基于模糊神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐溫度控制仿真研究

朱云國 劉增良

（銅陵學(xué)院，安徽 銅陵 244000）

基于模糊神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐溫度控制仿真研究

朱云國 劉增良

（銅陵學(xué)院，安徽 銅陵 244000）

針對高爐熱風(fēng)爐溫度控制易波動問題，文章提出基于模糊神經(jīng)網(wǎng)絡(luò)控制算法對熱風(fēng)爐進(jìn)行溫度控制，具體采用補償模糊神經(jīng)網(wǎng)絡(luò)控制算法，對輸入制定一個折中的方案，仿真結(jié)果表明該方法能夠滿足高爐對溫度控制的要求，達(dá)到了減少溫度波動的目的。

補償模糊神經(jīng)網(wǎng)絡(luò)；熱風(fēng)爐；溫度控制

熱風(fēng)爐承擔(dān)著將煤氣燃燒所產(chǎn)生的熱量傳遞到高爐鼓風(fēng)的關(guān)鍵任務(wù)，它是高爐冶煉的重要的生產(chǎn)設(shè)備。國內(nèi)的中小型高爐一般由三個熱風(fēng)爐構(gòu)成，每個熱風(fēng)爐的工作過程分為三個階段，即燃燒、換爐和送風(fēng)。三座熱風(fēng)爐按順序交替地工作在送風(fēng)狀態(tài)，以達(dá)到向高爐提供連續(xù)和穩(wěn)定的熱風(fēng)供應(yīng)的目的。對于系統(tǒng)中的每個熱風(fēng)爐來說，其工作過程是斷續(xù)的工作方式，多個熱風(fēng)爐配合工作則形成了在整體上連續(xù)的送風(fēng)過程。由于熱風(fēng)爐在燃燒階段中所積蓄的熱量不能被直接和簡單地測量出來，所以現(xiàn)有的熱風(fēng)爐系統(tǒng)控制方法（不管是自動控制還是手動控制），基本上是以拱頂溫度和廢氣溫度作為過程參數(shù)來間接地控制燃燒過程，并用它們來反映燃燒過程的好壞。而對于每個熱風(fēng)爐的燃燒、換爐和送風(fēng)階段則采取了固定周期的運行方式，每個熱風(fēng)爐的燃燒時間以及送風(fēng)時間的長短都是一樣而且是預(yù)先設(shè)定好的，不會根據(jù)爐況和煤氣熱值的變化進(jìn)行相應(yīng)的調(diào)節(jié)和改變。煤氣量和空氣量以控制熱風(fēng)爐拱頂溫度和廢氣溫度。通入其中的空氣和燃?xì)夂茈y恰到好處。由于控制不當(dāng)，送風(fēng)溫度一直偏低，造成資源的嚴(yán)重浪費，影響高爐的冶煉。

1．熱風(fēng)爐的控制

熱風(fēng)爐燃燒過程控制研究很受重視也發(fā)展較快。為了有效地控制熱風(fēng)爐的燃燒過程，必須使熱風(fēng)爐充分蓄熱，以確保向高爐送風(fēng)的溫度和時間，最大限度地減少能源消耗，達(dá)到最佳燃燒效率。防止熱風(fēng)爐拱頂過熱，延長熱風(fēng)爐壽命。在熱風(fēng)爐燃燒初期是以較大的煤氣量和合適的空燃比實行快速加熱，使拱頂溫度迅速達(dá)到規(guī)定值。在蓄熱期適當(dāng)加大空氣量，以得到更多的廢氣來增加蓄熱。在控制方面，傳統(tǒng)的自動控制（包括基于經(jīng)典控制理論和現(xiàn)代控制理論的方法）有一個共同的特點，那就是控制器的設(shè)計必須建立在被控對象準(zhǔn)確的數(shù)學(xué)模型的基礎(chǔ)上。而熱風(fēng)爐是一個不確定性的復(fù)雜被控對象，要想建立符合它的特性的準(zhǔn)確的數(shù)學(xué)模型是相當(dāng)困難的。所以選擇智能控制策略就顯得意義重大。目前可供選擇的智能控制策略也較多，如：神經(jīng)網(wǎng)絡(luò)控制、專家系統(tǒng)控

圖1模糊神經(jīng)元

2.1補償模糊神經(jīng)元 根據(jù)補償運算的實質(zhì)，提出了基于消極運算和積極運算的補償運算。(1)消極模糊神經(jīng)元如圖1中a所示它能夠映射輸入xi(i=1，2，…，n)到最壞的輸出,為最壞的情況制定一個保守的決策，p(x1，…，xn)=min(x1，…，xn)。(2)積極模糊神經(jīng)元如圖1中b所示它能夠映射輸入xi(i=1，2，…，n)到最好的輸出，為最好的情況制定一個樂觀的決策，o(x1，…，xn)=max(x1，…，xn)。(3)補償模糊神經(jīng)元如圖1中c所示它能夠映射最壞輸入x1，最好輸入x2到補償輸出y,并為介于最壞和最好輸入的情況制定一個相對折中的方案.制、模糊邏輯控制、仿人智能控制等。經(jīng)過專家學(xué)者的不懈努力這些控制策略都有了長足的發(fā)展。其中模糊邏輯控制倍受研究者的青睞，模糊邏輯法是在線規(guī)劃中通常采用的一種規(guī)劃方法，包括建模和規(guī)劃。該方法在環(huán)境未知或發(fā)生變化的情況下，能夠快速而準(zhǔn)確地給出控制規(guī)則，是一種對非線性控制很好的方法。但是,其缺點是控制規(guī)則靠專家系統(tǒng)，該方法的計算量會很大，有時影響控制結(jié)果。控制規(guī)則和隸屬度函數(shù)一經(jīng)確定便無法修改，從而限制了其自適應(yīng)能力。神經(jīng)網(wǎng)絡(luò)擁有固有的并行計算、分布式信息存儲、容錯能力強及具備自適應(yīng)能力等一系列優(yōu)點，將人工神經(jīng)網(wǎng)絡(luò)和模糊控制結(jié)合起來，可利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力調(diào)節(jié)模糊控制，一方面使模糊控制具有自適應(yīng)能力，另一方面也使神經(jīng)網(wǎng)絡(luò)獲得了模糊控制的推理歸納能力。針對常規(guī)模糊神經(jīng)網(wǎng)絡(luò)的不足，提出了補償模糊神經(jīng)網(wǎng)絡(luò)算法的控制方法。它融合了模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)的基礎(chǔ)上，設(shè)計了快速學(xué)習(xí)算法，執(zhí)行補償?shù)哪：评怼?/p>

本文將對通過借鑒前人研究成果對補償模糊神經(jīng)網(wǎng)絡(luò)控制的這種控制策略進(jìn)行研究.

2．補償模糊神經(jīng)網(wǎng)絡(luò)

2.2補償模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 一個補償模糊神經(jīng)網(wǎng)絡(luò)有五層結(jié)構(gòu):輸入層、模糊化層、模糊推理層、補償運算層、反模糊化層,層與層之間依據(jù)模糊邏輯系統(tǒng)的語言變量、模糊IFTHEN規(guī)則、最壞、最好運算、模糊推理方法、反模糊函數(shù)所構(gòu)建，如圖2所示。

第1層為輸入層，輸入變量xi共3個：E為拱頂溫度與設(shè)定溫度的偏差；C為溫度偏差的變化率。

圖2模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3．仿真結(jié)果

為驗證本論文提出的補償模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行熱風(fēng)爐溫度控制的有效性和可行性，在MATLAB上進(jìn)行了熱風(fēng)爐溫度仿真實驗。首先觀察網(wǎng)絡(luò)訓(xùn)練步數(shù)與誤差收斂的情況，從圖3和圖4知，當(dāng)E取為0.001時，常規(guī)模糊神經(jīng)網(wǎng)絡(luò)誤差曲線經(jīng)過k=62步收斂，補償模糊神經(jīng)網(wǎng)絡(luò)誤差曲線經(jīng)過k=17步就收斂了，可知補償模糊神經(jīng)網(wǎng)絡(luò)較常規(guī)模糊神經(jīng)網(wǎng)絡(luò)加快了收斂速度。

圖3常規(guī)模糊神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

圖4補償模糊神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

圖5常規(guī)模糊神經(jīng)網(wǎng)絡(luò)的溫度跟蹤曲線

從圖5和圖6比較可知，通過仿真發(fā)現(xiàn)常規(guī)模糊神經(jīng)網(wǎng)絡(luò)的溫度跟蹤曲線比補償模糊神經(jīng)網(wǎng)絡(luò)的溫度跟蹤曲線要花費跟長的時間，這是由算法的仿真收斂速度決定的。

從上面的仿真結(jié)果表明，應(yīng)用本文所述方法，對熱風(fēng)爐的溫度控制實現(xiàn)了很好的跟蹤，并且采用補償模糊神經(jīng)網(wǎng)絡(luò)控制能夠在較快的時間內(nèi)實現(xiàn)跟蹤，在較短的仿真步內(nèi)實現(xiàn)算法的收斂，這驗證仿真方法的可行性和正確性。

圖6補償模糊神經(jīng)網(wǎng)絡(luò)的溫度跟蹤曲線

［1］吳啟常，蒼大強.我國熱風(fēng)爐的現(xiàn)狀及提高風(fēng)溫的對策[J].煉鐵 ，2002，(5):1-4.

［2］汪光陽，王增貢，張雷等.熱風(fēng)爐燃燒系統(tǒng)模糊控制參數(shù)優(yōu)化[J].安徽工業(yè)大學(xué)學(xué)報，2003，20（4）：349-352.

［3］楊濤，高偉，黃樹紅.基于Matlah的鍋爐過熱汽溫模糊控制系統(tǒng)仿真[J].華中科技大學(xué)學(xué)報(自然科學(xué)版),2003,31(4):63-65.

［4］聞新,周露,王丹力等．MATLAB 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M]．北京：科學(xué)出版社，2003.118－124.

Simulation study for hot blast stove temperature control based on fuzzy neural network

Zhu Yun-guo,Liu Zeng-liang
（Tongling University，Tongling Anhui 244000，China）

In order to overcome the temperature fluctuation of hot blast stove,a fuzzy neural network is proposed to control the temperature.The compensatory fuzzy neural network makes a middle decision between the worst and the best condition.The simulation result is carried out that the method can meet the requirements of hot blast stove temperature control,and the temperature fluctuation of hot blast stove is decreased.

compensatory fuzzy neural network;hot blast stove;temperature control

TP273

A

1672-0547（2011）05-0095-03

2011－08-23

朱云國（1976-），男，安徽宿松人，銅陵學(xué)院電氣工程系副教授；

劉增良（1959－），男，河北清苑人，銅陵學(xué)院電氣工程系教授。

安徽省高校省級自然科學(xué)基金資助項目《熱風(fēng)沖天爐自動化控制系統(tǒng)開發(fā)》（編號：KJ2008B131）研究成果。