摘 要：本文分析研究了神經(jīng)網(wǎng)絡(luò)的工作原理及其在加熱爐模式識(shí)別與智能控制系統(tǒng)中應(yīng)用情況,，論述了加熱爐模式識(shí)別與智能控制的特點(diǎn),。實(shí)踐結(jié)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(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 模式識(shí)別 軋鋼加熱爐 智能控制

一、前 言

　　近年來(lái),，模擬生物神經(jīng)系統(tǒng)的神經(jīng)網(wǎng)絡(luò),，由于具有學(xué)習(xí)、自組織等新的信息處理能力,，對(duì)于模式識(shí)別問(wèn)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(guò)程中的重要設(shè)備之一,在實(shí)際操作過(guò)程中,，操作人員依靠傳感器的信息,，判斷爐況，進(jìn)行操作,。有些判斷難以用簡(jiǎn)單的“IF A THEN B”這樣的規(guī)則表達(dá),，而是根據(jù)操作人員的經(jīng)驗(yàn)，將爐況分成幾種模式,，用神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別目前爐況屬于那種模式,，對(duì)其進(jìn)行操作進(jìn)行指導(dǎo)，或作為專家系統(tǒng)的補(bǔ)充,，有較大的作用,。

二、神經(jīng)網(wǎng)絡(luò)模型

　　神經(jīng)網(wǎng)絡(luò)是模擬生物的神經(jīng)系統(tǒng)（特別是腦）功能的網(wǎng)絡(luò),。人腦約由150億個(gè)神經(jīng)細(xì)胞組成,，每個(gè)細(xì)胞同數(shù)千、數(shù)萬(wàn)個(gè)神經(jīng)細(xì)胞相聯(lián)系,，形成網(wǎng)絡(luò),。這樣,，神經(jīng)細(xì)胞模型可以看作是n輸入單輸出的信息處理單元。某個(gè)輸入Xi對(duì)神經(jīng)細(xì)胞的影響以影響度表示,，稱為細(xì)胞的結(jié)合權(quán)重或效率Wi,，這個(gè)細(xì)包模型如圖1所示。
圖1 細(xì)胞模型
　　細(xì)胞的輸入有強(qiáng)有弱,，當(dāng)其總合超過(guò)某一閥值,，則細(xì)胞進(jìn)入興奮狀態(tài)，產(chǎn)生輸出;當(dāng)其總合低于閾值時(shí),，細(xì)胞進(jìn)入抑制狀態(tài),，沒(méi)有輸出。

　　神經(jīng)細(xì)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(luò)模型,，在神經(jīng)網(wǎng)絡(luò)中，由于神經(jīng)細(xì)胞的計(jì)算的并行性,，其總體計(jì)算效率很高,。生物的一個(gè)重要特征是有自學(xué)習(xí)功能，改變神經(jīng)網(wǎng)絡(luò)中細(xì)胞（或節(jié)點(diǎn)）輸入端的權(quán)重或者細(xì)胞興奮的閥值,，控制細(xì)胞的興奮狀態(tài),，可以實(shí)現(xiàn)生物系統(tǒng)所具有的靈活的判斷和自學(xué)習(xí)功能。

　　神經(jīng)網(wǎng)絡(luò)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(luò)
　　圖2是一個(gè)三層感知器神經(jīng)網(wǎng)絡(luò),，有N個(gè)輸人，M個(gè)輸出,，一個(gè)中間層,。從輸入信

　　號(hào)x，由內(nèi)部單元經(jīng)非線性變換,，最終得到輸出y,。

　　對(duì)于輸入x，期望的輸出設(shè)為yd=yd（x）,，而實(shí)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(luò)內(nèi)部細(xì)胞的結(jié)合權(quán)重有關(guān)。由期望輸出與實(shí)際輸出的誤差信號(hào)

　　e = yd（x）-y（x）

　　調(diào)整網(wǎng)絡(luò)內(nèi)部的結(jié)合權(quán),，使誤差減小,，以改善神經(jīng)網(wǎng)絡(luò)的工作，這稱為學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),。

　　在這種場(chǎng)合,，因?yàn)榻o定期望的輸出，故稱為有教導(dǎo)的學(xué)習(xí),。

　　目前逆向誤差傳播學(xué)習(xí)法得到廣泛應(yīng)用,，這一學(xué)習(xí)法以輸出的二乘誤差為評(píng)價(jià)函數(shù),，以最速下降法反向修正各層結(jié)合權(quán)和閥值,。

　　這樣,，開(kāi)始時(shí)在網(wǎng)絡(luò)上隨機(jī)設(shè)置小的權(quán)重和內(nèi)部閥值，重復(fù)輸入訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí),，每一試驗(yàn),，根據(jù)指標(biāo)的誤差信息對(duì)權(quán)值和閥值進(jìn)行調(diào)整，直到指標(biāo)達(dá)到可以接受的值,。這一迭代算法步驟如下：

　?。?） 權(quán)值和閥值的初始值設(shè)定。

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

　?。?） 計(jì)算實(shí)際輸出。

　?。?） 調(diào)整權(quán)重,。

　　（5） 返回（2）,，重復(fù)進(jìn)行,。

　　對(duì)于閥值的調(diào)整也可以相似進(jìn)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(guò)自學(xué)習(xí)抽取對(duì)象數(shù)據(jù)的特征,，進(jìn)

　　行基本模式的分類，這稱為無(wú)教導(dǎo)的學(xué)習(xí),。

　　圖3所示M個(gè)輸出節(jié)點(diǎn)的陣列,，用來(lái)抽取輸入特征，輸出節(jié)點(diǎn)用局部連接相連,。每一輸入xi通過(guò)可變的權(quán)重wij與每一輸出節(jié)點(diǎn)yj相連,。反復(fù)送入分類數(shù)據(jù)作為輸入向量x，權(quán)重將進(jìn)行組織,，以輸出最大的節(jié)點(diǎn)為核心,，使核的節(jié)點(diǎn)和其鄰近的節(jié)點(diǎn)響應(yīng)相同的輸入信號(hào)。通過(guò)這種學(xué)習(xí),，使各節(jié)點(diǎn)的權(quán)重代表相應(yīng)的輸入模式,。與逆向誤差傳播多層神經(jīng)網(wǎng)絡(luò)不同的是：這里是由學(xué)習(xí)自動(dòng)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(quán)重記憶,，找出權(quán)重就掌握了數(shù)據(jù)的特征,。圖3為自組織網(wǎng)絡(luò)圖。
圖3 自組織網(wǎng)絡(luò)圖
三 ,、多層感知器神經(jīng)網(wǎng)絡(luò)在軋鋼加熱爐模式識(shí)別中的應(yīng)用

　　采用多層感知器神經(jīng)網(wǎng)絡(luò)作為軋鋼加熱爐爐溫控制和熱風(fēng)量控制專家系統(tǒng)的一部分,。 以軋鋼加熱爐爐溫預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)為例，采用如圖4所示的三層網(wǎng)絡(luò),。以鋼坯加熱狀況,，煤氣成分，爐中部熱平衡計(jì)算求得的計(jì)算值指數(shù),、 爐體熱損失量過(guò)程數(shù)據(jù)作為輸入層的輸入,。
圖4 爐溫預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)
　　中間層通過(guò)調(diào)整后選用幾個(gè)節(jié)點(diǎn)，輸出層有三個(gè)節(jié)點(diǎn),，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(yù)測(cè)值。學(xué)習(xí)采用逆向誤差傳播學(xué)習(xí)算法,，進(jìn)行權(quán)重調(diào)整以加快收斂,。

　　對(duì)于采用多層神經(jīng)網(wǎng)絡(luò)對(duì)爐內(nèi)煤氣流分布進(jìn)行預(yù)測(cè)，作為專家系統(tǒng)的一部分,。模式識(shí)別的對(duì)象是爐膛上部檢測(cè)器,、爐膛中部檢測(cè)器和爐壁（縱向）溫度計(jì)，檢測(cè)器是插入爐內(nèi)的煤氣溫度計(jì)或煤氣采樣管,。對(duì)爐膛上部檢測(cè),、爐膛中部檢測(cè)、爐壁;（縱向）溫度的模式識(shí)別都采用三層神經(jīng)網(wǎng)絡(luò),。預(yù)先根據(jù)過(guò)去的操作經(jīng)驗(yàn)對(duì)軋鋼加熱爐爐況進(jìn)行分類,，直觀判斷所檢測(cè)的數(shù)據(jù)模式接近那一類，這樣,，得到幾種模式作為教導(dǎo)數(shù)據(jù),，故神經(jīng)網(wǎng)絡(luò)的輸出層也采用幾個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)的輸出代表一種模式,。

　　輸入層的節(jié)點(diǎn)數(shù)和中間層的節(jié)點(diǎn)數(shù)也都進(jìn)行歸類分析經(jīng)過(guò)歸一化進(jìn)行整理得出有效控制模式,。

　　學(xué)習(xí)方法也采用逆向誤差傳播學(xué)習(xí)法進(jìn)行學(xué)習(xí)，并與專家系統(tǒng)結(jié)果進(jìn)行比較，得出最佳結(jié)果,。

　　神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合如圖5所示,。神經(jīng)網(wǎng)絡(luò)用C語(yǔ)言編寫程序，起動(dòng)后,，讀入數(shù)據(jù),，在幾個(gè)煤氣流分布模式中，取最接近的作為判定結(jié)果,，送入專家系統(tǒng),。專家系統(tǒng)根據(jù)模式識(shí)別的輸出和信息處理的輸出,，使用預(yù)先裝入的規(guī)則,，經(jīng)過(guò)推理機(jī)進(jìn)行推理，預(yù)測(cè)軋鋼加熱爐爐況,，輸出操作指導(dǎo),。
圖5 神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合
四. 自組織神經(jīng)網(wǎng)絡(luò)在軋鋼加熱爐模式識(shí)別中的應(yīng)用

　　以爐膛溫度來(lái)說(shuō)，在爐膛沿上方向和左右方向共設(shè)置一些測(cè)溫點(diǎn),，溫度數(shù)據(jù)是二維的分布模式,，依靠操作人員觀察對(duì)模式進(jìn)行分類是很困難的，因此不能預(yù)先給出教導(dǎo)模式,，而是用自組織網(wǎng)絡(luò)自動(dòng)抽取數(shù)據(jù)特征,，進(jìn)行分類。

　　自組織網(wǎng)絡(luò)采用多個(gè)輸入節(jié)點(diǎn),，多個(gè)輸出陣列,，用一段時(shí)間的日平均測(cè)溫?cái)?shù)據(jù)，用自組織網(wǎng)絡(luò)進(jìn)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(diǎn)間平滑變化,。

　　使用自組織后的網(wǎng)絡(luò)，可以用來(lái)識(shí)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(shí)別可以定量分析與其它爐況數(shù)據(jù)的關(guān)系,。

五.自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器在軋鋼加熱爐過(guò)程控制中的應(yīng)用

　　自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制是根據(jù)對(duì)人腦的宏觀結(jié)構(gòu)功能模擬與人腦的控制、決策行為和各種邏輯推理機(jī)構(gòu)出發(fā)而設(shè)計(jì)的一種控制器,，它通過(guò)在線,、實(shí)時(shí)學(xué)習(xí)，自動(dòng)獲取知識(shí),，并能不斷地提高和完善控制性能,。

　　5.1自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制方式

　　5.1.1系統(tǒng)工作方式:

　　神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)將根據(jù)加熱爐工藝條件的不同和各種檢測(cè)情況,在其投運(yùn)以后按下述方式工作.

　　5.1.1.1 加熱爐學(xué)習(xí)過(guò)程

　　加熱爐學(xué)習(xí)過(guò)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(yīng)加熱爐模式,在線觀察其工作性能,使其達(dá)到操作預(yù)報(bào)的功能。

　　5.1.1.2基礎(chǔ)調(diào)節(jié)及性能監(jiān)視

　　通過(guò)各種常規(guī)PID調(diào)節(jié)算法進(jìn)行在線實(shí)驗(yàn)，確定其最佳參數(shù),，同時(shí)構(gòu)造調(diào)節(jié)學(xué)習(xí)網(wǎng)絡(luò),，并由其記錄爐子的響應(yīng)，評(píng)價(jià)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(shí)別網(wǎng)絡(luò),，這個(gè)過(guò)程形成的性能監(jiān)視器和運(yùn)行模式識(shí)別網(wǎng)絡(luò)具有在線運(yùn)行能力，即對(duì)于工況的變化具有識(shí)別和輸出適當(dāng)結(jié)果的功能,。另外,，調(diào)節(jié)器學(xué)習(xí)網(wǎng)絡(luò)也在線運(yùn)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(bào)警和修改參數(shù)的依據(jù),。

　　5.1.1.3自適應(yīng)環(huán)境跟隨

　　由前兩階段形成的系統(tǒng)模式，經(jīng)過(guò)在線確認(rèn)后,，就形成了自適應(yīng)加熱爐控制模式,，其主要特征是：隨工況環(huán)境和檢測(cè)條件的變化，自動(dòng)完成這些狀態(tài)變化的識(shí)別,，作出相應(yīng)的調(diào)節(jié)策略,，同時(shí)作出各種操作下的狀態(tài)預(yù)報(bào)，完成其控制目的,。

　　5.1.2自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制

　　圖6是采用一個(gè)非線性神經(jīng)元作為控制對(duì)象的補(bǔ)償器,，構(gòu)成自適應(yīng)控制系統(tǒng)。
圖6 神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制系統(tǒng)
　　取期望輸出Yd與實(shí)際輸出之差e作為神經(jīng)網(wǎng)絡(luò)的輸入,，采用Hebb學(xué)習(xí)規(guī)則調(diào)整神經(jīng)元的權(quán)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^(guò)有指導(dǎo)的學(xué)習(xí)，對(duì)權(quán)值進(jìn)行訓(xùn)練,，訓(xùn)練時(shí),，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(quán)值,。

　　訓(xùn)練完成后,，即可對(duì)系統(tǒng)進(jìn)行PID控制，并可在線修正權(quán)值,，進(jìn)行自適應(yīng)控制,。

　　這樣將軋鋼加熱爐燃燒過(guò)程中的各種檢測(cè)數(shù)據(jù)作為輸入信號(hào)，加熱爐的各種爐況視為輸出信號(hào),，通過(guò)學(xué)習(xí),，可將測(cè)量數(shù)據(jù)與爐況之間的各種復(fù)雜的非線性影射關(guān)系用自適應(yīng)網(wǎng)絡(luò)來(lái)表示，在加熱爐實(shí)際操作時(shí),，根據(jù)加熱爐監(jiān)視系統(tǒng)所測(cè)到的各種數(shù)據(jù)輸入到計(jì)算機(jī),，自適應(yīng)網(wǎng)絡(luò)將自動(dòng)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(cè)量值數(shù)據(jù)作為輸入信號(hào),，將各種控制參數(shù)作為輸出信號(hào),，自適應(yīng)控制系統(tǒng)將根據(jù)目前的爐況和各種測(cè)量數(shù)據(jù)，自動(dòng)控制加熱爐的操作,，由于自適應(yīng)控制具有較強(qiáng)的自學(xué)習(xí)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(dòng)化程度,。

　　控制系統(tǒng)的動(dòng)態(tài)過(guò)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(dòng)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(yīng)于控制系統(tǒng)的需要,。

　　計(jì)算機(jī)就這樣從數(shù)據(jù)庫(kù)中獲取知識(shí),，借助于特征狀態(tài)捕捉動(dòng)態(tài)過(guò)程的特征信息，識(shí)別系統(tǒng)的動(dòng)態(tài)行為,，作為控制決策的依據(jù),，在控制過(guò)程中，使用定性知識(shí)和推理機(jī)構(gòu)對(duì)控制對(duì)象進(jìn)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(duì)爐溫設(shè)定值影響很大,，為適應(yīng)不同的軋制節(jié)奏，爐溫的設(shè)定值就必須隨軋制速度進(jìn)行修正,，通過(guò)對(duì)出爐鋼坯數(shù)的記錄,，計(jì)算出軋機(jī)的 軋制速度，將 軋制速度分為5個(gè)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(shè)定值的基礎(chǔ)上,，根據(jù)軋機(jī)生產(chǎn)的節(jié)奏快慢，自動(dòng)上下浮動(dòng)一定的溫度值來(lái)控制,，生產(chǎn)故障時(shí),，自動(dòng)調(diào)整溫度值來(lái)控制加熱爐的燃燒過(guò)程，以達(dá)到節(jié)能降耗的目的,。

六,、結(jié) 語(yǔ)

　　實(shí)踐結(jié)果表明，利用神經(jīng)網(wǎng)絡(luò),，對(duì)難以實(shí)現(xiàn)自動(dòng)化的軋鋼加熱爐的分布數(shù)據(jù)模式可以進(jìn)行自動(dòng)識(shí)別,，用于支持軋鋼加熱爐操作的專家系統(tǒng)，以增強(qiáng)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(yàn)?zāi)艹槿?shù)據(jù)特征,，形成教導(dǎo)用模式分類，用層次神經(jīng)網(wǎng)絡(luò),，采用自學(xué)習(xí)算法識(shí)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(shí)，采用自組織神經(jīng)網(wǎng)絡(luò),，自動(dòng)抽取數(shù)據(jù)特征,，形成模式識(shí)別的分類。

　　根據(jù)前面模式識(shí)別所得出的軋鋼加熱爐各種特征數(shù)據(jù),，我們就可以對(duì)加熱爐進(jìn)行自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制,。

　　這里分析研究了神經(jīng)網(wǎng)絡(luò)在軋鋼加熱爐模式識(shí)別和智能控制中的應(yīng)用情況，從這些應(yīng)用中可以看出神經(jīng)網(wǎng)絡(luò)的優(yōu)異牲能,，可以預(yù)見(jiàn),，神經(jīng)網(wǎng)絡(luò)在冶金工業(yè)自動(dòng)化系統(tǒng)中將會(huì)得到越來(lái)越多的應(yīng)用，具有廣闊的應(yīng)用前景,。

參考文獻(xiàn)

　　1. 張立明.《人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用》,上海：復(fù)旦大學(xué)出版社,1993.

　　2. 方康玲,，《過(guò)程控制系統(tǒng)》，武漢：武漢理工大學(xué)出版社,，2002

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

　　4.王耀南等，《實(shí)時(shí)專家智能控制系統(tǒng)REICS設(shè)計(jì)應(yīng)用》,，計(jì)算技術(shù)與自動(dòng)化技術(shù),，1995