肖學(xué)文，葉 波，勇浩晨，董 斌

(1.中治賽迪工程技術(shù)股份有限公司，重慶 401122； 2.重慶賽迪熱工環(huán)保工程技術(shù)有限公司，重慶 401122；3.中冶賽迪重慶信息技術(shù)有限公司，重慶 401122； 4.中冶賽迪技術(shù)研究中心有限公司，重慶 401122)

隨著我國(guó)鋼鐵事業(yè)的迅猛發(fā)展，軋鋼加熱爐的運(yùn)行數(shù)量也在迅速增加[1]，這些運(yùn)行中的加熱爐大都采取步進(jìn)方式，利用物理分段供熱實(shí)現(xiàn)連續(xù)化生產(chǎn)。此類型的加熱爐通過(guò)對(duì)各個(gè)控制段實(shí)施不同的溫度控制來(lái)實(shí)現(xiàn)對(duì)爐內(nèi)鋼坯的加熱過(guò)程控制。目前尚沒(méi)有較好的測(cè)量手段在加熱爐內(nèi)對(duì)鋼坯的溫度進(jìn)行連續(xù)的測(cè)量。在加熱爐外常常采用非接觸式測(cè)溫技術(shù)[2]，由于氧化鐵皮等諸多因素的影響，對(duì)鋼坯溫度的直接測(cè)量點(diǎn)通常建立在軋鋼粗軋后，也就是通常所說(shuō)的RDT。許多鋼鐵生產(chǎn)企業(yè)對(duì)于加熱爐加熱鋼坯的質(zhì)量要求，也是通過(guò)RDT達(dá)標(biāo)率來(lái)進(jìn)行衡量。因此，進(jìn)行加熱爐各段爐溫對(duì)鋼坯粗軋終軋溫度影響的研究就顯得非常有必要。

由于經(jīng)過(guò)加熱的鋼坯從加熱爐出爐后，要經(jīng)過(guò)高壓水除鱗以及粗軋等工序，在整個(gè)過(guò)程中涉及了輻射、對(duì)流、傳導(dǎo)和軋制變形溫升等四種傳熱方式[3]。因此直接進(jìn)行數(shù)學(xué)機(jī)理建模的方式較為復(fù)雜，并且諸多控制因素皆可能對(duì)其準(zhǔn)確性造成較大的影響。因此，在本文中擬不采用機(jī)理模型的方式來(lái)建立爐溫與粗軋機(jī)終軋溫度之間的關(guān)系，而是利用采集的實(shí)際生產(chǎn)數(shù)據(jù)，采用數(shù)學(xué)分析的方法來(lái)建立爐溫與粗軋終軋溫度之間的聯(lián)系。

1 現(xiàn)場(chǎng)概況及數(shù)據(jù)采集方式

某鋼鐵廠1 580 mm熱軋生產(chǎn)線主要為汽車、家電、建筑及結(jié)構(gòu)、機(jī)械、電氣等行業(yè)提供高品質(zhì)、高技術(shù)含量、高附加值的板材產(chǎn)品。共建設(shè)了4座步進(jìn)梁式加熱爐，單爐額定加熱能力為300 t/h(冷坯)。加熱爐爐型為端進(jìn)端出、上下加熱、混合煤氣常規(guī)+脈沖燃燒、全液壓傳動(dòng)滾輪斜臺(tái)面式步進(jìn)梁式加熱爐，詳見(jiàn)圖1。

圖1 加熱爐爐型結(jié)構(gòu)簡(jiǎn)圖

加熱爐設(shè)計(jì)有效長(zhǎng)度44 870 mm，內(nèi)寬11 700 mm。加熱爐設(shè)12個(gè)爐溫自動(dòng)控制區(qū)域，即預(yù)熱段、一加熱段、二加熱段、均熱段的上、下控制區(qū)，除上部均熱段采用平焰燒嘴供熱，其余各段均采用低NOx燒嘴側(cè)向供熱。其中均熱段上采用雙交叉限幅連續(xù)燃燒控制，其余各段均采用數(shù)字化脈沖燃燒控制。另外，加熱爐還設(shè)有一個(gè)不供熱的熱回收段，以充分回收煙氣余熱，節(jié)約能源。

先通過(guò)儀表PLC對(duì)加熱爐溫度傳感器(熱電偶)的數(shù)據(jù)進(jìn)行采集與處理[4]。上部爐溫?cái)?shù)據(jù)從安裝在加熱爐爐頂?shù)臒犭娕极@得，下部爐溫溫度從安裝在側(cè)墻上的熱電偶獲得。采集系統(tǒng)以30 s為周期與儀表PLC進(jìn)行通信，采集各個(gè)測(cè)量點(diǎn)的爐溫?cái)?shù)據(jù)。鋼坯經(jīng)粗軋機(jī)終軋后的溫度(RDT)則通過(guò)與軋機(jī)相關(guān)控制系統(tǒng)通信進(jìn)行采集。溫度采集系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 溫度采集分析系統(tǒng)構(gòu)架圖

2 針對(duì)溫度分析系統(tǒng)方法設(shè)計(jì)

加熱爐爐溫與鋼坯經(jīng)粗軋機(jī)終軋后的溫度的關(guān)系的分析算法按照以下的方法進(jìn)行設(shè)計(jì)。

1) 以鋼坯為核心的鋼坯相關(guān)爐溫?cái)?shù)據(jù)預(yù)處理

由于溫度采集分析系統(tǒng)對(duì)于加熱爐溫度與粗軋機(jī)終軋后的反饋溫度采取了不同的數(shù)據(jù)收集方式，在本文中選擇了以鋼坯為核心的數(shù)據(jù)處理方式來(lái)進(jìn)行數(shù)據(jù)預(yù)處理。粗軋機(jī)終軋反饋溫度本身按照鋼坯號(hào)進(jìn)行反饋，可根據(jù)數(shù)據(jù)區(qū)間判斷剔除明顯不合理的誤報(bào)溫度信息。針對(duì)熱電偶采集溫度的處理則按照以下的方式來(lái)獲取每塊鋼坯在各個(gè)控制區(qū)域內(nèi)的加權(quán)平均爐溫：

式中：Tfn為某個(gè)加熱爐內(nèi)所有熱電偶溫度平均值；wn為溫度的加權(quán)數(shù)，根據(jù)鋼坯位于加熱控制區(qū)域的位置來(lái)進(jìn)行確定，在設(shè)計(jì)時(shí)，遵循w1+w2…+wn=n的規(guī)則。

2) 建立鋼坯-爐溫?cái)?shù)據(jù)表

在完成前序數(shù)據(jù)處理的基礎(chǔ)上建立鋼坯-爐溫?cái)?shù)據(jù)表，數(shù)據(jù)表的內(nèi)容如表1所示。

表1 鋼坯-爐溫?cái)?shù)據(jù)表

3) 建立爐溫-鋼坯經(jīng)粗軋機(jī)終軋后的溫度算法模型以加熱爐爐溫?cái)?shù)據(jù)中與鋼坯號(hào)對(duì)應(yīng)的各段加權(quán)平均溫度為輸入層，鋼坯在粗軋機(jī)終軋后平均溫度為輸出層，建立神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)模型，見(jiàn)圖3。

圖3 神經(jīng)網(wǎng)絡(luò)示意圖

在網(wǎng)絡(luò)中，一個(gè)基本的神經(jīng)元模型具有n個(gè)輸入，每個(gè)輸入都是通過(guò)適當(dāng)?shù)臋?quán)值w和下一個(gè)神經(jīng)元相連，如圖4所示。

圖4 神經(jīng)元模型示意圖

由于輸入層的數(shù)據(jù)與輸出層的數(shù)據(jù)之間經(jīng)歷了較為復(fù)雜的熱傳導(dǎo)過(guò)程(輻射、對(duì)流、傳導(dǎo)和變形溫升)，因此假定他們之間為非線性的關(guān)系。進(jìn)一步引入激活函數(shù)。在激活函數(shù)的選用上，雖然Sigmoid函數(shù)運(yùn)用最為廣泛，但在后向傳遞過(guò)程中，Sigmoid向下傳導(dǎo)的梯度包含了一個(gè)f’(x) 因子(Sigmoid關(guān)于輸入的導(dǎo)數(shù))，因此一旦輸入落入飽和區(qū)，f’(x) 就會(huì)變得接近于0，導(dǎo)致了向底層傳遞的梯度也變得非常小。此時(shí)，網(wǎng)絡(luò)參數(shù)很難得到有效訓(xùn)練。在本文中采用了ReLU激活函數(shù)。相比起Sigmoid函數(shù)夠快速收斂，有效緩解了梯度消失的問(wèn)題，在沒(méi)有監(jiān)督預(yù)訓(xùn)練的時(shí)候也能有較好的表現(xiàn)。

ReLU激活函數(shù)被定義為f(x)=max(0,x),表現(xiàn)形式如圖5所示。

圖5 RDT計(jì)算結(jié)果

在優(yōu)化算法的選擇上，選用了一種可以替代傳統(tǒng)隨機(jī)梯度下降過(guò)程的一階優(yōu)化算法——Adam算法，能基于訓(xùn)練數(shù)據(jù)迭代地更新神經(jīng)網(wǎng)絡(luò)權(quán)重。Adam優(yōu)化算法其實(shí)是動(dòng)量梯度下降算法和RMSprop算法的結(jié)合。Adam算法公式為

gt=?θJ(θt-1)

mt=β1mt-1+(1-β1)gt

式中：gt為梯度；mt為梯度均值；vt為梯度方差。

Adam算法的偏差修正：

更新權(quán)重：

超參數(shù)：

β1、β2為指數(shù)衰減率，β1=0.9，β2=0.999。

α為學(xué)習(xí)率，α=0.001。

ε=10-8，避免除數(shù)變?yōu)?。

初始化：m0=0,v0=0。

3 實(shí)際應(yīng)用解決

針對(duì)所需解決的問(wèn)題，完成神經(jīng)網(wǎng)絡(luò)構(gòu)造和算法后，利用tensorflow所含keras算法模塊進(jìn)行分析。

具體步驟如下：

(1) 從燃燒控制模型系統(tǒng)的數(shù)據(jù)庫(kù)中，導(dǎo)出一定數(shù)據(jù)量的鋼坯在爐加熱的平均爐溫信息以及作為輸入訓(xùn)練樣本，鋼坯在粗軋機(jī)終軋后平均溫度(RDT)為其輸出訓(xùn)練樣本。

(2)引用NumPy的pandas工具，將數(shù)據(jù)導(dǎo)入分系統(tǒng)。

(3) 引入keras作為Tensorflow高階應(yīng)用程序接口，設(shè)計(jì)激活函數(shù)為ReLU，優(yōu)化算法為Adam的神經(jīng)網(wǎng)絡(luò)。

(4) 進(jìn)行神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練，在訓(xùn)練過(guò)程中，引入mes函數(shù)進(jìn)行誤差評(píng)估，可接受的溫差偏差值為15 ℃，其平方誤差為225。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差限制在此范圍內(nèi)。樣本在進(jìn)行了10 000次神經(jīng)網(wǎng)絡(luò)的有效訓(xùn)練后，誤差能夠達(dá)到182.9。

(5) 利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，輸入需要加熱爐爐溫?cái)?shù)值進(jìn)行RDT溫度預(yù)測(cè)。

加熱爐各段溫度檢測(cè)值如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)算法輸入數(shù)據(jù)

計(jì)算結(jié)果如圖6所示。得到相應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果(RDT)為1 112.047 ℃，現(xiàn)場(chǎng)實(shí)際監(jiān)測(cè)溫度值為1 108 ℃，預(yù)測(cè)與實(shí)測(cè)誤差較小，證明該方法具備工程上應(yīng)用價(jià)值。

圖6 ReLU激活函數(shù)表現(xiàn)形式

4 結(jié) 語(yǔ)

本文以現(xiàn)場(chǎng)采集的歷史數(shù)據(jù)為基礎(chǔ)，通過(guò)歷史數(shù)據(jù)挖掘的方法，避免復(fù)雜且不準(zhǔn)確的物理建模過(guò)程，在鋼坯粗軋終軋溫度與加熱爐實(shí)際爐溫之間建立了有效聯(lián)系。該算法的建立使通過(guò)爐溫預(yù)測(cè)鋼坯終軋溫度成為了可能，通過(guò)該算法可以指導(dǎo)燃控系統(tǒng)進(jìn)行各段的爐溫調(diào)節(jié)來(lái)實(shí)現(xiàn)鋼坯終軋溫度達(dá)標(biāo)率的有效提升。從而提高了加熱爐服務(wù)于軋線軋制工藝的能力。