摘 要：本文分析研究了神經(jīng)網(wǎng)絡的工作原理及其在加熱爐模式識別與智能控制系統(tǒng)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(jīng)網(wǎng)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(jīng)系統(tǒng)的神經(jīng)網(wǎng)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(yōu)越性，得到了迅速的發(fā)展。在冶金行業(yè)中,軋鋼加熱爐是軋鋼生產(chǎn)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(guī)則表達，而是根據(jù)操作人員的經(jīng)驗，將爐況分成幾種模式，用神經(jīng)網(wǎng)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(tǒng)的補充，有較大的作用。

二、神經(jīng)網(wǎng)絡模型

　　神經(jīng)網(wǎng)絡是模擬生物的神經(jīng)系統(tǒng)（特別是腦）功能的網(wǎng)絡。人腦約由150億個神經(jīng)細胞組成，每個細胞同數(shù)千、數(shù)萬個神經(jīng)細胞相聯(lián)系，形成網(wǎng)絡。這樣，神經(jīng)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(jīng)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。
圖1 細胞模型
　　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(tài)，產(chǎn)生輸出;當其總合低于閾值時，細胞進入抑制狀態(tài)，沒有輸出。

　　神經(jīng)細胞之間可以有不同的連接方式，目前已經(jīng)提出了許多神經(jīng)網(wǎng)絡模型，在神經(jīng)網(wǎng)絡中，由于神經(jīng)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(jīng)網(wǎng)絡中細胞（或節(jié)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(tài)，可以實現(xiàn)生物系統(tǒng)所具有的靈活的判斷和自學習功能。

　　神經(jīng)網(wǎng)絡的兩種常用的模型。

　　2.1 多層感知器模型
圖2 層次感知器神經(jīng)網(wǎng)絡
　　圖2是一個三層感知器神經(jīng)網(wǎng)絡，有N個輸人，M個輸出，一個中間層。從輸入信

　　號x，由內(nèi)部單元經(jīng)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(shù)與網(wǎng)絡內(nèi)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(diào)整網(wǎng)絡內(nèi)部的結合權，使誤差減小，以改善神經(jīng)網(wǎng)絡的工作，這稱為學習神經(jīng)網(wǎng)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(shù)，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(wǎng)絡上隨機設置小的權重和內(nèi)部閥值，重復輸入訓練數(shù)據(jù)進行學習，每一試驗，根據(jù)指標的誤差信息對權值和閥值進行調(diào)整，直到指標達到可以接受的值。這一迭代算法步驟如下：

　?。?） 權值和閥值的初始值設定。

　?。?） 給連續(xù)輸入向量x=｛x1，x2，…，xn｝和期望輸出 yd=｛yd1，yd2， …，ydM｝

　?。?） 計算實際輸出。

　　（4） 調(diào)整權重。

　　（5） 返回（2），重復進行。

　　對于閥值的調(diào)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(guī)定期望的輸出，通過自學習抽取對象數(shù)據(jù)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(jié)點的陣列，用來抽取輸入特征，輸出節(jié)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(jié)點yj相連。反復送入分類數(shù)據(jù)作為輸入向量x，權重將進行組織，以輸出最大的節(jié)點為核心，使核的節(jié)點和其鄰近的節(jié)點響應相同的輸入信號。通過這種學習，使各節(jié)點的權重代表相應的輸入模式。與逆向誤差傳播多層神經(jīng)網(wǎng)絡不同的是：這里是由學習自動抽取數(shù)據(jù)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(shù)據(jù)的特征。圖3為自組織網(wǎng)絡圖。
圖3 自組織網(wǎng)絡圖
三 、多層感知器神經(jīng)網(wǎng)絡在軋鋼加熱爐模式識別中的應用

　　采用多層感知器神經(jīng)網(wǎng)絡作為軋鋼加熱爐爐溫控制和熱風量控制專家系統(tǒng)的一部分。 以軋鋼加熱爐爐溫預測神經(jīng)網(wǎng)絡為例，采用如圖4所示的三層網(wǎng)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(shù)、 爐體熱損失量過程數(shù)據(jù)作為輸入層的輸入。
圖4 爐溫預測神經(jīng)網(wǎng)絡
　　中間層通過調(diào)整后選用幾個節(jié)點，輸出層有三個節(jié)點，即“爐溫變高”，“爐溫不變”和“爐溫變低”。輸入數(shù)據(jù)經(jīng)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(diào)整以加快收斂。

　　對于采用多層神經(jīng)網(wǎng)絡對爐內(nèi)煤氣流分布進行預測，作為專家系統(tǒng)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(nèi)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(jīng)網(wǎng)絡。預先根據(jù)過去的操作經(jīng)驗對軋鋼加熱爐爐況進行分類，直觀判斷所檢測的數(shù)據(jù)模式接近那一類，這樣，得到幾種模式作為教導數(shù)據(jù)，故神經(jīng)網(wǎng)絡的輸出層也采用幾個節(jié)點，每個節(jié)點的輸出代表一種模式。

　　輸入層的節(jié)點數(shù)和中間層的節(jié)點數(shù)也都進行歸類分析經(jīng)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(tǒng)結果進行比較，得出最佳結果。

　　神經(jīng)網(wǎng)絡與專家系統(tǒng)的結合如圖5所示。神經(jīng)網(wǎng)絡用C語言編寫程序，起動后，讀入數(shù)據(jù)，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(tǒng)。專家系統(tǒng)根據(jù)模式識別的輸出和信息處理的輸出，使用預先裝入的規(guī)則，經(jīng)過推理機進行推理，預測軋鋼加熱爐爐況，輸出操作指導。
圖5 神經(jīng)網(wǎng)絡與專家系統(tǒng)的結合
四. 自組織神經(jīng)網(wǎng)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(shù)據(jù)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(wǎng)絡自動抽取數(shù)據(jù)特征，進行分類。

　　自組織網(wǎng)絡采用多個輸入節(jié)點，多個輸出陣列，用一段時間的日平均測溫數(shù)據(jù)，用自組織網(wǎng)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(jié)點間平滑變化。

　　使用自組織后的網(wǎng)絡，可以用來識別日平均爐膛溫度數(shù)據(jù)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(shù)據(jù)的關系。

五.自適應神經(jīng)網(wǎng)絡控制器在軋鋼加熱爐過程控制中的應用

　　自適應神經(jīng)網(wǎng)絡控制是根據(jù)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(fā)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(jīng)網(wǎng)絡控制方式

　　5.1.1系統(tǒng)工作方式:

　　神經(jīng)網(wǎng)絡控制系統(tǒng)將根據(jù)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(tǒng)觀察爐子的操作,記錄爐內(nèi)各參數(shù)的變化,在線收集各種數(shù)據(jù),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(diào)節(jié)及性能監(jiān)視

　　通過各種常規(guī)PID調(diào)節(jié)算法進行在線實驗，確定其最佳參數(shù)，同時構造調(diào)節(jié)學習網(wǎng)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(diào)節(jié)器工作參數(shù)模式的識別網(wǎng)絡，這個過程形成的性能監(jiān)視器和運行模式識別網(wǎng)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(diào)節(jié)器學習網(wǎng)絡也在線運行，以比較調(diào)節(jié)器在各種工況下的行為和性能，提供系統(tǒng)報警和修改參數(shù)的依據(jù)。

　　5.1.1.3自適應環(huán)境跟隨

　　由前兩階段形成的系統(tǒng)模式，經(jīng)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(huán)境和檢測條件的變化，自動完成這些狀態(tài)變化的識別，作出相應的調(diào)節(jié)策略，同時作出各種操作下的狀態(tài)預報，完成其控制目的。

　　5.1.2自適應神經(jīng)網(wǎng)絡控制

　　圖6是采用一個非線性神經(jīng)元作為控制對象的補償器，構成自適應控制系統(tǒng)。
圖6 神經(jīng)網(wǎng)絡自適應控制系統(tǒng)
　　取期望輸出Yd與實際輸出之差e作為神經(jīng)網(wǎng)絡的輸入，采用Hebb學習規(guī)則調(diào)整神經(jīng)元的權值Wj，產(chǎn)生所要求的控制，使系統(tǒng)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(diào)節(jié)器的比例、積分、微分作用?？梢酝ㄟ^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(tǒng)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(shù)據(jù)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(shù)據(jù)與爐況之間的各種復雜的非線性影射關系用自適應網(wǎng)絡來表示，在加熱爐實際操作時，根據(jù)加熱爐監(jiān)視系統(tǒng)所測到的各種數(shù)據(jù)輸入到計算機，自適應網(wǎng)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(shù)據(jù)作為輸入信號，將各種控制參數(shù)作為輸出信號，自適應控制系統(tǒng)將根據(jù)目前的爐況和各種測量數(shù)據(jù)，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(tǒng)的動態(tài)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(jù)系統(tǒng)的動態(tài)特性，不斷地改善或調(diào)節(jié)控制決策，以便使控制器本身的控制規(guī)律適應于控制系統(tǒng)的需要。

　　計算機就這樣從數(shù)據(jù)庫中獲取知識，借助于特征狀態(tài)捕捉動態(tài)過程的特征信息，識別系統(tǒng)的動態(tài)行為，作為控制決策的依據(jù)，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(chǎn)量自協(xié)調(diào)控制

　　軋制節(jié)奏對爐溫設定值影響很大，為適應不同的軋制節(jié)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(shù)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(jù)軋機生產(chǎn)的節(jié)奏快慢，自動上下浮動一定的溫度值來控制，生產(chǎn)故障時，自動調(diào)整溫度值來控制加熱爐的燃燒過程，以達到節(jié)能降耗的目的。

六、結 語

　　實踐結果表明，利用神經(jīng)網(wǎng)絡，對難以實現(xiàn)自動化的軋鋼加熱爐的分布數(shù)據(jù)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(tǒng)，以增強軋鋼加熱爐操作管理系統(tǒng)的功能。

　　操作人員可以根據(jù)經(jīng)驗能抽取數(shù)據(jù)特征，形成教導用模式分類，用層次神經(jīng)網(wǎng)絡，采用自學習算法識別輸入數(shù)據(jù)的模式，在操作人員難以根據(jù)直觀判斷抽取數(shù)據(jù)特征形成模式分類時，采用自組織神經(jīng)網(wǎng)絡，自動抽取數(shù)據(jù)特征，形成模式識別的分類。

　　根據(jù)前面模式識別所得出的軋鋼加熱爐各種特征數(shù)據(jù)，我們就可以對加熱爐進行自適應神經(jīng)網(wǎng)絡控制。

　　這里分析研究了神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的優(yōu)異牲能，可以預見，神經(jīng)網(wǎng)絡在冶金工業(yè)自動化系統(tǒng)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(jīng)網(wǎng)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(tǒng)》，武漢：武漢理工大學出版社，2002

　　3.王順晃等，《智能控制系統(tǒng)及應用》，北京，機械工業(yè)出版社，1995

　　4.王耀南等，《實時專家智能控制系統(tǒng)REICS設計應用》，計算技術與自動化技術，1995