摘 要：本文分析研究了神經網絡的工作原理及其在加熱爐模式識別與智能控制系統中應用情況，論述了加熱爐模式識別與智能控制的特點。實踐結果表明，這種控制思想是可行的，能夠取得滿意的控制效果。 關鍵詞：神經網絡 模式識別 軋鋼加熱爐 智能控制 一、前 言 　　近年來，模擬生物神經系統的神經網絡，由于具有學習、自組織等新的信息處理能力，對于模式識別問題有很大的優越性，得到了迅速的發展。在冶金行業中,軋鋼加熱爐是軋鋼生產過程中的重要設備之一,在實際操作過程中，操作人員依靠傳感器的信息，判斷爐況，進行操作。有些判斷難以用簡單的“IF A THEN B”這樣的規則表達，而是根據操作人員的經驗，將爐況分成幾種模式，用神經網絡來識別目前爐況屬于那種模式，對其進行操作進行指導，或作為專家系統的補充，有較大的作用。 二、神經網絡模型 　　神經網絡是模擬生物的神經系統（特別是腦）功能的網絡。人腦約由150億個神經細胞組成，每個細胞同數千、數萬個神經細胞相聯系，形成網絡。這樣，神經細胞模型可以看作是n輸入單輸出的信息處理單元。某個輸入Xi對神經細胞的影響以影響度表示，稱為細胞的結合權重或效率Wi，這個細包模型如圖1所示。 [align=center] 圖1 細胞模型[/align] 　　細胞的輸入有強有弱，當其總合超過某一閥值，則細胞進入興奮狀態，產生輸出;當其總合低于閾值時，細胞進入抑制狀態，沒有輸出。 　　神經細胞之間可以有不同的連接方式，目前已經提出了許多神經網絡模型，在神經網絡中，由于神經細胞的計算的并行性，其總體計算效率很高。生物的一個重要特征是有自學習功能，改變神經網絡中細胞（或節點）輸入端的權重或者細胞興奮的閥值，控制細胞的興奮狀態，可以實現生物系統所具有的靈活的判斷和自學習功能。 　　神經網絡的兩種常用的模型。 　　2.1 多層感知器模型 [align=center] 圖2 層次感知器神經網絡[/align] 　　圖2是一個三層感知器神經網絡，有N個輸人，M個輸出，一個中間層。從輸入信 　　號x，由內部單元經非線性變換，最終得到輸出y。 　　對于輸入x，期望的輸出設為yd=yd（x），而實際輸出為y=y（x），一般二者不一致; 　　輸入—輸出的函數與網絡內部細胞的結合權重有關。由期望輸出與實際輸出的誤差信號 　　e = yd（x）-y（x） 　　調整網絡內部的結合權，使誤差減小，以改善神經網絡的工作，這稱為學習神經網絡。 　　在這種場合，因為給定期望的輸出，故稱為有教導的學習。 　　目前逆向誤差傳播學習法得到廣泛應用，這一學習法以輸出的二乘誤差為評價函數，以最速下降法反向修正各層結合權和閥值。 　　這樣，開始時在網絡上隨機設置小的權重和內部閥值，重復輸入訓練數據進行學習，每一試驗，根據指標的誤差信息對權值和閥值進行調整，直到指標達到可以接受的值。這一迭代算法步驟如下： 　　（1） 權值和閥值的初始值設定。 　　（2） 給連續輸入向量x=｛x1，x2，…，xn｝和期望輸出 yd=｛yd1，yd2， …，ydM｝ 　　（3） 計算實際輸出。 　　（4） 調整權重。 　　（5） 返回（2），重復進行。 　　對于閥值的調整也可以相似進行。 　　2.2自組織模型 　　自組織模型與上述不同的是不規定期望的輸出，通過自學習抽取對象數據的特征，進 　　行基本模式的分類，這稱為無教導的學習。 　　圖3所示M個輸出節點的陣列，用來抽取輸入特征，輸出節點用局部連接相連。每一輸入xi通過可變的權重wij與每一輸出節點yj相連。反復送入分類數據作為輸入向量x，權重將進行組織，以輸出最大的節點為核心，使核的節點和其鄰近的節點響應相同的輸入信號。通過這種學習，使各節點的權重代表相應的輸入模式。與逆向誤差傳播多層神經網絡不同的是：這里是由學習自動抽取數據的特征，分成典型的模式，而不用給定期望的模式：而分成的典型模式用權重記憶，找出權重就掌握了數據的特征。圖3為自組織網絡圖。 [align=center] 圖3 自組織網絡圖[/align] 三 、多層感知器神經網絡在軋鋼加熱爐模式識別中的應用 　　采用多層感知器神經網絡作為軋鋼加熱爐爐溫控制和熱風量控制專家系統的一部分。 以軋鋼加熱爐爐溫預測神經網絡為例，采用如圖4所示的三層網絡。以鋼坯加熱狀況，煤氣成分，爐中部熱平衡計算求得的計算值指數、 爐體熱損失量過程數據作為輸入層的輸入。 [align=center] 圖4 爐溫預測神經網絡[/align] 　　中間層通過調整后選用幾個節點，輸出層有三個節點，即“爐溫變高”，“爐溫不變”和“爐溫變低”。輸入數據經歸一化后，為-1～+1之間的值，輸出為0～1范圍的預測值。學習采用逆向誤差傳播學習算法，進行權重調整以加快收斂。 　　對于采用多層神經網絡對爐內煤氣流分布進行預測，作為專家系統的一部分。模式識別的對象是爐膛上部檢測器、爐膛中部檢測器和爐壁（縱向）溫度計，檢測器是插入爐內的煤氣溫度計或煤氣采樣管。對爐膛上部檢測、爐膛中部檢測、爐壁;（縱向）溫度的模式識別都采用三層神經網絡。預先根據過去的操作經驗對軋鋼加熱爐爐況進行分類，直觀判斷所檢測的數據模式接近那一類，這樣，得到幾種模式作為教導數據，故神經網絡的輸出層也采用幾個節點，每個節點的輸出代表一種模式。 　　輸入層的節點數和中間層的節點數也都進行歸類分析經過歸一化進行整理得出有效控制模式。 　　學習方法也采用逆向誤差傳播學習法進行學習，并與專家系統結果進行比較，得出最佳結果。 　　神經網絡與專家系統的結合如圖5所示。神經網絡用C語言編寫程序，起動后，讀入數據，在幾個煤氣流分布模式中，取最接近的作為判定結果，送入專家系統。專家系統根據模式識別的輸出和信息處理的輸出，使用預先裝入的規則，經過推理機進行推理，預測軋鋼加熱爐爐況，輸出操作指導。 [align=center] 圖5 神經網絡與專家系統的結合[/align] 四. 自組織神經網絡在軋鋼加熱爐模式識別中的應用 　　以爐膛溫度來說，在爐膛沿上方向和左右方向共設置一些測溫點，溫度數據是二維的分布模式，依靠操作人員觀察對模式進行分類是很困難的，因此不能預先給出教導模式，而是用自組織網絡自動抽取數據特征，進行分類。 　　自組織網絡采用多個輸入節點，多個輸出陣列，用一段時間的日平均測溫數據，用自組織網絡進行分類，得到軋鋼加熱爐高溫、稍高溫、低溫等幾種爐膛溫度模式，模式特征在鄰近節點間平滑變化。 　　使用自組織后的網絡，可以用來識別日平均爐膛溫度數據與哪一溫度分布模式最為接近，用這一識別可以定量分析與其它爐況數據的關系。 五.自適應神經網絡控制器在軋鋼加熱爐過程控制中的應用 　　自適應神經網絡控制是根據對人腦的宏觀結構功能模擬與人腦的控制、決策行為和各種邏輯推理機構出發而設計的一種控制器，它通過在線、實時學習，自動獲取知識，并能不斷地提高和完善控制性能。 　　5.1自適應神經網絡控制方式 　　5.1.1系統工作方式: 　　神經網絡控制系統將根據加熱爐工藝條件的不同和各種檢測情況,在其投運以后按下述方式工作. 　　5.1.1.1 加熱爐學習過程 　　加熱爐學習過程是系統觀察爐子的操作,記錄爐內各參數的變化,在線收集各種數據,建立各種工況模式,建立起各種自適應加熱爐模式,在線觀察其工作性能,使其達到操作預報的功能。 　　5.1.1.2基礎調節及性能監視 　　通過各種常規PID調節算法進行在線實驗，確定其最佳參數，同時構造調節學習網絡，并由其記錄爐子的響應，評價其控制性能，建立起工況條件與調節器工作參數模式的識別網絡，這個過程形成的性能監視器和運行模式識別網絡具有在線運行能力，即對于工況的變化具有識別和輸出適當結果的功能。另外，調節器學習網絡也在線運行，以比較調節器在各種工況下的行為和性能，提供系統報警和修改參數的依據。 　　5.1.1.3自適應環境跟隨 　　由前兩階段形成的系統模式，經過在線確認后，就形成了自適應加熱爐控制模式，其主要特征是：隨工況環境和檢測條件的變化，自動完成這些狀態變化的識別，作出相應的調節策略，同時作出各種操作下的狀態預報，完成其控制目的。 　　5.1.2自適應神經網絡控制 　　圖6是采用一個非線性神經元作為控制對象的補償器，構成自適應控制系統。 [align=center] 圖6 神經網絡自適應控制系統[/align] 　　取期望輸出Yd與實際輸出之差e作為神經網絡的輸入，采用Hebb學習規則調整神經元的權值Wj，產生所要求的控制，使系統跟隨期望輸出。 　　這里取 　　x1 = yd — y = e（K），x2 = e（K） — e（K—1），x3 = e（K）— 2e（K—1）+ e（K—2） 　　 　　W1 e（K）+W2[e（K）—e（K—1）]+W3[e（K）—2e（K—1）+ e（K—2）] 　　可以看出，控制量正好是PID調節器的比例、積分、微分作用。可以通過有指導的學習，對權值進行訓練，訓練時，采用下式： 　　Wj（t+1）= Wj（t）+り[Yd — Y] + a [Wj（t）— Wj（t—1）] 　　J = 1，2，3 　　不斷更新權值。 　　訓練完成后，即可對系統進行PID控制，并可在線修正權值，進行自適應控制。 　　這樣將軋鋼加熱爐燃燒過程中的各種檢測數據作為輸入信號，加熱爐的各種爐況視為輸出信號，通過學習，可將測量數據與爐況之間的各種復雜的非線性影射關系用自適應網絡來表示，在加熱爐實際操作時，根據加熱爐監視系統所測到的各種數據輸入到計算機，自適應網絡將自動判別加熱爐目前的爐況。同樣，可將爐況和溫度、壓力、流量等各種測量值數據作為輸入信號，將各種控制參數作為輸出信號，自適應控制系統將根據目前的爐況和各種測量數據，自動控制加熱爐的操作，由于自適應控制具有較強的自學習能力，將大大地改善加熱爐的判別和控制的可靠性，以及自動化程度。 　　控制系統的動態過程是不斷變化的，為了獲得良好的控制性能，控制器必須根據系統的動態特性，不斷地改善或調節控制決策，以便使控制器本身的控制規律適應于控制系統的需要。 　　計算機就這樣從數據庫中獲取知識，借助于特征狀態捕捉動態過程的特征信息，識別系統的動態行為，作為控制決策的依據，在控制過程中，使用定性知識和推理機構對控制對象進行有效的控制。 　　5.2爐溫產量自協調控制 　　軋制節奏對爐溫設定值影響很大，為適應不同的軋制節奏，爐溫的設定值就必須隨軋制速度進行修正，通過對出爐鋼坯數的記錄，計算出軋機的 軋制速度，將 軋制速度分為5個檔次：高速軋制，稍高速軋制，中速軋制，低速軋制，停軋。在爐溫設定值的基礎上，根據軋機生產的節奏快慢，自動上下浮動一定的溫度值來控制，生產故障時，自動調整溫度值來控制加熱爐的燃燒過程，以達到節能降耗的目的。 六、結 語 　　實踐結果表明，利用神經網絡，對難以實現自動化的軋鋼加熱爐的分布數據模式可以進行自動識別，用于支持軋鋼加熱爐操作的專家系統，以增強軋鋼加熱爐操作管理系統的功能。 　　操作人員可以根據經驗能抽取數據特征，形成教導用模式分類，用層次神經網絡，采用自學習算法識別輸入數據的模式，在操作人員難以根據直觀判斷抽取數據特征形成模式分類時，采用自組織神經網絡，自動抽取數據特征，形成模式識別的分類。 　　根據前面模式識別所得出的軋鋼加熱爐各種特征數據，我們就可以對加熱爐進行自適應神經網絡控制。 　　這里分析研究了神經網絡在軋鋼加熱爐模式識別和智能控制中的應用情況，從這些應用中可以看出神經網絡的優異牲能，可以預見，神經網絡在冶金工業自動化系統中將會得到越來越多的應用，具有廣闊的應用前景。 參考文獻 　　1. 張立明.《人工神經網絡的模型及其應用》,上海：復旦大學出版社,1993. 　　2. 方康玲，《過程控制系統》，武漢：武漢理工大學出版社，2002 　　3.王順晃等，《智能控制系統及應用》，北京，機械工業出版社，1995 　　4.王耀南等，《實時專家智能控制系統REICS設計應用》，計算技術與自動化技術，1995，