㊁节能降耗㊁降低漏损的目的,提高供热服务水平和业务管理水平㊂2.1 智慧供热管控系统架构基于 一体化㊁系统化㊁标准化㊁开放性㊁先进实用”的设计原则,采用分层和面向服务的设计思路,构建智慧供热管控系统,系统框架分为感知层㊁网络层㊁数据层㊁应用层㊁用户层㊁展示层共6个层级,如图3所示㊂感知层:由室温采集设施㊁供热计量装置等各类感知设施设备构成,满足供热感知需求,为生产提供长效的数据支撑,并利用覆盖供热输配系统(热源㊁一次网㊁二次网等)的数据信息系统,为供热运行情况的应急管理决策提供依据支撑㊂网络层:感知层的建设实现了智慧供热一体化44王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================平台运维数据的智能采集,各种类型的数据需要回传到云计算中心层进行相应的存储和分析,网络传输通道必不可少㊂结合供热管理不同业务㊁不同场景及不同应用终端网络需求,将综合应用运营商4G /5G 通讯网络㊁主干光纤环网㊁监测自动化组网㊁物联网通信链路和Wi -Fi 网络等形成多网融合的统一网络平台,以满足不用的业务需求㊂图3 系统架构 数据层:数据层主要由5部分组成,即地理信息数据库㊁在线监测数据库㊁运行管理数据库㊁文档多媒体数据库及业务管理数据库㊂其中地理信息系统主要存储热力管线㊁供热设施㊁监测设备等要素,同时空间信息根据要素进行分层的图层方式进行组织管理;在线监测数据库主要存储在线监测仪器所采集得到的热源㊁管网㊁换热站㊁末端计量等实时数据㊂各类数据均依照统一的数据标准进行存储㊁整合㊁调用㊁分析㊁管理和共享㊂应用层:按照智慧供热的不同业务,将功能服务层划分为在线监测系统㊁供热运行监控系统㊁供热运行分析系统㊁供热负荷预测系统㊁供热调度优化系统㊁安全预警系统㊁设备管理系统㊁客服管理系统和收费系统十大业务子系统㊂其中,在线监测系统主要是实时监测热源㊁管网㊁设备等整体运行情况,实现 GIS 一张图”可视化在线监测数据;供热运行监控系统主要是接入换热站监控系统及各前端监测设备数据,实现统一管理及多系统联动㊂以供热运行状态的全面感知㊁信息的即时传达为基础,借助云㊁大㊁物㊁移㊁智等前沿信息技术,实现对供热生产运行维护各个环节进行全方位的高效管控㊂用户层:用户层主要体现智慧供热管控一体化平台的各类用户,包括电投热力企业㊁热用户㊁运维人员等㊂展示层:展示层主要包括PC 端㊁移动端和大屏㊂PC 端主要用于日常运维人员进行生产办公,移动端主要用信息收发㊁流程审批㊁用户缴费和运维信息上传等,大屏主要用来集中展示供热运行实况及宏观数据㊂基于统一数据中心开发适用于不同业务场景下的终端应用,方便不同角色人员在不同环境下应用,从而提高生产管控效率㊂2.2 智慧供热管控系统应用智慧供热管控一体化平台内容包括在线监测系统㊁供热运行监控系统㊁供热运行分析系统㊁供热负荷预测及专家系统㊁供热调度优化系统㊁安全预警系统㊁设备管理系统㊁客服管理系统㊁收费系统等子系54西北水电㊃2023年㊃第3期===============================================统建设㊂2.2.1 在线监测系统在线监测系统可实时监测热源㊁管网㊁设备等整体运行情况,同时展示当前数据与历史数据比对分析结果,实现 GIS 一张图”可视化在线监测数据,在线监测子系统如图4所示㊂图4 在线监测子系统2.2.2 供热运行监控系统供热运行监控系统主要包括实时数据的监控及远程控制两大功能,实现供热运行工况的实时全面展示,可用于监视不利工况点的压差,保障区域供暖系统安全合理地运行,并联动换热站监控系统实现远程控制,供热运行监控子系统如图5所示㊂图5 供热运行监控子系统64王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================2.2.3 供热运行分析系统供热运行分析系统可对热源㊁管网㊁换热站等在内的供热系统数据进行实时分析比对,通过与历史数据的大数据比对分析,可以更好地对供热系统进行精细化监管,供热运行分析系统示意如图6所示㊂图6 供热运行分析子系统2.2.4 供热负荷预测及专家系统基于供热负荷预测模型,在建筑外部环境条件变化时,对热源㊁换热站㊁公共建筑㊁热用户的供热负荷进行预测,并对供热系统进行节能潜力分析和评价,在此基础上由专家系统对供热系统的节能运行提供专业的合理化建议,辅助制定节能运行的控制策略,并联动二次网智能平衡系统,快速实现热量供需平衡,保证日供热负荷,供热负荷预测专家子系统如图7所示㊂图7 供热负荷预测专家子系统74西北水电㊃2023年㊃第3期===============================================2.2.5 供热调度优化系统供热调度优化系统可通过底层提供的温度及流量等数据,经过供热负荷模型的优化计算,筛选出最优调度方案㊂节能减排同时也提升了供暖质量,供热调度优化系统如图8所示㊂图8 供热调度优化子系统2.2.6 安全预警系统安全预警系统可以将实时监测数值与设定的安全数值进行对比,当监测数值超出系统设定的阈值时将发出预警信息,安全预警系统如图9所示㊂图9 安全预警子系统84王洁瑜,魏鹏刚,杨文栋.基于BP 神经网络的智慧供热管控系统研究与应用===============================================2.2.7 设备管理系统设备管理系统通过建立设备台账管理信息,对设备的出厂㊁维修㊁配件更换等记录进行全面记录,同时对临近检修期的设备发出设备检修的提醒,实现对设备的全生命周期管理,设备管理系统如图10所示㊂图10 设备管理子系统图11 客服管理子系统2.2.8 客服管理系统客服管理子系统见图11㊂客服管理系统实现流程化跟踪和管理各项服务的内容,包括用户的报修服务㊁投诉等进行管理,可以按照住址或用户名称查询相关维修㊁投诉等综合信息,并详细记录为用户提供的各项服务和服务中发生的各项费用㊂让客服人员了解用户的全部信息,掌握沟通主动权,及时处理用户提出的服务申请㊂提供包括语音服务㊁人工94西北水电㊃2023年㊃第3期===============================================服务和互联网服务等多种形式综合性信息服务㊂实现用户报修㊁业务受理㊁咨询㊁投诉㊁催费㊁查询和回访等具体业务,提高用户满意度㊂2.2.9 收费管理系统收费管理系统可显示末端用户缴费信息,可计量㊁收集末端用户用热信息;具备开放接口,可扩展收费管理功能㊂3 结 语本文依托实际供热工程项目构建智慧供热管控一体化平台,该平台采用云大物移智㊁GIS及智能模型等先进技术,实现用热单位及居民室内温度㊁管网压力㊁流量㊁热媒温度㊁换热站和热源厂等生产数据的汇集管理,实现供热数据㊁能耗可视化分析,优化供热调度,提升安全预警能力,并实现系统内各种业务数据互通,实现信息共享,消除信息孤岛,向各业务提供数据服务,为管理者提供决策支持,同时开通用户网上缴费服务,更加精细㊁动态管理供热系统的整个生产㊁管理和服务流程㊂参考文献:[1] 蔡俊华.夏热冬冷地区实施集中供热的可行性[C]//中国市政工程华北设计研究总院有限公司.中国建设科技集团股份有限公司.2021供热工程建设与高效运行研讨会论文集.天津:‘煤气与热力“杂志社有限公司,2021:151-156. [2] 蒋涵.智慧供热信息化平台建设实例分析[C]//中国市政工程华北设计研究总院有限公司.中国建设科技集团股份有限公司.2021供热工程建设与高效运行研讨会论文集.天津:‘煤气与热力“杂志社有限公司,2021:817-822.[3] 李昊.基于多维决策向量的多热源联网大型供热系统调度优化[D].杭州:浙江大学,2021.[4] 许广平.集中供热的智慧化管理与控制策略探讨[J].科技资讯,2019,17(19):92-93.[5] 柴春蕾.智慧供热系统研究与架构设计[J].物联网技术,2020(05):109-111.[6] 康金霞.智慧供热信息化建设管理系统研究 以渭源县为案例[J].江西建材,2020(04):187-188.[7] 李光明,赵立强,高远谋.城市供热监控与智能化管理系统的设计与实现[J].信息通信,2016(09):58-60. (上接第24页)7 结 语库区复建道路作为移民安置规划中一项重要的组成部分,是水库生产安置移民最主要的交通运输方式,关系到库区安置群众的生产㊁生活,关系到水库移民的经济社会发展,关系到建设区域的生态环境保护,同时也直接影响着国家资金投入的多少㊂因此,在建设过程中,设计人员应把好 第一道关”,充分发挥作用,干出一条经济安全㊁生态环保㊁人民满意的绿色通道㊂参考文献:[1] 闫醒春,王海云.水库库区公路路线设计及工程地质问题探究[J].甘肃科技,2006,22(09):139-141.[2] 李鹏.山区公路勘察设计常见的问题及对策[J].黑龙江交通科技,2018,41(09):71-73.[3] 王立民.公路路基设计中边坡防护技术分析[J].北方建筑,2022(05):23-26.[4] 杨欢.实例探析道路路线平㊁纵㊁横断面设计要点[J].黑龙江交通科技,2015(07):35-36.[5] 刘婷.公路路线设计中存在的问题及要点分析[J].交通世界,2019(14):57-58.[6] 祁荣欣.山区公路路线设计与质量控制研究[J].工程与建设,2022(02):74-76.[7] 李智.公路工程设计中的路线布设及路基设计[J].中国公路,2020(06):104-105.[8] 于维鑫.公路路基设计中的边坡防护问题分析[J].智能城市,2020(05):198-199.[9] 马建国.公路路基设计中边坡防护技术的应用[J].交通世界,2022(14):112-114.[10] 张大勇,闫海清,周涛.库区复建公路桥梁设计选型[J].人民长江,2008(11):77-78.05王洁瑜,魏鹏刚,杨文栋.基于BP神经网络的智慧供热管控系统研究与应用===============================================。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第36卷第5期1996年9月
大连理工大学学报
Journal of Dalian University of Technology
Vol.36,No.5
Sept.1996
BP神经网络在加热炉控制系统中的应用
张立志 王 玲 高希彦
(大连理工大学内燃机研究所 116024)
摘要 为炼油用低压加热炉设计了一种模糊控制器,并研究了用多层前馈
神经网络实现模糊控制的方法.仿真研究表明,所设计的神经网络系统不
仅能完全体现模糊控制各部分的功能,而且具有很高的灵活性和通用性.
关键词:模糊集;加热炉;神经网络
分类号:T K175,T P13
加热炉是炼油厂常用的热工设备,对它进行计算机控制的难点在于系统的复杂性、非线性和时变性.这样的系统难以用精确的数学模型来描述,因而用传统的控制理论难以取得理想的控制效果.由于模糊控制可以利用人们的操作和控制经验,模仿人脑的逻辑推理和决策过程进行控制,所以它不依赖于被控对象的数学模型,特别适合于像加热炉这种难以用常规方法进行控制的场合〔1〕.
本文为加热炉设计了另外一种模糊控制器,即用多层前馈神经网络实现的模糊控制器. 1 加热炉模糊控制器设计
模糊控制器的结构如图1所示,它由三部分组成:模糊化、模糊推理决策和非模糊化.模糊化的过程就是要把误差e(设定值与实测油温之差)和误差的变化ec分别模糊化为语言值E
图1 模糊控制器的结构
收稿日期:1996-04-01;修订日期:1996-06-11
张立志:男,1970年生,博士生
和EC .模糊时,把e 的论域划分为10档,ec 的论域划分为7档;语言量E 包含10个子集:{PV (正特大)、P B (正大)、P M (正中)、P S (正小)、P O (正零)、N O (负零)、N S (负小)、N M (负中)、N B (负大)、N V (负特大)};EC 和控制量u (火嘴前油阀门开度)的模糊语言值U 都包含7个子集:{P B 、PM 、PS 、O 、N S 、N M 、N B };u 的论域可以划分为9档,这样就可以进一
步对各语言变量进行定义〔1〕.
加热炉的控制规则可以总结成如下形式的70条语句:
if E =E i and EC =EC i then U =U i else,i =1, (70)
其中:E i 、E C i 、U i 分别是E 、E C 和U 的一个子集.
模糊推理决策就是根据每次采样、模糊化后的语言变量E 、E C 通过搜索模糊控制规则,找出相应的模糊控制策略U .U 再经过非模糊化,就得到确切的控制量u ,然后施加于加热炉.在本文这个非模糊化过程采用加权平均法〔2〕
.2 加热炉模糊控制器的神经网络实现
人工神经网络是由大量被称为神经元的节点相互联结而构成的非线性动态输入输出系统;由于模拟了人脑处理知识的运行机制,它具有很强的分类能力、联想能力和学习能力,因而在处理人们的经验知识方面具有很高的智商.
本文用四个三层前馈神经网络来分别实现模糊控制器的各部分:e 、ec 的模糊化、
模糊推理决策和U 的非模糊化〔3、4〕.四个子网络组合在一起的结构如图2所示.
e 模糊化的网络(网络Ⅰ)是一个单输入、
10输出的三层网络,中间隐节点数H 的选择与网络训练样本数M 有关,一般要求M 2H ,此处选4个隐节点〔3〕.
ec 模糊化的网络(网络Ⅱ)是一个单输入、7输出的三层网络,有4个隐节点.
模糊推理决策网络(网络Ⅲ)有17个输入节点,9个输出节点,它的输入就是网络Ⅰ和网络Ⅱ的输出,网络根据e 和ec 的输入经过计算输出一个9维向量,这个向量就是控制量语言值U .中间隐节点数选8.
U 非模糊化网络(网络Ⅳ)有9个输入节点,1个输出节点,4个隐节点.
神经网络的结构确定以后,就要对它进行学习,以确定网络的权重系数.神经网络的权重系数通过BP (逆推)学习算法建立.网络的权重系数先按随机方式初始化,即随机选取〔-1,1〕间的数给每个W (L )ij (第L -1层的j 单元到第L 层的i 单元之间的权重系数)赋值,然后随机输入各个样本,根据网络输出值与输出样本的误差,从第三层到第一层,反向逐个学习修改网络的权重系数,直至达到稳定值.采用带有惯性效应的学习算法〔5〕,计算公式是
W (L )ij (t k )= (L )i X (L -1)j +! W (L )ij (t k -1);L =1,2
(1) (2)i =(Y i -X (2)i )X (2)i (1-X (2)i )
(2)
(1)j =(∑k W (2)kj (2)k )X (1)j (1-X (1)j )(3)
其中: 是学习因子;!是惯性系数;t k 表示学习的次数;Y i 是输出样本的分量;X (2)i 是网络
的输出分量;输入样本分量就是X (0)i .
本网络的学习过程是分四个子网络独立进行的.从各变量论域的划分可获得网络Ⅰ的10617 第5期 张立志:BP 神经网络在加热炉控制系统中的应用
个训练样本,网络Ⅱ、Ⅳ的7个训练样本.网络Ⅲ的训练样本可以从控制规则获得,每条规则对应一个样本,共70个样本.选 =0.25,!=0.9,经过反复学习,四个网络的误差都可达到1%以内
.
图2 模糊控制器的神经网络实现图3 温度跟踪曲线
3 结果与分析
把所设计的由神经网络实现的模糊控制器应用于某低压加热炉的控制仿真,为了实现实时控制,首先让神经网络根据可能的输入状态离线计算好对应的控制策略,做成模糊控制表.在控制过程中通过查表即可获得执行量.然后观测了系统在过渡及稳定状态下连续运行
1.5h 内温度的变化规律,温度跟踪曲线如图3所示.可以看出,控制器的性能是令人满意的.过渡过程90s,无超调,稳态误差0.5℃.
4 结 论
本文用四个三层神经网络来实现模糊控制器的各项功能,各个子网络可以独立学习、运行,灵活性较强.仿真表明,它能满足加热炉控制的需要.
对于模糊逻辑控制器,当控制经验增加时,计算量随之增加;而神经网络的计算量与经验知识的多少无关,它的智能是靠反复学习训练,通过改变网络的权重系数得到扩充和更新,网络的结构并不改变,通用性强.总之,用神经网络来控制加热炉的运行比普通模糊逻辑控制器更能体现人们认识的模式.
参 考 文 献
1 张立志,王 玲.加热炉控制方案仿真研究.大连理工大学学报,1996,36(1):68～71
2 王顺晃,舒迪前.智能控制系统及其应用.北京:机械工业出版社,1995.
3 应行仁,曾 南.采用BP 神经网络记忆模糊规则的控制.自动化学报,1991,17(1):63～67
618大连理工大学学报 第36卷
4 R onald R Y.Implem enting fuzzy log ic co nt ro llers using a neural net wo rk fra mewo rk.Fuzzy Sets and Sys -
tems ,1992,48(1):53～64
5 杨行峻,郑君里.人工神经网络.北京:高等教育出版社,1992.
BP neural networks applied to control of oil -refining furnaces
Zhang Lizhi , Wang Ling , Gao Xiyan
(R esear ch Inst itute of I nt ernal Combust ion Engine ,DU T )
Abstract A fuzzy controller for a lo w pressur e o il-r efining fur nace and its neur al imple-mentation are pro vided.Simulation studies show that the neural netw orks can fulfil the func-tio ns of the fuzzy controller satisfactorily and flexibly .
Key Words :fuzzy sets;heating fur naces;neural netw orks
简 讯
余热制冷柴油机余热回收新技术
张立志 王 玲 高希彦
柴油机的效率一般为35%～40%左右.约占燃料发热量1/2以上的能量被发动机冷却水及排气带走.以6110柴油机为例,排气温度450℃,排气量700kg /h,可利用的排气余热188M J /h ,因此如何回收这部分能量是一项重要课题.
过去回收柴油机余热主要是利用余热锅炉发电,但余热品位较低,效率不高.研究表明,按照能级匹配原则,余热制冷的效率要远高于余热发电,因为能级利用系数高.
柴油机余热制冷的主要应用领域有:热电冷联产、余热冰库、汽车余热空调、船舶余热空调和制冰.制冷方式有吸收式和吸附式两种,吸收式包括溴化锂-水和氨-水二种工质对;吸附式由于柴油机排气温度较高应采用沸石-水或沸石-氨为工质对.由于柴油机的应用越来越广泛,余热制冷必将给社会带来巨大的经济效益.619 第5期 张立志:BP 神经网络在加热炉控制系统中的应用。