唐钢1700加热炉钢坯温度神经网络预测模型

王伟年，侯 帅，王晓琳，李小华

（辽宁科技大学 电子与信息工程学院，辽宁 鞍山 114051）

唐钢1700加热炉钢坯温度神经网络预测模型

王伟年，侯 帅，王晓琳，李小华

（辽宁科技大学 电子与信息工程学院，辽宁 鞍山 114051）

根据唐钢1700生产线加热炉的实际生产数据，提出了三种神经网络的钢温预测建模方法，即分别采用BP神经网络、RBF神经网络、RBF-BP组合神经网络建立了钢坯出炉温度的神经网络预测模型，并利用MATLAB软件分别对三种模型进行了仿真。研究表明，RBF神经网络模型相比较BP有较快的学习速度，但是识别精度稍低。而RBF-BP网络模型结合了二者优点，并具有更好的泛化能力，识别精度更高。

加热炉；钢坯温度；预测模型；神经网络

加热炉是轧钢生产线上的主要设备。钢坯出炉温度直接影响钢坯的组织性能和力学性能［1］。若要得到准确的钢坯出炉温度，一般可对其进行预测控制。而钢坯出炉温度预测模型是预测控制的重要基础。目前，对于钢温预测模型的研究主要分为两类：一类是以工艺理论为基础的多元回归模型［2-4］，另一类是以工艺理论与现代控制理论相结合的智能学习模型［5-8］。多元回归模型由于忽略了交互效应和非线性因果关系，准确性差，易受外界干扰。而智能学习模型一般采用模糊和神经网络来构建。但在模型建立时，神经网络的类型对钢温预测模型的预测精度有什么影响，目前尚少有比较研究。因此，本文以唐钢1700加热炉为研究背景，利用实际生产中采集的数据，对其进行了钢温预测神经网络模型的研究。即采用BP神经网络、RBF神经网络、RBF-BP组合神经网络这三种智能学习方法建立了不同的钢温预测模型，并从预测精度、学习速度和泛化能力等方面进行了比较研究，找出了较好的预测模型，从而找出更适合唐钢1700加热炉实际情况的建模方法。

1 1700加热炉基本情况

唐钢1700生产线上的加热炉是蓄热式步进加热炉，长度为27.6 m，宽度15 m。加热制度为多段式加热制度，沿炉长方向分为第一加热段、第二加热段和均热段。钢坯在炉内步进梁作用下不断向前移动，依次经第一加热段、第二加热段和均热段完成加热。加热好的板坯被出钢机放上出料辊道，除磷后送入轧机轧制。

2 数据处理

2.1 数据采集及预处理

数据数量和质量是建立神经网络模型的基础。本文采集的数据均来自唐钢1700加热炉的生产线上的真实数据。所采集的数据主要有钢坯入炉温度、钢坯在第一加热段内停留时的炉温、在第二加热段停留时的炉温、在均热段内停留时的炉温、钢坯在第一加热段停留时间、第二加热段停留时间和均热段停留的时间以及对应的钢坯出炉温度。由于采集过程中不可避免的会出现检测数据失真的情况，因此，首先要剔除不合格的数据，提高模型的准确性［9］。本文利用拉依达准则（又称3δ准则）来判别和剔除异常数据，其具体方法如下：

以钢坯出炉温度为例，设样本数据为x1,x2,…,xn，平均值为 xˉ，偏差为 ei=x1-xˉ(i=1,2,…,n ，按照Bessel公式计算钢坯出炉温度的标准偏差

任意时间段内钢坯的出炉温度的偏差ei(1≤i≤n)满足

的值应予剔除。依上法对所有数据进行判别，减小偶然误差。

因为模型的泛化能力（即预测能力）只能对被训练的输入、输出最大值范围内的数据有效，超出最大值范围的输入数据会产生较大的输出误差。因此本文选取的训练样本包含各个变量的最大值与最小值，即测试数据的大小也在这个训练数据的最大最小值范围内。

2.2 数据的归一化处理

输入数据在数值范围上存在不可避免的差异，如果将原始数据直接输入，网络可能会对较小的数据不敏感，而数值大的特征输入将更多地影响网络的学习［10］。当数值差别过大，甚至是存在量级的差别时，将导致网络学习速率变慢甚至不能收敛［11］。因此，为了充分挖掘原始数据中的有效信息，要将数据进行归一化处理，以便获得更好的网络学习性能［12］。

本文采用归一化为

其中：xmin和xmax为样本数据x的最大值和最小值；ymin和ymax是归一化的参数范围，可任给，默认值为-1和1。

由于用了归一化的数据，在神经网络计算后还需要进行反归一化，其公式为

3 模型建立

人工神经网络就是基于模仿生物大脑的结构和功能，由人工神经元（简称神经元）互连而成，从而组成一个大规模的非线性自适应动力学习系统来模仿人脑的结构和人的学习功能［13-14］。

3.1 BP神经网络预测模型

典型的BP神经网络一般是一种三层的前向网络，其中首尾两层分别称为输入层和输出层，中间层称为隐含层（也称中间层）。通过梯度下降法不断优化来调整网络的权值和阈值［15］。

这里，BP神经网络钢温预测模型设定为三层网络，其输入层节点为7个，隐含层节点数为14个，输出节点为1个。如图1所示。图1中，x1代表钢坯入炉温度，x2代表加热炉一加炉温，x3为二加炉温，x4为均热炉温，x5为钢坯在加热炉第一加热段内停留的时间，x6为二加时间，x7为均热时间，T1代表钢坯出炉温度。

图1 BP神经网络模型结构图Fig.1 Structure chart of BP neural network model

各个节点采用的核函数为双曲正切S型（Sigmoid）函数，其表达式为

该函数可把神经元的输入范围从（-∞，+∞）映射到（-1，+1）。以保证一组七个输入数据对模型的影响是相同的。利用处理过的数据，采用梯度下降反向传播算法来训练网络，训练精度选为0.01，避免了过高精度带来的过拟合现象。

3.2 RBF神经网络模型

RBF神经网络叫径向基神经网络，它也是一种前向网络，可以克服BP网络易陷入局部最小的缺点，非常适合用于非线性动态系统建模［16］。RBF网络结构与BP网差不多，一般也具有三层结构，即输入层、隐层和输出层，其中隐层的激励函数为高斯函数，高斯（Gauss）基函数的表达式为uj(x)=exp[-(x-cj)2/σ2

j] （6）式中：cj为该函数的中心；σj为该函数的方差。输入层与隐含层之间连接权值为1，输出层为纯线性函数，采用线性优化策略。

这里，RBF神经网络钢温预测模型设定输入层节点为7个，隐含层节点数为35个，输出节点为1个。网络结构与图1相同。采用与上面BP网络相同的训练数据训练该网络，得到RBF预测模型。

3.3 RBF-BP组合神经网络模型

RBF-BP组合神经网络是将RBF和BP两种网络组合在一起的四层神经网络，即采用双隐层，前半部分是一个RBF子网，后半部分是一个BP子网，构成了一个输入层、两个隐藏层和一个输出层组成的前馈型神经网络。RBF-BP组合神经网络第一个隐层以处理后的归一化数据作为输入，隐藏层结点的激活函数使用高斯（Gauss）型核函数。第二个隐藏层的输入基于第一个隐藏层的输出，隐藏层结点的核函数使用Sigmoid型函数。对于该钢坯温度预测模型，设定输入节点为7个，输出节点为1个，而这2个隐含层分别设置14个神经元。RBF-BP组合神经网络的模型结构如图2所示。仍然采用与上面BP网络相同的训练数据训练该网络，得到RBF-BP网络预测模型。

图2 RBF-BP神经网络模型结构图Fig.2 Structure chart of PBF-BP neural network model

4 仿真实验

将处理好的154组数据分为两部分，其中124组作为训练集，其余30组作为测试集。用训练集来训练网络，用均方差来衡量各种神经网络的训练效果。本仿真对三种网络采用相同的训练精度0.01。针对三种不同的神经网络，用30组测试集测试已训练好的网络，用实测值与网络输出的差值作为依据，来衡量神经网络的泛化能力。

4.1 RBF神经网络模型仿真及预测

在MATLAB中设计径向基网络采用newrb函数，spread值设置为70。用训练集的124组数据训练构建的RBF网络，将网络训练完以后固定，用测试组数据对网络的预测效果进行测试，其仿真的预测曲线与实际测试值曲线的对比如图3中所示，其测试误差如图4中所示。可得预测的均方误差238.7545，训练网络所用时长为1.848 s，测试所用时长为1.326 s。由图4可以看出，RBF网络模型的测试误差较大，说明该模型的预测效果并不是很好。

图3 三种网络模型预测曲线与实际曲线对比图Fig.3 Comparison of three network model prediction curves with practical curve

图4 三种网络模型测试误差对比图Fig.4 Comparison of measurement errors of three network model

4.2 BP神经网络模型仿真及预测

在MATLAB中设计BP神经网络，模型构建采用Newff函数，网络训练采用train函数。用同样的训练数据训练BP网络，并用同样的测试组数据对网络的预测效果进行测试，测试结果如图3中的实线所示，测试误差见图4中虚线。使用BP神经网络在加热炉钢坯出炉温度预测模型的训练过程中，训练总时长3.020 s，测试总时长1.424 s，预测的均方误差为72.3477。从图3和图4以及得出的均方误差可以看出，在相同训练数据及训练精度情况下，BP神经网络模型有更好的预测精度。但由于RBF与BP神经网络训练算法和网络结构上的不同，BP网络的训练时间却延长了很多，训练的快速性不如RBF网络。

4.3 RBF-BP神经网络模型仿真及预测

根据组合神经网络的要求，将第一个隐藏层神经元的激励函数设置为高斯（Gauss）型径向基函数radbas；将第二个隐藏层神经元设置为双曲正切函数tansig，输出层神经元设为线性函数purelin。其中网络训练函数采用trainlm函数。仍然采用与上面相同的训练数据训练该网络，得到RBFBP网络钢温预测模型，再采用相同的测试数据，其测试结果如图3所示，测试误差如图4所示。这里，图3与图4同时给出了三种网络模型的测试效果比较。

在RBF-BP神经网络模型仿真训练过程中，训练总时长为2.623 s，测试时长为1.145 s，均方误差为56.4512。由此可以看出，RBF-BP神经网络能弥补RBF神经网络和BP网络各自的缺点，具有较好的实用性。由图3和图4可以得出，在同一样本精度条件下，RBF-BP网络模型具有更好的预测效果，预测误差更小，保持在20℃以内，测试效果达到工业生产需要。

5 结论

本文采用唐钢1700生产线上的加热炉的实际生产数据，研究了BP、RBF和RBF-BP三种基于神经网络的钢坯温度预测模型，通过模型的建立和仿真研究，对比了三种模型的预测的精度、运算速度及网络泛化能力，发现采用RBF-BP网络的预测模型能较好地实现钢坯温度预测目标，适应实际生产的需要，为后续的加热炉预测控制奠定了基础，也为目前该加热炉生产中的各段温度设定提供了理论依据，进一步提高了加热炉生产过程的产品质量，达到节能减排的效果。

［1］李柠，王锡淮，李少远，等.步进式加热炉炉温建模与优化仿真系统设计［J］.系统仿真学报，2001，13（3）：361-363.

［2］卫恩泽，彭燕华.板坯加热炉控制技术现状及发展（上）［J］.冶金自动化，2010，34（3）：5-9，18.

［3］杨泽宽，康国仁.加热炉优化控制数学模型［J］.钢铁，1990，25（12）：59-63.

［4］陈南岳.现代加热炉过程控制技术及其数学模型［J］.冶金自动化，1985，9（3）：12-22.

［5］王锡淮，李少远，席裕庚.加热炉钢坯温度软测量模型研究［J］.自动化学报，2004，30（06）：928-932.

［6］王中杰，柴天佑，邵诚.基于RBF神经网络的加热炉钢温预报模型［J］.系统仿真学报，1999，11（03）：181-184.

［7］张维.模糊神经网络在钢坯出炉温度建模和控制中的应用的［D］.重庆：重庆大学，2007.

［8］李烨，屈宝存，冯苹苹.神经网络在锅炉温度控制系统中的应用［J］.自动化仪表，2013，34（10）：55-59.

［9］王为晓.步进式加热炉炉温的优化控制方法研究［D］.大连：大连理工大学，2008.

［10］董卓，朱永利，胡资斌.基于遗传规划和数据归一化的变压器故障诊断［J］.电力科学与工程，2011，27（9）：31-34.

［11］DUDA R O，HART P E，STORK D G.Pattern classification（2nd Edition）［M］.Beijing：China Machine Press，2003：250-251.

［12］刘慧敏，王宏强，黎湘.基于RPROP算法目标识别的数据归一化研究［J］.现代雷达，2009，31（5）：55-60.

［13］CHOI G M，KATSUKI M.Advanced low NOx combustion using highly preheated air［J］，Energy Conversion and Management，2001，42（5）：639-652.

［14］LU Y Z，WILLIAMS T J.Energy saving and productivity increase with computers—a case study of the steel ingot handling process［J］.Computers in Industry，1983，4（1）：1-18.

［15］王志春.基于BP网络的钢坯表面温度预测模型的设计［J］.冶金自动化，2009，33（z1）：778-780.

［16］高国丽，陈洪军.基于RBF神经网络的钢坯温度预报软测量模型研究［J］.工业控制计算机，2010，23（5）：73-75.

On neural network prediction model of billet temperature for 1700 reheating furnace in Tangsteel Company

WANG Weinian，HOU Shuai，WANG Xiaolin，LI Xiaohua

（School of Electronic and Information Engineering，University of Science and Technology Liaoning，Anshan 114051，China）

Based on the actual production data of the reheating furnace in Tangsteel 1700 line，the three kinds of neural network modeling methods for billet temperature are proposed in this paper.Namely，BP neural network，RBF neural network and RBF-BP neural network are used respectively to establish the billet tapping temperature prediction model.And MATLAB software is used to simulate the above models.The research results show that the RBF neural network model has faster learning speed than BP，but its recognition accuracy is lower.The RBF-BP network model combines both of advantages，and has the better generalization ability，higher recognition accuracy.

reheating furnace；billet tapping temperature；prediction model；neural network

February 25，2017）

TP273

A

1674-1048（2017）03-0189-05

10.13988/j.ustl.2017.03.007

2017-02-25。

河钢集团唐山钢铁公司产学研重点科研项目；辽宁科技大学大学生创新创业训练计划项目。

王伟年（1995—），男，甘肃武威人。

李小华（1964—），女，河南郑州人，教授。