加热炉是轧制生产环节中重要的热工设备,它在轧钢生产中占有十分重要的地位,其操作水平直接影响产品的质量、产量和生产消耗指标。加热炉的主要功能是加热钢坯到符合轧制的温度要求。然而,在实际生产中,加热炉内钢坯的温度是难以直接检测和跟踪的。因此建立合理的钢温预测模型具有十分重要的意义。钢坯加热过程具有复杂工业对象的大滞后、多变量、强耦合、时变、非线性、大惯性等特点,而且炉内钢坯温度分布不能直接测量,外界扰动因素多,加热过程受多种生产工艺因素的制约。本文以蓄热步进梁式加热炉为背景,提出了利用T-S模糊模型对钢坯温度建立预测模型。采用前件和后件分开辨识的方法,首先利用模糊C-均值(FCM)聚类算法以及最小二乘法分别对模型的前后件进行结构和参数的辨识。为了进一步提高模型的精度和辨识的速度,本文对模型的辨识方法进行了改进。针对传统的FCM算法对初始值敏感而影响聚类效果、训练速度慢、在迭代时容易陷入局部极小等缺点,提出了减法聚类和FCM算法相结合的方法辨识前件网络。用减法聚类算法找到模糊聚类中心的迭代初值后,再用FCM算法进行聚类提高聚类的收敛速度和效果。然后用改进的粒子群与BP的混合算法来代替最小二乘法来辨识优化后件参数,最后根据某钢厂的现场数据进行仿真实验。仿真结果证明,改进后的T-S模型建立的钢温预测模型能更好的预测钢温。在模型规则数一定以及各参数一定的情况下,基于FCM以及最小二乘的T-S模糊模型只能辨识出唯一精度均方误差。若想提高该模型的辨识精度,需要增加规则,显然这就增加了模型的复杂性。改进辨识方法的T-S模型由于PSO-BP算法在本质上的“随机性”能够把模型辨识精度指定到任意允许的范围内。这种不增加规则数就能提高辨识精度的模型显然更适合工程使用。根据预测的钢温,操作员就能及时的控制和处理,保证钢坯质量。因此,改进辨识方法的T-S模型不仅具有理论研究意义,而且具有实际应用的价值。