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" title="模糊神經網絡">模糊神經網絡的智能協調控制方案。應用遺傳算法" title="遺傳算法">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。?

　　關鍵詞: 可編程控制器? 模糊神經網絡? 智能控制" title="智能控制">智能控制?

?

　　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,大量焦爐煤氣進入空氣中,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^[1]。因此,采用先進控制手段,對焦爐集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" title="控制系統">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)當煤質較好、鼓風機后煤氣負荷穩定時,自動控制效果較好;當煤質較差、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機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,在實際應用中也取得了突破。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用智能協調解耦" title="解耦">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。焦爐煤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。焦爐煤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,由監控站、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,是控制系統的主要人機界面。控制器采用日本三菱公司推出的A2A系列控制器,主要由電源模塊、CPU模塊、通信模塊、模擬量輸入模塊、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座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機后壓力智能協調控制,保證4臺鼓風機安全穩定運行。在推焦裝煤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。控制系統的結構如圖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。基本實時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和離線尋優，由多變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和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=147,一個輸出節點。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,三座焦爐集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較多地具有局部性,可采用智能梯度算法在線調節。把兩種學習算法結合起來,可發揮GA算法的全局搜索結構優化能力和梯度算法局部優化快速性。?

　　采用遺傳算法離線訓練模糊神經網絡參數的步驟如下:?

　　(1)采用實數編碼方式,隨機產生n個實數字符串,每個字符串表示整個網絡的一組參數;?

　　(2)將各實數字符串譯碼成網絡的各參數值,然后計算每一組參數的適合度值f_i=1/E_i(i=1，2，.....，n)，式中E_i為定義的誤差指標函數,按下列步驟產生新的群體,直到新群體中串總數達到n:?

　　①以概率f_i/∑f_i，f_j/∑f_j從群體中選出兩個串S_i,S_j;?

　　②以概率P_c對S_i,S_j進行交換,得到新串S_i′,S_j′；?

　　③以概率P_m使S_i′,S_j′中的各位產生突變(取隨機數);?

　　④返回第①步,直到產生(n-1)個新一代的個體;?

　　⑤所產生的(n-1)個新一代的個體連同上一代中性能最好的那個個體,共同組成新的群體。?

　　(3)返回第(2)步,直到群體中的個體性能滿足要求為止。群體中適應度最好的字符串譯碼后的參數即為所求參數。?

　　這里采用一種自適應P_c和P_m方法。用適合度函數來衡量算法的收斂狀況,其表達式為:?

?????

式中，分別是群體中的最大適合度和平均適合度。由于篇幅的關系,有關SISO模糊網絡控制器和多變量解耦控制器的梯度在線學習算法請參考文獻[5],在本系統中由模糊神經網絡控制器用可編程控制器提供的浮點運算指令完成,在線學習算法由上位機用VC編程,通過通訊修改模糊神經網絡參數。?

4 控制系統實現?

4.1 專家智能協調控制的實現?

　　控制過程開始時啟動基于知識的專家控制系統,通過過程特征提取將系統運行過程中的特征信息如各級壓力、誤差等送入推理結構,推理機構根據知識庫中的規則和事實執行推理,給出控制策略。當推理得出參數變化需啟動模糊神經網絡學習功能時,保存原參數,并啟動模糊神經網絡學習機制,根據系統的性能好壞決定是否接受學習后的整體參數。 ?

　　根據工藝過程特點、工藝工程師和熟練操作工的知識和經驗，初冷器前壓力專家設定采取如下協調原則:首先保證設備的安全運行,如果鼓風機機前吸力P₄高于工藝允許上限制值P_4max，則降低鼓風機閘閥開度;如果鼓風機控制閘閥控制輸出u₄低于喘震閘閥開度V_4min，則維持V_4min閘閥開度。然后將鼓風機機后壓力大小分為8段折線,根據經驗和實驗數據給出初冷器前壓力初步設定值,并根據實際狀態進行調整,如果集氣管壓力超過設定上限制值P_max，閥位超過靈敏區上限制值V_qmax，則降低初冷器前壓力給定；如果3個集氣管壓力均超過設定上限制值P_Smax，則增大鼓風機閘閥控制輸出;如果集氣管壓力小于設定下限制值P_min，閥位低于靈敏區下限制值V_qmin，則增加初冷器前壓力給定；如果3個集氣管壓力均小于設定下限制值P_Smin，則降低鼓風機閘閥控制輸出。以產生式規則“IF conditions THEN results”形成的主要規則為:?

??? R1:IF(P₅≥X_i-1)AND(P₅i)

??????? ? THEN r₄=(Y_i-Y_i-1)/(X_i-X_i-1)+Y_i-1?

??? R2:IF(P₁>P_1max)AND(V₁>V_1qmax)?

??????? ? THEN? r₄=r₄-Δr?

??? R3:IF(P₂>P_2max)AND(V₂>V_2qmax)?? ?

??????? ? THEN? r₄=r₄-Δr?

??? R4:IF(P₃>P_3max)AND(V₃>V_3qmax)?

??????? ? THEN? r₄=r₄-Δr?

??? R5:IF(P₁>P_Smax)AND(P₂>P_Smax) AND(P₃>P_Smax)?

??? ??? ? THEN? u*0₄=u⁰₄+Limit?

??? R6:IF(P₁1min)AND(V₁1qmin)

??? ????? THEN? r₄=r₄+Δr?

??? R7:IF(P₂2min)AND(V₂2qmin)?

??????? ? THEN? r₄=r₄+Δr?

????R8:IF(P₃3min)AND(V₃3qmin)

??????? ? THEN? r₄=r₄+Δr?

????R9:IF(P₁1Smin)AND(P₂2Smin)AND(P₃3Smin)

??? ??? ? THEN? u*⁰₄=u⁰₄-Limit?

??? R10:IF P₄>P_4max ?

??????? ? THEN? u^*₄=u₄-Limit ?

??? R11:IF u₄4min THEN u^*₄=V_4min

　　上述規則中X_i、Y_i(i=1，2，…，7)為初冷器前壓力設定經驗數據,r₄為初冷器前壓力設定值，Δr為設定增量,u⁰₄為集氣管模糊神經控制器輸出值，u*⁰₄為前級合成控制輸出,u₄為解耦控制器鼓風機閘閥控制輸出,u^*₄為鼓風機閘閥控制最后合成輸出,Limit為可能的最小閘閥開度調節量，取決于執行機構的調節精度。可編程控制器梯形圖很適合上述規則的編程。四套鼓風機機組均采用智能專家協調控制系統,只是參數不同。不同機組運行時自動選用相應參數。?

4.2 時間比例數字輸出控制的實現?

　　經過專家智能協調控制后的輸出,還要經過非線性修正,然后采用時間比例數字輸出算法并用固態繼電器直接控制閥門。控制輸出經過標度變換,轉換成相應的時間。由于小于某一值的脈沖不但不會驅動伺服電機,還會使電機過熱,因此需極小值切除,并且根據上次開閥方向和本次開閥方向進行死區補償,并根據閥位測量數據進行故障處理。其框圖如圖5所示。?

?

?

??? 本系統于1999年6月在湘潭鋼鐵集團有限公司焦化廠投入運行,實際應用表明,該系統工作可靠、性能穩定、功能齊全、操作方便,控制精度達到要求。單座焦爐的調節對其它焦爐壓力的影響較控制前明顯削弱,對壓力的最大擾動幅度從±200Pa下降到±10Pa,當出現擾動時,能快速調節達到穩定,保證壓力穩定在工藝要求的范圍內。?

參考文獻?

1 陽春華,沈德耀.集氣管壓力智能控制設計與實現.小型微型計算機,1999；20(7):550～554?

2 Tkagi T， Sugeno I. Derivation of Fuzzy Rules From Human Aperator＇s Control Action. In:Proc IFAC Sym Pon Fuzzy Information， Knowledge Representation and Decision Analysis, 1983:55～60 ?

3 王耀南.神經網絡自適應模糊控制在溫度控制系統中的應用. 信息與控制,1996;25(4):247～250?

4 周景振,韓曾晉.一種新型多變量模糊自適應控制系統的研究.自動化學報,1999;25(2):215～220?

5 秦 斌,王欣.流程工業計算機集成過程系統CIPS. 國防科技大學出版社,2002.6