BP神經網絡PID控制在高爐TRT頂壓控制系統中的仿真

劉志剛

（唐山學院 機電工程系，河北 唐山063000）

高爐爐頂煤氣余壓透平發電裝置（TRT）是將回收的高爐煤氣的壓力能通過透平膨脹機做功后轉化為機械能驅動發電機發電的裝置。維持TRT正常工作首先要確保高爐爐頂壓力的穩定，而影響高爐爐頂壓力的因素很多，如布料過程、均壓過程、鼓風機壓力與風量、旁通閥開度、熱風爐換爐、高爐生產工況、透平機運行狀況以及靜葉的調節精度等［1］。穩定的控制高爐爐頂壓力非常重要而且難度很高，這就需要有一套高效的高爐頂壓控制系統對其進行控制。

1 高爐頂壓控制工藝［1－3］

高爐TRT頂壓控制系統流程如圖1所示。系統根據設定的壓力值在不同工況下由不同機構控制高爐爐頂壓力。在正常工況下，通過對環縫和TRT靜葉開度的調節來改變透平機的廣義阻尼系數，從而達到改變高爐爐頂壓力的目的，同時快開閥和旁通閥全部關閉，起保護作用；當TRT故障停機時，關閉透平機入口閥門，打開旁通閥和快開閥，高爐爐頂的壓力由環縫控制［1－3］。

2 傳統PID控制算法

PID控制在線性、動態且不隨時間變化的控制系統中有廣泛的應用，是高爐頂壓控制系統中最常用的算法之一。其控制規律為

其中，Kp為比例系數，Ki為積分時間系數，Kd為微分時間系數，e（t）為系統偏差。通過對（1）式采樣可得增量式PID控制算法：

3 BP神經網絡PID控制算法

圖2為基于BP神經網絡的PID控制器結構，PID控制器的3個可調制參數Kp，Ki，Kd由輸出層神經元輸出，通過自學習和對加權系數的調整，得到最優的控制設計，即3層BP神經網絡，其結構如圖3所示。

3.1 BP神經網絡結構的正向算法

網絡輸入層的輸入為

式中，輸入神經元個數M選為3，輸入的3個量分別為高爐頂壓的設定值、實際值和其偏差值。

網絡隱含層的輸入、輸出為

網絡輸出層的輸入、輸出為：

輸出層輸出節點分別對應3個可調參數Kp，Ki，Kd，其神經元的激活函數為

因Kp，Ki，Kd為正，可令輸出層神經元激活函數取非負的Sigmoid函數。此BP神經網絡結構為3－5－3。

3.2 BP神經網絡結構的反向算法

取性能指標函數為

各層加權系數可按Jp函數梯度變化反方向搜索調整，使網絡逐漸收斂［4－6］。

4 應用與仿真

4.1 BP神經網絡PID控制應用于高爐頂壓控制系統

高爐頂壓控制系統是一個多擾動、強非線性和時變特性的多變量系統［7］。單一PID控制易存在參數調節不準確、對時變對象的適應能力差等不足，難以使控制系統達到非常精準的水平。由于神經網絡具有任意非線性逼近能力、自學習能力以及概括推廣能力，使控制系統具有自適應性，可自動調節控制參數，提高控制性能和可靠性［8］。結合PID控制算法，即BP神經網絡PID控制可改善系統的控制效果，提高系統響應速度、控制精度高和魯棒性。所以將BP神經網絡PID控制應用于高爐頂壓控制系統勢在必行。本設計即融合了傳統PID和BP神經網絡的優點，應用BP神經網絡實現對高爐頂壓控制系統中PID參數的整定，提高傳統單一PID控制精度，使高爐爐頂壓力更趨于穩定。通過Matlab仿真，驗證該優化控制算法的可行性。

BP神經網絡PID控制算法的設計步驟：首先，神經網絡控制器選用3－5－3的結構，給出輸入層和隱含層加權系數的初值，設定學習速率η和慣性系數α，令k＝1；其次，通過采樣得到高爐爐頂壓力的設定值和實際值，并計算出其偏差值，然后進行神經網絡學習并在線調整各層的加權系數；再次，計算神經網絡輸入層、隱含層、輸出層的輸出值，輸出層的輸出值即為PID控制器的3個可調參數Kp，Ki，Kd；最后，將Kp，Ki，Kd代入式（2）計算PID控制器的輸出u（k），令k＝k＋1，循環計算，直到達到精度范圍內為止。

4.2 Matlab仿真

參照文獻［9］，建立一個多輸入單輸出的系統控制模型。對高爐爐頂壓力P2（s）影響較大的兩個參數為鼓風機風量Q（s）和旁通閥開度L（s），它們的傳遞函數如式（14），（15）所示。

在Matlab仿真軟件中，令學習速率η＝0.2，慣性系數α＝0.01。根據上述算法設計過程，由階躍信號模擬鼓風機風量的變化可得圖4，系統頂壓響應是一個類似于二階的振蕩響應。起初BP神經網絡PID控制較之PID控制系統振蕩略有增加，但系統通過自學習和對權系數的調整，穩定時間大大提前。神經網絡PID控制算法可以使系統在保證爐頂壓力偏差允許的精度范圍內，使系統盡快恢復設定壓力值，達到穩定狀態。當由階躍信號模擬旁通閥開度時可得圖5，系統頂壓響應也是一個二階振蕩響應，但系統通過自學習和對權系數的調整，也能大大縮短穩定時間。在保證壓力精度設定范圍內，使系統更快地達到設定壓力值并穩定運行。

另外，系統經過BP神經網絡PID控制后，比較鼓風機風量和旁通閥閥門開度兩個影響爐頂壓力的因素，BP神經網絡PID控制對旁通閥閥門開度控制效果更好。因未使爐頂壓力出現較大的波動，從而大大縮短了穩定時間。實際現場控制中也正是利用旁通閥來調節爐頂的壓力。

5 結語

本文利用BP神經網絡與PID控制的結合來控制高爐TRT爐頂頂壓。由仿真結果可以看出，此控制方式彌補了傳統PID控制的缺陷，在增強系統魯棒性、縮短系統穩定時間等方面均優于傳統PID控制。盡管控制系統開始存在過沖和振蕩，但經過神經網絡自學習和權系數調整使系統迅速得到自我修正并趨于穩定。BP神經網絡PID控制可為復雜的高爐頂壓控制系統提供更為合理的可調參數Kp，Ki，Kd，使爐頂壓力更精準地接近期望值，達到優化系統控制性能的目的。

［1］印建安，章本照.TRT頂壓穩定性高精度控制技術（STPC）基本原理［J］.中國冶金，2007，17（10）：50－53.

［2］安劍奇，吳敏，熊永華，等.高爐爐頂壓力智能解耦控制方法及應用［J］.信息與控制，2009，39（2）：180－186.

［3］印建安.高爐煤氣余壓發電裝置中爐頂壓力穩定性分析與控制實驗研究［D］.杭州：浙江大學，2000.

［4］陳奇福.基于模糊PID的高爐爐頂壓力控制系統的開發與工業應用［D］.長沙：中南大學，2010.

［5］王建鑫，申德超，馬躍進.BP神經網絡PID控制仿真在擠壓機中的應用［J］.農機化研究，2011，3（3）：194－197.

［6］涂川川，朱鳳武，李鐵.BP神經網絡PID控制器在溫室溫度控制中的研究［J］.中國農機化研究，2012（2）：151－154.

［7］Tsumura K.Modeling for control of blast furnace［C］／／IEEE International Conference on Control Applications.Piscataway，NJ，USA：IEEE，1999：1－6.

［8］張殿華，馮瑩瑩，駱宗安，等.BP神經網絡PID控制對液壓伺服控制的改進［J］.鋼鐵研究學報，2009，21（3）：59－62.

［9］楊春節，吳平，宋執環.煉鐵高爐TRT系統爐頂壓力動態數學模型研究［J］.浙江大學學報：工學版，2006，40（9）：1536－1539.