连铸二冷水的智能建模与控制

连铸二冷水的智能建模与控制摘要：基于传统板坯连铸二冷水控制方法，提出用神经元自适应PSD控制器实现对板坯连铸二冷水智能控制，采用遗传算法和BP神经网络相结合的算法(GA-BP)、利用现场数据建立二冷水温度预报模型，并对该控制系统进行了计算机仿真，结果表明系统较好地实现了板坯表面的温度控制，且具有良好的自适应和自学习能力。

关键词：连铸；二冷水；遗传算法；BP神经网络；神经元自适应PSD Intelligent Modeling and Control of the Secondary Cooling Water in Continuous CastingAbstract：Based on the conventional slab continuous casting secondary cooling water control method, in this thesis slab continuous casting secondary cooling water control syetem is applied by the single neuron self-adaptive PSD controller. the secondary cooling temperature prediction model is established by the algorithm which combined Genetic Algorithm with improved BP network and the spot data. The control syetem is simulated by computer, The simulation indicates that the system could improve the temperature control precision of the surface of slabs and have the properties of self-learning and self-adaptive.Key words：continuous casting；secondary cooling water；genetic algorithm；BP neural network；neural self-adaptive PSD1□引言连铸生产过程中，钢水经过结晶器时，由结晶器初步冷却，即一次冷却，在结晶器出口处形成一层一定厚度的硬壳，用以支持其内部的钢水。

带有硬壳的钢水被拉出结晶器后进入二次冷却区，二冷区内冷水喷淋钢坯表面，带走钢坯内部热量，使铸坯温度按冶金准则均匀下降，最终完全凝固。

连铸坯的质量在很大程度上取决于对二冷水的控制精度[1,2]。

实现连铸二冷水动态控制的方法有两大类，一是基于实测铸坯表面温度的动态控制；二是基于模型的动态控制[3]。

由于水蒸气及氧化铁皮等因素的影响，基于实测铸坯表面温度的控制方法难以获得准确的铸坯表面温度，目前对于二冷水的控制多数采用基于模型的控制方法，此类方法利用预测模型，考虑钢种、断面尺寸、拉速等影响因素，每隔一段时间计算一次铸坯的表面温度，使铸坯的表面温度与目标表面温度相一致。

鉴于遗传算法的全局寻优能力和神经网络的自学习能力，本文采用遗传算法和BP神经网络相结合的GA-BP算法、利用现场数据建立了二冷水温度预报模型。

二冷控制系统以二冷水温度预报模型为控制模型，采用神经元自适应PSD 作为控制器，利用其自适应和自学习能力，得到了很好的二次冷却控制效果。

2□正文2.1□板坯连铸二次冷却智能控制系统结构图1□二冷控制系统框图板坯连铸二冷区由多个喷水区域组成，各区的输入、输出温度不同，上一区的输出温度为下一区的输入，因此各冷却区应分别应用神经元自适应PSD进行控制。

每个区域的智能控制系统结构见图1。

图1中板坯的目标表面温度根据冶金准则制定[1]。

神经元自适应PSD控制器用来完成配水量的调节，其输入为目标表面温度与二冷水温度预报模型的预测温度的差值，输出为水量调节量，根据来更新喷水量，板坯凝固数学模型代表实际的二次冷却被控对象，板坯实际表面温度是二冷水喷淋到板坯表面所导致的结果，实测水量是由电磁流量计测出的喷淋到各个二冷段的实际水量，二冷水温度预报模型的输入为铸坯的拉速、来自上一冷却段的温度、本冷却段的喷水量，输出为本冷却段的预测温度。

二冷水温度预报模型用来预测各二冷区铸坯的表面温度，它对于整个控制系统来说是至关重要的，其预测精度直接影响控制质量,下面介绍建立基于遗传算法和BP网络的二冷水温度预报模型的过程。

2.2□基于遗传算法和BP网络的连铸二冷水温度预报模型的建立2.2.1□BP网络结构的确定建立二冷水温度预报模型所需的神经网络选择常用的三层BP网络，这种网络应用广泛，在实际应用中可以达到较好的效果[4,5]。

如图2所示，该BP网络的输入层有3个结点，隐含层有6个结点，输出层有1个结点，下面详细介绍各层的特点。

□□ 图2□二冷控制系统框图(1) 输入层建立该BP网络时，输入层信息涵盖了影响二冷水温度预报模型的主要因素。

由前文分析可知模型主要考虑铸坯的拉坯速度、来自上一冷却段的冷却温度、本冷却段的喷水量三个主要影响因素。

(2) 隐含层隐含层神经元数目的选择目前还没有一个通用的理论公式来确定，按照第四章中关于隐层及隐层神经元结点数的确定方法，经过反复试验最后确定隐层结点数为6个。

(3) 输出层根据实际需要设置输出层神经元个数。

本文输出层结点仅有一个——本二次冷却段的冷却温度。

(4) 激活函数输入层与隐含层之间的激活函数为S型函数；隐含层与输出层之间的激活函数为线性函数。

2.2.2□采用GA优化BP网络权值的方案选择为了更好的解决网络初始权值与阈值的确定问题，用遗传算法的全局搜索能力来确定初始权值和阈值[6,7]，如图3所示。

图3□GA优化BP网络权值流程图由遗传算法进行神经网络权系数优化的训练步骤如下：(1) 给定神经网络的输入、输出样本集；(2) 确定网络权系数的编码方式、选定遗传操作、设置遗传参数；(3) 以设定的种群规模N，随机产生初始种群；(4) 编码种群中每一个体位串，求得N组网络权系数，得到具有相同结构的N个网络；(5) 由输入样本集经前向传播算法，求得N组网络权值对应的N个网络输出；(6) 设定网络的目标函数，将其转换为适应度函数对N个网络进行评价；(7) 依据适应度在遗传空间进行选择操作；(8) 依据选定的交叉、变异及有关算法、参数进行相应的操作，得到新一代种群；(9) 返回步骤(4)，直到满足性能要求，得到一组优化的权系数。

2.2.1□GA-BP网络训练GA-BP算法训练的输出值与目标值的均方误差随训练次数的变化曲线如图4所示。

图4□GA-BP网络训练输出值与目标值的均方误差网络训练结果是：学习率为0.01；训练次数为79；均方误差为0.05；连接权值为节点阈值为;程序运行时间为：29.110000秒。

遗传算法误差平方和与适应度函数随训练代数的变化曲线如下5.7图所示。

图5□遗传算法误差平方和与适应度函数变化曲线图2.3□二冷区神经元自适应PSD控制仿真对于复杂且参数时变并受随机干扰影响的系统，常规的PID控制的参数不易在线调整，使其应用受到限制，而采用自适应控制算法，需要在线辨识过程或控制器参数，难以在线实时控制。

神经元自适应PSD(比例、求和、微分)控制不需辨识对象的参数，只要在线检测对象的实际输出与期望输出，就可以形成自适应闭环控制系统。

控制器及控制回路如图6所示。

图6□二冷区神经元自适应PSD控制系统程序流程框图如图7所示：图7□二冷区神经元自适应PSD控制程序流程图系统的输出跟踪目标输出的曲线见图8，点划线是PID控制器作用下系统输出，实线是PSD控制器作用下系统输出，该系统采用神经元自适应PSD控制器后，能提高系统的响应速度、降低超调，达到了相对满意的控制效果。

图8□系统输出跟踪目标输出曲线3□结语本文采用遗传算法和BP网络相结合的算法建立了二冷水温度预报模型，依赖遗传算法的全局寻优能力防止陷入局部极小点，同时依赖引入带动量项的BP 算法的梯度下降搜索法保证在有限次搜索后快速找到全局最有解。

该算法具有收敛速度快、防止陷入局部极小点的优点，可大大减少网络输出与目标输出的均方误差，提高网络的泛化能力。

本文基于GA-BP网络建立的二冷水温度预报模型，进行二冷区各段喷水量神经元自适应PSD控制系统仿真研究，取得了较好的控制效果。

参考文献(References)[1]Brimacome J K, Cramb A W. Steelmaking, Casting and Modelling[C], In: Process Technology Conference Proceedings, Toronto: iron&Steel Society, 1992, 10: 211-223.[2]倪满森. 连铸过程中间罐的热工分析[J], 钢铁研究学报, 1988, 3: 1-6.[3]张大明, 全小东. 攀钢板坯连铸二次冷却数学模型动态控制[J], 攀钢技术, 1997, 20(1): 27-30.[4]周明, 孙数栋. 遗传算法原理及应用[M], 北京: 国防工业出版社, 1999,1-64.[5]李士勇. 模糊控制神经控制和智能控制论[M], 哈尔滨:哈尔滨工业大学出版社, 1998, 420-421.[6]李智勇, 童调生. 基于多物种进化遗传算法的神经网络进化设计方法[J], 2003, 15(6): 810-813.[7]Palmes, P.P., Hayasaka, T., Usui, S. Mutation-based genetic neural network[J], Neural Networks, IEEE Transactions on vol.16, Issue 3, May 2005 Page(s): 587 -600。