專利名稱：一種中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明屬于信息與控制技術(shù)領(lǐng)域，涉及一種中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法。
背景技術(shù)：
感應(yīng)加熱爐是一種將工頻50HZ交流電轉(zhuǎn)變?yōu)橹蓄l(300HZ以上至1000HZ)的電源裝置，把三相工頻交流電，整流后變成直流電，再把直流電變?yōu)榭烧{(diào)節(jié)的中頻電流，供給由電容和感應(yīng)線圈里流過(guò)的中頻交變電流，在感應(yīng)圈中產(chǎn)生高密度的磁力線，并切割感應(yīng)圈里盛放的金屬材料，在金屬材料中產(chǎn)生很大的渦流，熱量在工件內(nèi)自身產(chǎn)生。由于該加熱方式升溫速度快，氧化少，可節(jié)約原材料大量。中頻感應(yīng)加熱爐有加熱速度快、生產(chǎn)效率高、工作環(huán)境優(yōu)越、熔煉速度快、燒損少、能耗低、熔煉溫度及金屬成分均勻等優(yōu)點(diǎn)，已被廣泛的生產(chǎn)企業(yè)所采用。中頻感應(yīng)爐加熱爐的優(yōu)化運(yùn)行是控制能耗和滿足產(chǎn)品工藝要求的重要技術(shù)手段，其目標(biāo)是在一定生產(chǎn)條件和不同的目標(biāo)情況下，通過(guò)調(diào)整運(yùn)行參數(shù)而獲得中頻感應(yīng)爐加熱爐的最優(yōu)的加熱狀態(tài)，使中頻感應(yīng)爐加熱爐的能耗和加熱速度能夠滿足既定的目標(biāo)，實(shí)現(xiàn)優(yōu)化運(yùn)行的目的。中頻感應(yīng)爐加熱爐的頻率和電流大小等運(yùn)行參數(shù)的不同對(duì)加熱速度和能耗有直接的影響，不同的頻率和電流大小的配合會(huì)直接導(dǎo)致不同的金屬坯件的加熱火熔融速度和能耗的情況。對(duì)于一定的生產(chǎn)條件和產(chǎn)品需求下，存在一種最優(yōu)的頻率和電流大小參數(shù)配置方案，能夠使相應(yīng)加熱速度滿足生產(chǎn)需求，同時(shí)使能耗相對(duì)較低，但是，這個(gè)過(guò)程中還涉及到金屬坯件材料的特性，及坩堝進(jìn)料量及出產(chǎn)品量間的關(guān)系，因此這個(gè)優(yōu)化過(guò)程，有著復(fù)雜的耦合關(guān)系，要找到最優(yōu)的參數(shù)的配置并不容易。實(shí)際生產(chǎn)中中頻感應(yīng)爐加熱爐的運(yùn)行主要是靠工作人員經(jīng)驗(yàn)，其目標(biāo)也只是維持生產(chǎn)正常進(jìn)行，并沒(méi)有優(yōu)化的概念，因此其生產(chǎn)過(guò)程中加熱狀態(tài)還有很大的可提升空間。通過(guò)數(shù)據(jù)挖掘，在大量不同的生產(chǎn)運(yùn)行參數(shù)及生產(chǎn)材料熱特性組合中，應(yīng)用機(jī)器學(xué)習(xí)的方法，挖掘出運(yùn)行的頻率、電流大小、進(jìn)料速度、進(jìn)料溫度、出產(chǎn)品速度、出產(chǎn)品溫度、生產(chǎn)材料熱特性與加熱速度、加熱終溫及能耗關(guān)系模型，再結(jié)合優(yōu)化算法，對(duì)加熱進(jìn)行優(yōu)化是非常有潛力的方法。如何使該方法真正達(dá)到中頻感應(yīng)爐加熱爐生產(chǎn)實(shí)際的要求，是該技術(shù)的關(guān)鍵，主要難題包括，如何提高模型的預(yù)測(cè)和泛化能力，如何提高模型的自學(xué)習(xí)能力。

發(fā)明內(nèi)容
本發(fā)明的目標(biāo)是針對(duì)中頻感應(yīng)爐加熱爐運(yùn)行優(yōu)化，提出一種中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法，優(yōu)化內(nèi)容兼顧了各中頻感應(yīng)加熱爐的運(yùn)行參數(shù)、進(jìn)料情況、出產(chǎn)品情況和加熱速度、加熱終溫、能耗等指標(biāo)。本發(fā)明方法通過(guò)中頻感應(yīng)加熱爐主體工藝的數(shù)據(jù)采集，針對(duì)中頻感應(yīng)加熱爐頻率、電流大小、進(jìn)料速度、進(jìn)料溫度、出產(chǎn)品速度、出產(chǎn)品溫度、生產(chǎn)材料熱特性等參數(shù)與加熱速度、加熱終溫、能耗間的相互影響關(guān)系，建立基于數(shù)據(jù)挖掘技術(shù)的模型，應(yīng)用并行的優(yōu)化算法尋優(yōu)等手段，確立了中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法，利用該方法可有效提高加熱效率和產(chǎn)品質(zhì)量，既可以實(shí)施離線優(yōu)化也可以進(jìn)行在線實(shí)時(shí)優(yōu)化。本發(fā)明方法的具體步驟是
步驟(I).采集中頻感應(yīng)爐加熱爐生產(chǎn)過(guò)程中的運(yùn)行參數(shù)數(shù)據(jù)和運(yùn)行特征數(shù)據(jù)，運(yùn)行參數(shù)數(shù)據(jù)包括頻率(y )、電流大小
(f)、進(jìn)料速度(I )、出產(chǎn)品速度(I )進(jìn)料溫度(T )、出產(chǎn)品溫度()、生產(chǎn)材料熱
特性參數(shù)(Γ )，運(yùn)行特征數(shù)據(jù)包括加熱速度(Vk )、能耗(E )，建立實(shí)時(shí)數(shù)據(jù)庫(kù)；以上數(shù)
據(jù)可通過(guò)中頻感應(yīng)爐加熱爐生產(chǎn)過(guò)程中實(shí)時(shí)的數(shù)據(jù)監(jiān)測(cè)控制系統(tǒng)獲取，或直接通過(guò)儀器設(shè)備測(cè)量采集；
這個(gè)過(guò)程積累數(shù)據(jù)，在積累了相當(dāng)?shù)臄?shù)據(jù)后，再進(jìn)行后邊的數(shù)據(jù)挖掘建模。步驟(2).采用多輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)建模，建立加熱速度O )、能耗(J
)與頻率(F )、電流大小(￡ )、進(jìn)料速度(A )、出產(chǎn)品速度(％ )、進(jìn)料溫度(Ti )、出產(chǎn)品溫度(？；)、生產(chǎn)材料熱特性參數(shù)(τ )間的模型；具體建模方法如下
用于建模樣本的輸入?yún)?shù)及輸出參數(shù)表不為，其中 '表不第j組作為輸入數(shù)
據(jù)的中頻感應(yīng)爐加熱爐運(yùn)行參數(shù)向量，包括頻率(y)、電流大小(I )、進(jìn)料速度(I )、出產(chǎn)品速度(' )、進(jìn)料溫度(-)、出產(chǎn)品溫度(I)、生產(chǎn)材料熱特性參數(shù)(r)。J表示第組作為輸出參數(shù)向量的中頻感應(yīng)爐加熱爐運(yùn)行特征向量，包括加熱速度)、能耗{E) 力樣本數(shù)量，以實(shí)際運(yùn)行數(shù)據(jù)為基礎(chǔ)建立中頻感應(yīng)爐加熱爐運(yùn)行參數(shù)反運(yùn)行特征間的模型；
采用多輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)建模，對(duì)于〃個(gè)隱節(jié)點(diǎn)的3層廣義回歸神經(jīng)網(wǎng)絡(luò)采用徑向基影射函數(shù)，其輸出向量為,為權(quán)重系數(shù)向量、
為《維輸入向量、為第個(gè)基函數(shù)的中心向量、力函數(shù)的基寬度參數(shù)向量；建立廣義回歸神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵在于確定徑向基函數(shù)參數(shù)向量C1、Pi及權(quán)重系數(shù)向量％ ；采用遺傳算法迭代訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)，定義遺傳算法初始群體Z向量的各維分量，分別為隱節(jié)點(diǎn)個(gè)數(shù)、徑向基函數(shù)的參數(shù)向量A、只和權(quán)重系數(shù)向量％，目標(biāo)函數(shù)為
=妁尸+漢廠乃2)2,其中-和=分別為第個(gè)樣本輸出向量的第一個(gè)分
i_l>il ) I
量值和第二個(gè)分量的多輸出廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值,和乃2分別為第2個(gè)樣本輸
出向量的第一個(gè)分量和第二個(gè)分量的實(shí)際值；當(dāng)^達(dá)到了最小、達(dá)到設(shè)定值或完成迭代次數(shù)時(shí)，訓(xùn)練完成，獲得隱節(jié)點(diǎn)個(gè)數(shù)、徑向基函數(shù)的參數(shù)向量和權(quán)重系數(shù)向量，從而獲得多輸出廣義回歸神經(jīng)網(wǎng)絡(luò)模型。步驟(3).利用粒子群優(yōu)化算法結(jié)合步驟(2)所建模型，針對(duì)不同的生產(chǎn)工藝要求進(jìn)行各運(yùn)行參數(shù)配置的優(yōu)化，具體步驟如下a.定義粒子群位置向量的各維分量分別為頻率(Χ)、電流大小(I )、進(jìn)料速度(V,)、出產(chǎn)品速度(V,)、進(jìn)利溫度(τ )、出產(chǎn)品溫度(Ts )、生產(chǎn)材料熱特性參數(shù)(T);
b.設(shè)定粒子群的搜索目標(biāo)和迭代次數(shù)，搜索目標(biāo)為根據(jù)實(shí)際生產(chǎn)狀況確定，可以為復(fù)合目標(biāo)也可以為單一目標(biāo)，復(fù)合目標(biāo)包括在不低于給定的出產(chǎn)品速度和出產(chǎn)品溫度的約束下，即給定的加熱速度約束下，實(shí)現(xiàn)能耗最小；在給定的能耗約束下，實(shí)現(xiàn)加熱速度最快；在都有約束都沒(méi)有約束的情況下，實(shí)現(xiàn)最優(yōu)的經(jīng)濟(jì)折中方案。單一目標(biāo)包括加熱速度最快；
c.根據(jù)實(shí)際中頻感應(yīng)爐加熱爐的設(shè)計(jì)和運(yùn)行要求設(shè)定各可調(diào)運(yùn)行參數(shù)的尋優(yōu)范圍，可
調(diào)運(yùn)行參數(shù)包括頻率(y )、電流大小(I )、進(jìn)料速度(I )、出產(chǎn)品速度(義);初始化
位置向量X，然后根據(jù)上一步設(shè)定的搜索目標(biāo)，用粒子群算法進(jìn)行迭代計(jì)算，搜索粒子群在參數(shù)向量空間內(nèi)的最優(yōu)位置；
d.當(dāng)粒子群算法完成迭代次數(shù)或找到設(shè)定要求的最優(yōu)時(shí)，停止計(jì)算獲得相應(yīng)最優(yōu)的位置向量，即獲得最優(yōu)的各可調(diào)運(yùn)行參數(shù)組合，實(shí)現(xiàn)了中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化。中頻感應(yīng)爐加熱爐的優(yōu)化運(yùn)行是控制能耗和滿足產(chǎn)品工藝要求的重要技術(shù)手段，其目標(biāo)是在一定生產(chǎn)條件和不同的目標(biāo)情況下，通過(guò)調(diào)整運(yùn)行參數(shù)而獲得中頻感應(yīng)爐加熱爐的最優(yōu)的加熱狀態(tài)，使中頻感應(yīng)爐加熱爐的能耗和加熱速度能夠滿足既定的目標(biāo)，實(shí)現(xiàn)優(yōu)化運(yùn)行的目的。實(shí)際生產(chǎn)中中頻感應(yīng)爐加熱爐的運(yùn)行主要是靠工作人員經(jīng)驗(yàn)，其目標(biāo)也只是維持生產(chǎn)正常進(jìn)行，并沒(méi)有優(yōu)化的概念，因此其生產(chǎn)過(guò)程中加熱狀態(tài)還有很大的可提升空間。本發(fā)明是建立基于數(shù)據(jù)挖掘技術(shù)的模型，應(yīng)用并行的優(yōu)化算法尋優(yōu)等手段，確立了中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法，利用該方法可有效提高加熱效率和產(chǎn)品質(zhì)量，既可以實(shí)施離線優(yōu)化也可以進(jìn)行在線實(shí)時(shí)優(yōu)化。本發(fā)明方法既可以在線優(yōu)化也可以離線優(yōu)化。
具體實(shí)施例方式一種中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法，具體步驟是
(I).采集中頻感應(yīng)爐加熱爐生產(chǎn)過(guò)程中，運(yùn)行參數(shù)數(shù)據(jù)，包括頻率(y )、電流大小(.1
)、進(jìn)料速度(I )、出產(chǎn)品速度O )、進(jìn)料溫度(S)、出產(chǎn)品溫度(I )、生產(chǎn)材料熱特
性參數(shù)(τ )及運(yùn)行特征數(shù)據(jù)，包括加熱速度(、)、能耗(E )，建立實(shí)時(shí)數(shù)據(jù)庫(kù)；以上數(shù)據(jù)可通過(guò)中頻感應(yīng)爐加熱爐生產(chǎn)過(guò)程中實(shí)時(shí)的數(shù)據(jù)監(jiān)測(cè)控制系統(tǒng)獲取，或直接通過(guò)儀器設(shè)備測(cè)量采集。這個(gè)過(guò)程積累數(shù)據(jù)，在積累了相當(dāng)?shù)臄?shù)據(jù)后，再進(jìn)行后邊的數(shù)據(jù)挖掘建模。(2).采用多輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)建模，建立加熱速度(^ )、能耗(5 )與頻
率(})、電流大小U )、進(jìn)料速度(A )、出產(chǎn)品速度(V,)、進(jìn)料溫度(Tl )、出產(chǎn)品溫度(^ )、生產(chǎn)材料熱特性參數(shù)(τ )間的模型；具體建模方法如下
用于建模樣本的輸入?yún)?shù)及輸出參數(shù)表不為，其中1Γ.表不第」組作為輸入數(shù)據(jù)的中頻感應(yīng)爐加熱爐運(yùn)行參數(shù)向量，包括頻率(7)、電流大小(I )、進(jìn)料速度(Vi )、出產(chǎn)品速度(I )、進(jìn)料溫度( )、出產(chǎn)品溫度(Tff )、生產(chǎn)材料熱特性參數(shù)(T )。乃表示第Z組作為輸出參數(shù)向量的中頻感應(yīng)爐加熱爐運(yùn)行特征向量，包括加熱速度( )、能耗
(E) 力樣本數(shù)量，以實(shí)際運(yùn)行數(shù)據(jù)為基礎(chǔ)建立中頻感應(yīng)爐加熱爐運(yùn)行參數(shù)反運(yùn)行特征間的模型。在采用多輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)建模，對(duì)于《個(gè)隱節(jié)點(diǎn)的3層廣義回歸神經(jīng)網(wǎng)絡(luò)采用徑向基影射函數(shù)，其輸出向量為，為權(quán)重系數(shù)向量，
ft2p； Wi
X為m維輸入向量，" 為第個(gè)基函數(shù)的中心向量，Pi為函數(shù)的基寬度參數(shù)向量。建立
廣義回歸神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵在于確定徑向基函數(shù)參數(shù)向量只及權(quán)重系數(shù)向量,
。采用遺傳算法迭代訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)，定義遺傳算法初始群體Z向量的各維分量，分別為隱節(jié)點(diǎn)個(gè)數(shù)、徑向基函數(shù)的參數(shù)向量q、A和權(quán)重系數(shù)向量η，目標(biāo)函數(shù)為
mmr = ￡( a-7 1)2+(^2-乃2)2,其中和分別為第個(gè)樣本輸出向量的第一個(gè)分
Ta. 乃2i
量值和第二個(gè)分量的多輸出廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值，乃1和乃2分別為第個(gè)樣本輸出向量的第一個(gè)分量和第二個(gè)分量的實(shí)際值。當(dāng)Γ達(dá)到了最小、達(dá)到設(shè)定值或完成迭代次數(shù)時(shí)，訓(xùn)練完成，獲得隱節(jié)點(diǎn)個(gè)數(shù)、徑向基函數(shù)的參數(shù)向量和權(quán)重系數(shù)向量，從而獲得多輸出廣義回歸神經(jīng)網(wǎng)絡(luò)模型。(3).利用粒子群優(yōu)化算法結(jié)合所建模型，針對(duì)不同的生產(chǎn)工藝要求進(jìn)行各運(yùn)行參數(shù)配置的優(yōu)化，具體步驟如下
a.定義粒子群位置向量X的各維分量分別為頻率(^)、電流大小)、進(jìn)料速度
(Vi )、出產(chǎn)品速度(V,)、進(jìn)+丨溫度(Ti )、出產(chǎn)品溫度(7；)、生產(chǎn)材料熱特性參數(shù)(r );
b.設(shè)定粒子群的搜索目標(biāo)和迭代次數(shù)，搜索目標(biāo)為根據(jù)實(shí)際生產(chǎn)狀況確定，可以為復(fù)合目標(biāo)也可以為單一目標(biāo)，復(fù)合目標(biāo)包括在不低于給定的出產(chǎn)品速度和出產(chǎn)品溫度的約束下，即給定的加熱速度約束下，實(shí)現(xiàn)能耗最小；在給定的能耗約束下，實(shí)現(xiàn)加熱速度最快；在都有約束都沒(méi)有約束的情況下，實(shí)現(xiàn)最優(yōu)的經(jīng)濟(jì)折中方案。單一目標(biāo)包括加熱速度最快；
c.根據(jù)實(shí)際中頻感應(yīng)爐加熱爐的設(shè)計(jì)和運(yùn)行要求設(shè)定各可調(diào)運(yùn)行參數(shù)的尋優(yōu)范圍，可
調(diào)運(yùn)行參數(shù)包括頻率(y )、 電流大小(￡ )、進(jìn)料速度(K )、出產(chǎn)品速度(I )。并初始
化位置向量X ,然后根據(jù)上一步設(shè)定的搜索目標(biāo)，用粒子群算法進(jìn)行迭代計(jì)算，搜索粒子群在參數(shù)向量空間內(nèi)的最優(yōu)位置；
d.當(dāng)粒子群算法完成迭代次數(shù)或找到設(shè)定要求的最優(yōu)時(shí)，停止計(jì)算獲得相應(yīng)最優(yōu)的位置向量，即獲得最優(yōu)的各可調(diào)運(yùn)行參數(shù)組合，實(shí)現(xiàn)了中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化。
權(quán)利要求
1.一種中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法，其特征在于該方法具體步驟是 步驟(I).采集中頻感應(yīng)爐加熱爐生產(chǎn)過(guò)程中的運(yùn)行參數(shù)數(shù)據(jù)和運(yùn)行特征數(shù)據(jù)，運(yùn)行參數(shù)數(shù)據(jù)包括頻率(Z )、電流大小(I )、進(jìn)料速度(I )、出產(chǎn)品速度(V,)、進(jìn)料溫度(T )、出產(chǎn)品溫度(，)、生產(chǎn)材料熱特性參數(shù)(T )，運(yùn)行特征數(shù)據(jù)包括加熱速度(',)能耗()，建立實(shí)時(shí)數(shù)據(jù)庫(kù)；以上數(shù)據(jù)通過(guò)中頻感應(yīng)爐加熱爐生產(chǎn)過(guò)程中實(shí)時(shí)的數(shù)據(jù)監(jiān)測(cè)控制系統(tǒng)獲取，或直接通過(guò)儀器設(shè)備測(cè)量采集； 步驟(2).采用多輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)建模，建立加熱速度(A )、能耗(f )與頻率(y )、電流大小(I )、進(jìn)料速度(Vi )、出產(chǎn)品速度(I )、進(jìn)料溫度(T )、出產(chǎn)品溫度(m )、生產(chǎn)材料熱特性參數(shù)(T )間的模型；具體建模萬(wàn)法如下 用于建模樣本的輸入?yún)?shù)及輸出參數(shù)表示為
全文摘要
本發(fā)明涉及一種中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法。目前中頻感應(yīng)爐加熱爐的運(yùn)行主要是靠工作人員經(jīng)驗(yàn)。本發(fā)明方法首先采集中頻感應(yīng)爐加熱爐生產(chǎn)過(guò)程中的運(yùn)行參數(shù)數(shù)據(jù)和運(yùn)行特征數(shù)據(jù)，然后采用多輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)建模，建立加熱速度、能耗與頻率、電流大小、進(jìn)料速度、出產(chǎn)品速度、進(jìn)料溫度、出產(chǎn)品溫度、生產(chǎn)材料熱特性參數(shù)間的模型，再利用粒子群優(yōu)化算法結(jié)合所建模型，針對(duì)不同的生產(chǎn)工藝要求進(jìn)行各運(yùn)行參數(shù)配置的優(yōu)化。本發(fā)明方法應(yīng)用并行的優(yōu)化算法尋優(yōu)等手段，確立了中頻感應(yīng)加熱爐的運(yùn)行優(yōu)化方法，可有效提高加熱效率和產(chǎn)品質(zhì)量，既可以實(shí)施離線優(yōu)化也可以進(jìn)行在線實(shí)時(shí)優(yōu)化。
文檔編號(hào)G05B13/04GK102998979SQ20121054725
公開(kāi)日2013年3月27日 申請(qǐng)日期2012年12月17日 優(yōu)先權(quán)日2012年12月17日
發(fā)明者王春林 申請(qǐng)人:富通集團(tuán)有限公司