摘要：针对中厚板在轧后层流冷却过程中采用传统自学习方法修正计算对流换热系数存在的不足，提出利用BP神经网络对自适应系统进行改进。预报结果表明，采用神经网络计算换热系数后，终冷温度的控制偏差在±15℃以内，明显提高了终冷温度的控制精度，具有在线应用的前景。

关键词：中厚板；换热系数；自学习；人工神经网络

l  引言   

    中厚板终轧后的控制冷却过程对钢板的质量起着非常重要的作用，提高终冷温度控制精度是中厚板轧制领域的关键题。由于层流冷却系统具有冷却能力强、可控性好、故障率低等优点，因而广泛应用于巾厚板轧制后的强制冷却。国内某中板厂层流冷却系统以前馈控制系统为主，为冷却控制提供满足工艺要求的冷却规程。钢板在实际冷却过程中，检测仪表精度、水量调节阀精度、通讯和控制系统的时滞性等冷却系统特性会发生波动，而层流冷却中的前馈控制系统模型不能反映系统特性的这种变化。为使控制冷却模型及时进行自身修正，控冷模型中采用了自学习修正方法，在线实时地修正模型中的水冷换热系数自学习因子，使之能自动适应系统特性的变化，从而减少系统特性变化带来的误差。虽然应用这些模型在一定程度上提高了终冷温度的控制精度，但生产中仍存在终冷温度控制超差现象。为此，本研究采用人工神经网络建立了自学习模型，离线预报中厚板层流冷却过程中的换热系数自学习因子，并结合换热系数数学模型，提高了终冷温度的控制精度。

2   在线模型及其应用效果

    根据钢板温度实测值和计算值的偏差，对模型中的水冷换热系数自学习因子进行修正：

式中，f*为学习后水冷换热系数自学习因子；f为学习前水冷换热系数自学习因子；FCT为终冷温度测量值；SCTmea为开冷温度测量值；FCTcal为终冷温度计算值；SCTcal为开冷温度计算值。

    在中厚板生产过程中，因轧制节奏快，每块钢板的冷却条件不尽相同。为了反映相同规格钢板层流冷却换热系数的变化趋势，使热交换系数学习因子变化更接近实际和平滑，对下一块钢板的学习系数取最近冷却的n块钢修正系数的加权平均值。在实际生产中，如n取值为10，则第n+1块钢的学习系数表达式为：

   Fn+1 = a[10]×fn+a[9]×fn-1+……+a[2]×fn-8+a[1]×fn-9

式中，f_n为第n次参数的自学习值；a[i]为第i次自学习因子的权重。

    由于时间和环境的变化，钢板的冷却参数发生了相应变化。为使控制冷却模型能适应层流冷却系统特性的变化，并及时对自身加以修正，层流冷却系统采用了长期自学习算法。经过长期自学习后的钢板冷却参数，更接近实际冷却参数。

长期自学习算法为：

   f₁ = g·f₁+(1-g)·f_s(0<g≤1)        (3)

式中，．厂。为长期自学习参数；g为自学习增益，f_s为实测参数。

    对大量现场冷却结果分析可知，在线应用的层流冷却控制模型具有较高的精度，异板温差的控制精度在±20℃以内的命中率达90％以上，基本实现了终冷温度高精度控制的要求。但冷却控制模型尚不十分完善，主要不足之处为：(1)仍有少数钢板的实测终冷温度距目标值偏差较大；(2)更换不同规格的钢板进行冷却时，模型的控制精度偏差较大。模型只有对一定数量同规格钢板进行自学习修正后，终冷温度控制精度才能逐渐提高到相对较高的稳定状态。(3)控制模型的稳定性不高，容错性和抗干扰能力不强。当温度计失准、测温点不好、钢板待温、水温或水箱水位超出安全范围等冷却条件改变时，终冷温度的控制产生波动，控制精度无法保证，模型需对一定数量同规格钢板进行自学习修正后，才能步入稳定的冷却控制状态。

3  基于BP神经网络的自学习模型

    人工神经网络具有处理信息速度快、计算能力强、容错性高和鲁棒性强等特点，能完成自学习、自适应、归纳推理等智能型任务，可被用于非线性、动态、强干扰、强耦合、强时滞、难于建模的复杂系统的控制，它作为信息智能处理的现代化工具已日益普及。人工神经网络所具有的功能特别是处理非线性复杂过程的能力，无疑为求解换热系数提供了一种好方法。

3．1  神经网络仿真预报

    本文BP(Back—Propagation)神经网络结构为多输入单输出的3层网络，输入层单元数主要取决于影响换热系数的相关参数，筛选国内某中板厂控制系统记录的大量数据，选择包括开冷温度、钢板厚度、冷却水量、冷却时间、冷却水温等9个参数作为神经网络的输入量，换热系数自学习因子k_A作为输出单元。采用试验试凑法确定隐层节点数，经反复验证，选取隐层节点数为15，网络结构如图1所示。

    中间隐含层神经元的激发函数选为Sigmoid函数：

  为加快学习速度，采用了惯性BP学习算法，网络层与层之间的权值和阈值调整公式为：

对于每个输入模式|P，网络实际输出与期望输出间误差E_p，采用平方型误差函数：

    网络训练完成后，利用测试数据来评价网络性能，误差计算采用均方根标准误差(RMS误差)，表达形式如下：

3．2神经网络与数学模型的结合

    中厚板层流冷却控制系统中，换热系数数学模型仅考虑了水量、钢板温度等主要影响因素。通过神经元网络预报换热系数因子k_A，将预报结果带入换热系数数学模型中，使数学模型与神经网络有机结合在一起，从而提高中厚板终冷温度的控制精度。模型的工作原理如图2所示。将水温、水箱水位、钢板厚度等几个实测数据传递给数学模型，模型通过运算得到集管组数、水量等中间变量。实测数据和中间结果作为神经网络的输入系数来预报换热系数自学习因子。此后模型通过反复运算，最终得到冷却设定参数。

3．3预报结果分析

    利用国内某中板厂现场实际参数作为冷却条件，基于BP神经网络方法对水冷换热系数自学习因子进行模拟仿真，具体预报所得换热系数因子如图3所示。由图3可知，换热系数自学习因子的预报值和实测值拟合得很好。将训练后的网络对测试样本进行测试，所得均方根误差为1．279e^-3。

    利用BP神经网络预报的换热系数自学习因子计算终冷温度，和应用传统自学习方法得到的换热系数自学习因子计算终冷温度两者进行对比，结果如图4所示：利用神经网络作为自学习模型来预报换热系数自学习因子，并结合数学模型预报终冷温度的方法，很好地克服了传统计算模型的缺点，避免了钢板换规格冷却及外界干扰产生的终冷温度的大幅波动，提高了层流冷却控制系统的稳定性；同时，明显提高了终冷温度的控制精度，可将终冷温度精度控制在±15℃之内。

3．4在线应用展望

    从预测结果可以看出，神经网络与数学模型相结合的方法，能准确地预测中厚板终冷温度。目前的工作还仅限于离线训练和测试，但具有潜在在线应用的广阔前景。要实现神经网络与数学模型相结合的在线应用，有3个关键点亟待解决：一是初始样本数据的采集。离线训练和测试的样本来自于基于传统自学习的设定计算模型，在开发新钢种时，有必要调用传统自学习模型来设定初始样本；二是神经网络只能做内插运算，其预报结果也较精确，如果做外延运算，会导致预报结果异常波动，从而改变冷却系统的控制量，致使冷却结果出现异常偏差；三是训练神经网络对计算机有很高的要求，常规计算机通过3．1所述算法对神经网络进行训练约需4min左右，不能满足现场正常轧制节奏的需要，而训练大型神经网络则需更长时间。这些约束条件迫使神经网络的在线应用方案必须进行严格而周密的设计。

4  结论

    采用换热系数自学习因子BP神经网络模型作为自学习模型，并与数学模型结合预报终冷温度，可使钢板与冷却水之间换热系数计算更准确。测试结果表明，神经网络模型能更准确地反映钢板与冷却水间的换热系数与各影响参数问的关系，提高了中厚板终冷温度的控制精度，异板温差可控制在±15℃左右，具有潜在的在线应用前景。