- 相關推薦
焦爐集氣管壓力模糊神經網絡控制系統
摘要：針對焦爐集氣管壓力這類多變量非線性系統，提出一種基于模糊神經網絡的智能協調控制方案。應用遺傳算法對模糊神經網絡結構和參數進行優化，并采用PLC的邏輯梯形圖語言編程實現智能協調運算。工程應用表明了系統設計的有效性。焦爐集氣管壓力控制是焦爐控制的關鍵之一。壓力大時焦爐冒煙嚴重，近距離不能看清設備，大量焦爐媒氣進入空氣中，污染環境；壓力小時空氣吸入嚴重，影響焦爐壽命和焦爐煤氣質量。因此，采用先進控制手段，對焦爐焦氣管壓力進行長期穩定控制，對于改善環境、提高煤氣回收量和質量、提高焦爐輔助產品產量和質量，具有重要的意義。焦爐集氣管控制系統的主要問題有：
（1）焦爐集氣管壓力系統是一個耦合嚴重、具有嚴重非線性、時變特性、擾動變化激烈的多變量系統，一般的PID調節很難滿足要求。
（2）當媒質較好、鼓風機后媒氣負荷穩定時，
自動控制效果較好；當媒質較差、鼓風機后壓力變化大時，常常出現振蕩現象，迫使系統無法投入自動控制。
（3）作為控制機構之一的鼓風閘閥存在嚴重的非線性、滯后大，常規伺服放大器加執行結構很難適應。
近年來，神經網絡、模糊技術和遺傳算法已成為智能計算的三大信息科學，是智能控制領域的三個重要基礎工具，將三者有機地結合起來，取長補短，不僅在理論上顯示出誘人的前景，在實際應用也取得了突破。本系統采用一種基于遺傳算法和模糊神經網絡的智能模糊控制器，實現了模糊規則的在線修改和隸屬函數的自動更新，使模糊控制具有自學習和自適應能力。本文將系統的硬件高可靠性、軟件靈活性與現代智能控制相結合，在分析控制對象的基礎上采智能協調解耦控制方案，應用PLC的邏輯梯形圖語言編程實現，保證了集氣管壓力穩定在工藝要求范圍內。
1 工藝簡介
圖1是焦爐集氣管系統的結構。焦爐媒氣從各炭化室通過上升管時被循環氨氣冷卻到80～90℃，然后進入集氣管。焦爐某氣從焦爐到初冷器分為兩個吸氣系統，即1號和2號焦爐為一個系統，3號焦爐為一個系統。1號和2號焦爐的煤氣從各自的集氣管進入共用吸氣管后，在初冷器前與3號焦爐的煤氣會合后進入初冷器。通過初冷器被冷卻到35～40℃，然后由鼓風機送往下道工序。
2 系統硬件結構及系統功能
焦爐集氣管壓力控制系統采用高可靠性的兩級計算機集散控制系統，由監控、控制器和通訊網及儀表系統構成，如圖2所示。監控站由研華工業控制計算機和高性能工業控制軟件構成，完成對焦爐集氣管壓力系統的監視和操作，對歷史數據進行存檔，是控制系統的主要機界面。控制器采用日本三菱公司推出的A2A擬量輸入模塊、數字量輸入輸出模塊和基板組成，通過智能控制算法對三座焦爐的集氣管壓力和鼓風機壓力進行控制。儀表系統由變送器、配電器、隔離器、調節器和執行器等構成，主要完成壓力信號的獲取和閥門的控制執行。
系統主要功能為：
（1）實現3焦爐集氣管壓力的解耦控制，
實現初冷器前和鼓風機前及鼓風后壓力智能協調控制，保證4臺鼓風機安全穩定運行。在推焦裝媒及鼓風機后負荷變化等擾動較大的情況下，集氣管壓力穩定在設定值±20Pa內。
（2）實現過程的實時數據采集、數據處理、顯示、報警、故障監測及診斷功能，手、自動無擾切換和設定操作，對歷史趨勢數據進行存儲（存儲240天的歷史數據）和顯示。具備報表打印功能和與上位機（管理系統）聯網功能。
3 控制原理
針對焦爐集氣管系統的結構和特點，本文提出一種基于模糊神經網絡的智能協調控制方案�？刂葡到y的結構如圖3所示。它分為兩級：專家智能控制協調級（虛線框內）和基本實時智能控制級。專家智能控制協調級在線實時監測被控系統過程，根據不同爐況，協調控制策略，進行有效控制�；緦崟r智能控制級分為單輸入單輸出（SISO）模糊神經網絡控制器FNC1～FNC4和多變量解耦控制器FNC5兩部分，由徑向基函數網絡（RBFN）逼近過程模型。此模型用于計算過程輸出對過程輸入的一階偏導數ay/au和離線尋優，由多量解耦控制器根據解耦參考模型2進行解耦控制，與被控對象一道構成解耦后的廣義被控對象，在此基礎上分別采用SISO模糊神經網絡控制器控制被控對象的動態特性：采用智能協調模糊神經網絡控制器FNC4，以鼓風機閘閥開度為控制量，控制初冷器前吸力；采用模糊神經網絡控制器FNC1～3，以各焦爐集氣管蝶閥開度為控制量，控制相應焦爐集氣管壓力。
3.1 模糊神經網絡結構
3座焦爐集氣管壓力和初冷器前壓力控制算法FNC1～FNC4采用同樣的模糊神經網絡結構，取誤差e、誤差變化率Δe及其導數Δ2e作為模糊推理控制器輸入，e為Δe分別劃分為7個模糊子集，Δ2e劃分為3個模糊子集，模糊子集隸屬度采用高斯型函數表示。上述的模糊推理控制器可用一個如圖4所示的初始神經網絡構成。初始神經網絡共有四層：輸入層、隸屬函數生成層、推理層和去模糊化層。輸入節點數n為3，第一層隱含節點（模糊化）為17，第二層隱含節點（推理）L為7×7×3=147，一個輸出點節。模糊化到推理連接權重為1。
多變量解耦控制器FNC5采用T-S模糊模型[4]，取FNC1～FNC4輸出作為模糊控制器的輸入，三座焦爐焦氣管蝶閥和鼓風機前閘閥實際控制輸出作為模糊控制器的輸出，考慮到系統的動態解耦，每個輸入分別取當前三個時刻值，從而構成12輸入、4輸出多變量解耦模糊控制模型。
3.2 模糊神經網絡GA優化學習
對于單變量和多變量解耦模糊神經網絡，可用遺傳算法（GA）來調整和優化參數和結構，而推理規則的結論部分中的權值Wi較為多地具有局部性，可采用智能梯度
【焦爐集氣管壓力模糊神經網絡控制系統】相關文章：
基于matlab的節電模糊控制系統03-07
ＭＷＣ計算機模糊控制系統03-20
論壓力傳感器構造自動控制系統03-07
論模糊廣告12-09
基于粗集的神經網絡的項目風險評估02-27
粗糙集神經網絡在圖像分割中的應用03-07
基于粗集神經網絡的項目風險評估03-28