基于BP神经网络多用炉炉温预测控制

近年来,随着工业控制技术的提高,航空航天技术、风电、交通运输、机械等行业迅速发展,对工件的精密热处理要求越来越高。热处理在一定程度上,直接反映我国的工业水平。温度、碳势、氮势等是影响产品热处理质量的重要指标。热处理炉的先进控制系统、可控气氛热处理、真空热处理得到了广泛关注和快速发展。可以在生产过程中,实现对各种参数的精确控制,使工件无氧化、无脱碳,表面质量好,畸变小。热处理炉是一个复杂的被控对象,存在着非线性、时变性、纯滞后因素和不确定随机干扰等因素,因此基于精确数学模型的控制方法受到很大限制,传统的PID控制难以满足温度控制精度和升温实时性要求。本文在这样的背景下,研究了热处理的温度优化控制方法。综述了预测控制和神经网络的理论和应用,并以某公司的可控气氛多用炉为对象,针对其多变量、非线性、大惯性和纯滞后的特点,结合神经网络和预测控制算法,提出了基于BP神经网络的预测控制算法。建立多用炉炉温预测模型,并且在模型的基础上,对BP算法进行优化,利用现场数据对模型训练,以预测未来的炉温输出值。结合预测控制算法,采用反馈校正,克服系统中其他干扰造成的模型误差,然后对控制量进行滚动优化,得到系统最优控制序列。通过MATLAB软件仿真,验证模型的预测输出,在可控误差范围内,验证模型有效性。对预测控制算法的主要参数进行调整,选取最优控制参数,取得了较快的响应速度,基本不存在超调。把该模型应用到某公司1号多用炉温度控制系统中,取得了较好的实践效果。