基于神经网络的工业炉炉温多步预测控制方法技术

本发明专利技术公开了一种基于神经网络的工业炉炉温多步预测控制方法，获取历史炉温与燃料量数据，计算当前时刻炉温与过去时刻燃料量、炉温的相关系数，选择相关系数大的变量作为输入，训练BP神经网络模型；将BP神经网络模型级联得到多步预测模型；对目标炉温进行柔化处理确定参考炉温；利用预测神经网络模型预测多步炉温，根据预测炉温与参考输炉温误差建立性能指标，基于融合PSO+N‑R方法最小化该性能指标，计算得到燃料量，据此控制炉温；将前一步长对应的燃料量作为下一步长PSO寻优的初始状态，基于融合PSO+N‑R方法计算下一步长的燃料量，不断滚动优化，实现工业炉炉温的多步预测控制。本发明专利技术不仅提高了炉温的控制精度，也降低了求解燃料量的时间成本。

Multi step predictive control method of industrial furnace temperature based on Neural Network

【技术实现步骤摘要】
基于神经网络的工业炉炉温多步预测控制方法
本专利技术涉及神经网络与预测控制领域，具体涉及一种基于神经网络的工业炉炉温多步预测控制方法。
技术介绍
工业炉炉温作为生产过程中最重要的参数之一，不仅影响到生产品质，还影响到能源节约、经济效益和生态环境，因此对工业炉的温度控制十分重要。传统的方法多数情况需要精确的数学模型，然而在实际工业过程中，对于强非线性工业炉进行精确的机理建模几乎是不可能的。因此，产生了一些新兴的控制方法如预测控制(PredictiveControl,PC)，通过滚动优化的方式计算一定步长的控制量，进行工业炉炉温控制。目前常见的滚动优化实现方法有黄金分割法、PSO、遗传算法(GeneticAlgorithm,GA)、N-R以及Levenberg-Marquardt算法等，其中黄金分割法是粗略的计算方法，控制精度低而且不能保证收敛，PSO和GA属于全局寻优算法，能够得到不错的控制效果，但是耗时较长且精度不高，不适用于实时性要求较高的控制过程，N-R和Levenberg-Marquardt算法属于局部优化算法，该类算法计算速度快，控制精度高，但初值选取不当很容易容易陷入局部极值，导致系统不收敛。
技术实现思路
本专利技术的目的在于提供一种基于神经网络的工业炉炉温多步预测控制方法。实现本专利技术目的的技术解决方案为：一种基于神经网络的工业炉炉温多步预测控制方法，包括如下步骤：步骤1：获取历史炉温与燃料量数据，分别计算当前时刻炉温与过去时刻燃料量、过去时刻炉温的相关系数，选择相关系数大于设定阈值的变量作为输入，构建训练集，训练BP神经网络模型；步骤2：将训练好的BP神经网络模型级联，得到多步预测模型；步骤3：对目标炉温进行柔化处理，将柔化后的炉温作为参考炉温；步骤4：利用预测神经网络模型预测多步炉温，根据预测炉温与参考输炉温误差建立性能指标，基于融合PSO+N-R方法最小化该性能指标，计算得到燃料量，据此控制炉温；步骤5：将前一步长对应的燃料量作为下一步长PSO寻优的初始状态，基于融合PSO+N-R方法计算下一步长的燃料量，不断滚动优化，实现工业炉炉温的多步预测控制。本专利技术与现有技术相比，其显著优点在于：1)利用神经网络对工业炉进行建模，不仅精度高，而且泛化能力强，摆脱了对精确数学模型的依赖，更适应工况复杂的工业炉的生产过程；2)结合局部寻优和全局寻优两者的优点，通过在步长内和步长间对PSO和N-R进行融合实现炉温的多步预测控制，提高了炉温的控制精度和实时性。附图说明图1为多BP级联的多步预测模型图。图2为融合算法流程图。图3为设定温度的柔化效果图。图4为基于N-R滚动优化的炉温控制效果图。图5为在PSO参数相同条件下，融合前后两种方法炉温控制效果对比图。图6为在PSO参数相同条件下，融合前后两种方法炉温误差对比图。图7为在相似精度条件下，融合前后两种方法炉温控制效果图。具体实施方式下面结合附图和具体实施例，进一步说明本专利技术方案。基于神经网络的工业炉炉温多步预测控制方法，基于融合PSO和N-R算法实现对工业炉炉温的多步预测控制，具体步骤如下：步骤1：获取历史炉温与燃料量数据，分别计算当前时刻炉温与过去时刻燃料量、过去时刻炉温的相关系数，确定BP神经网络的影响因子，从而确定神经网络的输入和输出，构建训练集，训练BP神经网络模型；由于工业炉在实际生产中具有强非线性、强耦合性以及大时滞性，很难进行精确建模，因此本专利技术对工业炉输入输出历史数据进行相关性分析。因为Spearman相关系数对数据没有特定的分布要求和容量要求，仅需要数据是整齐成对，因此选取选取Spearman相关系数计算输入输出的相关性。通过Spearman相关系数的计算，从而得到影响工业炉炉温的影响因子，将这些影响因子作为神经网络的输入，结合温度输出值，构建训练数据集，训练BP神经网络模型。以当前时刻k为例，计算相关系数和构建数据集的步骤如下：步骤1.1：当前炉温为y(k)，因为系统一般不超过4阶，因此分别计算过去时刻的炉温y(k-1)、y(k-2)、y(k-3)、y(k-4)与y(k)的Spearman相关系数。步骤1.2：计算过去时刻的燃料量u(k-1)、u(k-2)、u(k-3)、u(k-4)与y(k)的Spearman相关系数。步骤1.3：设定一个影响因子选取阈值a，在以上的相关系数中将大于a的的变量作为神经网络的输入，结合炉温y(k)构建数据集，训练神经网络模型。步骤2：根据设定的预测步长，将训练好的神经网络模型级联，级联的方式见图1，得到多步预测模型，实现炉温的多步预测。前一个神经网络的输出作为后一个神经网络的一个输入，读取各神经网络的输出，得到一个预测的温度序列。多步预测模型中神经网络模型的数量与设置的步长相关，假设一个预测步长包括d个采样时刻，则将d个神经网络模型级联，用以预测一个步长即d个时刻的炉温。步骤3：初始化滚动优化的参数，在炉温预测控制开始之前需要对PSO和N-R的基本参数进行初始化，包括PSO的粒子数、迭代次数或者迭代精度、个体和群体的学习率，N-R的迭代次数和迭代精度等。步骤4：对目标炉温进行柔化处理，将柔化后的炉温作为参考炉温；考虑工业炉的动态特性，当参考温度发生剧烈变化时，则燃料量也要发生相应的大幅度变化，如此可能会导致系统不稳定，因此对设定的目标炉温进行柔化处理，使参考输入平缓过渡到设定值，柔化过程采用如下公式：式中，r为目标温度，α为柔化系数，取值范围是(0,1)，yr(k)表示k时刻经柔化后的参考温度值，y(k)为k时刻炉温，其中y(0)等于环境温度或者工业炉初始炉温。步骤5：利用预测神经网络模型预测多步炉温，根据预测炉温与参考输炉温误差建立性能指标，基于融合PSO+N-R方法最小化该性能指标，计算得到燃料量，控制炉温；步骤5.1：选取二次性能指标函数构建性能指标，表达式如下：式中，λ为权重因子且大于等于0，指标函数J是未来d个采样时刻预测控制量的函数，可以通过寻优算法求解得到d个采样时刻的燃料量。yr是目标温度r经过柔化处理后的参考温度，yp是预测模型的预测温度，u表示燃料量。步骤5.2：基于融合PSO+N-R方法最小化性能指标得到一个步长的燃料量。融合PSO+N-R算法是本专利技术的核心部分，发生在一个预测步长内，首先利用PSO算法进行初步寻优，并将初步寻优得到的d个采样时刻的燃料量传递给N-R算法作为初始燃料量，然后利用N-R算法求解一个步长内的燃料量，以此作为基础进行炉温控制。以两步预测控制，即d＝2为例，融合PSO+N-R方法介绍如下：(1)以燃料量作为粒子，采用PSO算法进行初步寻优；按如下公式更新粒子速度和位置：v(k)i+1＝ω·v(k)i+c1·rand1·(pbest(k)i-u(k)i)+c2·rand2·(g本文档来自技高网...

【技术保护点】
1.一种基于神经网络的工业炉炉温多步预测控制方法，该方法包括如下步骤：/n步骤1：获取历史炉温与燃料量数据，分别计算当前时刻炉温与过去时刻燃料量、过去时刻炉温的相关系数，选择相关系数大于设定阈值的变量作为输入，构建训练集，训练BP神经网络模型；/n步骤2：将训练好的BP神经网络模型级联，得到多步预测模型；/n步骤3：对目标炉温进行柔化处理，将柔化后的炉温作为参考炉温；/n步骤4：利用预测神经网络模型预测多步炉温，根据预测炉温与参考输炉温误差建立性能指标，基于融合PSO+N-R方法最小化该性能指标，计算得到燃料量，据此控制炉温；/n步骤5：将前一步长对应的燃料量作为下一步长PSO寻优的初始状态，基于融合PSO+N-R方法计算下一步长的燃料量，不断滚动优化，实现工业炉炉温的多步预测控制。/n

【技术特征摘要】
1.一种基于神经网络的工业炉炉温多步预测控制方法，该方法包括如下步骤：
步骤1：获取历史炉温与燃料量数据，分别计算当前时刻炉温与过去时刻燃料量、过去时刻炉温的相关系数，选择相关系数大于设定阈值的变量作为输入，构建训练集，训练BP神经网络模型；
步骤2：将训练好的BP神经网络模型级联，得到多步预测模型；
步骤3：对目标炉温进行柔化处理，将柔化后的炉温作为参考炉温；
步骤4：利用预测神经网络模型预测多步炉温，根据预测炉温与参考输炉温误差建立性能指标，基于融合PSO+N-R方法最小化该性能指标，计算得到燃料量，据此控制炉温；
步骤5：将前一步长对应的燃料量作为下一步长PSO寻优的初始状态，基于融合PSO+N-R方法计算下一步长的燃料量，不断滚动优化，实现工业炉炉温的多步预测控制。


2.根据权利要求1所述的基于神经网络的工业炉炉温多步预测控制方法，其特征在于：步骤1中，选择Spearman相关系数计算输入输出的相关性。


3.根据权利要求1所述的基于神经网络的工业炉炉温多步预测控制方法，其特征在于：步骤2中，多步预测模型中神经网络模型的数量与设置的步长相关，假设一个预测步长包括d个采样时刻，则将d个神经网络模型级...

【专利技术属性】
技术研发人员：蔡晨晓，王冶，黄小丽，郑标，朱茂旗，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32