钢坯加热炉是热轧生产线上的重要设备,也是钢铁工业中的耗能大户。加热炉的主要功能是将钢坯加热到满足轧制要求的温度。如何利用自动控制系统节约加热炉的能耗、保证钢坯的加热质量、确保燃烧系统的最佳燃烧、降低环境污染和延长加热炉寿命一直是加热炉研究领域需要致力解决的问题。常规PID控制方法具有结构简单、鲁棒性好等优点,因此在加热炉控制中得到广泛的应用。但是加热炉具有大滞后、多变量、时变性、强耦合、大惯性、非线性等特点的复杂工业对象,并且受外界扰动因素多、加热过程受多种生产工艺因素的制约,而常规PID控制参数往往不能进行在线调整,难以适应对象的变化,而且加热炉的动态特性随着环境等的变化而变化,PID参数也很难达到最优的状态。神经网络作为一种新型的信息获取、描述和处理方式,正在引起过程控制界的注意。神经网络具有逼近任意非线性函数关系的能力和快速学历能力,是一种应用在复杂工业过程中的新型方法。本文在阐述了神经网络的发展、现状、基本原理以及其在自动控制中的应用的基础上,主要研究了BP神经网络的结构与算法及其在加热炉PID控制系统中的应用。提出利用BP神经网络对加热炉PID温度控制器参数进行在线调整,对BP神经网络的结构与算法进行了研究。通过对几种改进的BP神经网络算法进行仿真,得出基于改进共轭梯度法的BP神经网络法比其他几种改进的BP神经网络算法具有更好的控制效果。因此本文将基于改进共轭梯度法的BP神经网络PID参数控制方法用于加热炉温度控制中,以加热炉的一阶模型和二阶模型进行仿真,与另外四种BP神经网络PID控制方法进行对比。仿真结果表明,基于改进共轭梯度法的BP神经网络PID参数控制方法具有很好的收敛性和稳定性。