基于PSO-SA的加热炉钢温模型的研究

论文摘要

蓄热步进梁式加热炉是轧钢生产线上非常重要的热工设备,由于目前的检测技术和加热炉自身因素等条件限制,使得直接、准确测得加热过程中的钢坯温度分布还有很大困难,只有钢坯出炉后才能知道出钢温度是否合格,一旦不合格也很难回炉补救了,因此建立加热炉的钢温预测模型,对于改善钢坯的加热质量是十分必要的。钢坯的加热过程具有大滞后、大惯性、多变量、强耦合、时变、非线性等特点,传统的机理模型不够灵活,计算复杂,假设条件过多。本文以蓄热步进梁式加热炉为研究对象,开展预测模型的研究工作,主要内容如下：(1)结合其工艺和炉段分区控制的特点,建立了三个串联的BP神经网络作为总的钢温预测模型,三个网络分别对应Ⅰ加热段、Ⅱ加热段、均热段。网络的输入为上下炉膛温度,输出为钢坯表面温度,以现场采集的数据为基础进行网络训练。仿真结果表明此三段式钢温预测模型是合理的,不仅可以较准确地预测钢坯出炉温度,还可以对炉内每段出口处的钢坯进行温度预测；(2)针对BP网络收敛缓慢、易于陷入局部极小等典型缺点,引入了粒子群和模拟退火等智能算法来优化钢温模型,预测效果有所改进；在标准粒子群算法的基础上进行了动态自适应调整惯性权重和学习因子的改进,用该改进粒子群算法优化后,模型的收敛速度和预测精度有了进一步的提高；(3)考虑到粒子群能在全局范围内寻优、搜索速度快以及模拟退火算法局部搜索能力强等优点,将两者的优势结合,提出了一种自适应变异粒子群协同模拟退火的混合优化算法,用此算法来优化原基于神经网络的三段式钢温预测模型。仿真研究表明,通过混合算法优化后的钢温模型易于建立,预测效果也更加精确。通过对用上述各优化算法改进钢温模型的仿真结果进行比较,得出结论：自适应变异粒子群协同模拟退火算法优化后的模型在精度与效率上都有显著提高,取得了最好的预测效果,同时该算法需要确定的参数较少,容易实现,不需要考虑机理模型的参数与边界等条件,更适合于建立加热炉的钢温预测模型。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.2 常见的系统建模与辨识方法
• 1.3 加热炉钢坯温度预测模型的研究及发展现状
• 1.4 本文的主要研究工作
• 第2章 蓄热步进梁式加热炉的工艺简介
• 2.1 加热炉在棒材生产线中的作用
• 2.2 加热炉的组成及分类
• 2.3 蓄热步进梁式加热炉简介
• 2.3.1 步进梁式结构
• 2.3.2 高效蓄热式加热炉
• 2.4 数字化蓄热步进梁式加热炉
• 2.5 本章小结
• 第3章 基于神经网络的钢温预测模型
• 3.1 神经网络算法
• 3.1.1 神经网络的发展应用及特点
• 3.1.2 神经元及激活函数
• 3.1.3 神经网络的互联模式与学习方式
• 3.2 BP神经网络
• 3.2.1 BP网络模型的结构
• 3.2.2 BP学习算法的缺点与改进
• 3.3 基于L-M法改进BP神经网络的钢温预测模型的建立
• 3.3.1 蓄热步进梁式加热炉的特点及分区
• 3.3.2 三段式神经网络模型的建立
• 3.4 本章小结
• 第4章 基于粒子群优化神经网络的钢温模型
• 4.1 粒子群算法的起源及基本思想
• 4.2 粒子群算法原理
• 4.2.1 基本粒子群算法
• 4.2.2 标准粒子群算法
• 4.3 标准粒子群算法优化钢温模型
• 4.3.1 粒子群优化神经网络的设计
• 4.3.2 算法的实现步骤及仿真验证
• 4.4 改进的动态自适应粒子群算法优化钢温模型
• 4.4.1 粒子群算法的改进策略
• 4.4.2 动态自适应粒子群算法优化神经网络的实现步骤及仿真验证
• 4.5 本章小结
• 第5章 基于自适应变异PSO协同SA优化钢温模型
• 5.1 模拟退火算法
• 5.1.1 模拟退火算法的基本思想与特点
• 5.1.2 模拟退火算法的实现
• 5.1.3 模拟退火算法冷却进度表的参数分析
• 5.2 模拟退火算法优化钢温模型
• 5.2.1 优化的基本流程
• 5.2.2 模拟退火优化钢温模型的仿真验证
• 5.3 自适应变异粒子群协同模拟退火优化钢温预测模型
• 5.3.1 基于模拟退火思想的粒子群混合算法
• 5.3.2 自适应变异PSO协同SA优化钢温模型
• 5.4 本章小结
• 第6章 总结和展望
• 参考文献
• 致谢
• 攻读硕士期间参加项目科研情况