加热炉是轧线上的耗能大户,加热炉对钢材加热质量的好坏直接影响钢材产品质量。只有合理控制钢坯出炉温度及其分布,才能保证钢坯轧制质量,由于目前测试技术还不够发达,测试成本偏高,而且加热炉系统较复杂,使得直接并准确测量加热过程中钢坯表面及中心温度的动态升温过程有较大困难。囚此,建立准确的加热炉钢温预报模型格外重要,准确的模型不仅能够推算出炉钢坯温度,而且对加热炉控制系统具有重要的参考价值,有利于提高钢材的加热质量,降低加热炉燃料的消耗。本文以蓄热式加热炉为研究背景,简要介绍了蓄热式加热炉概况以及解决建模问题的算法基础。首先,以传热学知识为依托,建立了基于总括热吸收率的机理模型,因为该机理模型的热吸收率系数需要根据经验公式反复试凑确定,运用自适应遗传算法求得最佳的总括热吸收率参数,避免了繁琐的试凑参数过程。其次,运用平均影响值算法筛选出对神经网络输出变量影响最大的输入变量,降低了输入变量维数,简化了网络模型结构,运用动量自适应学习速率方法完成网络训练,建立了改进BP神经网络钢温预报模型。最后,运用自适应遗传模拟退火算法对改进BP神经网络模型进行优化,通过与自适应遗传算法优化改进BP神经网络模型做比较,更突出前者的优化效果,自适应遗传模拟退火算法在提高模型预测精度的同时,保证了神经网络模型的稳定性。通过建立的模型仿真结果表明,在没有进行埋偶试验情况下,机理模型虽然求解过程比较繁琐,但机理模型不仅能够预测钢坯出炉温度,而且能够近似预测钢坯的动态升温过程。神经网络模型虽然很难预测钢坯升温过程,但能够以较高的精度预测出炉钢坯温度。运用改进BP神经网络对加热炉出钢温度进行建模,能够克服常规BP神经网络收敛速度慢、训练精度低、泛化能力差等缺点。运用自适应遗传算法优化改进BP神经网络模型能够克服BP神经网络容易陷入局部极小值的缺点,提高了模型的训练精度和泛化能力,但模型的稳定性需进一步提高,运用自适应遗传模拟退火算法优化改进BP神经网络模型进一步提高了模型的预测精度和稳定性。