基于OSVR的煤調濕系統智能預測控制

孟永政，　李曉斌

(上海應用技術學院 電氣與電子工程學院， 上海　200235)

?

基于OSVR的煤調濕系統智能預測控制

孟永政，李曉斌

(上海應用技術學院 電氣與電子工程學院， 上海200235)

摘要：針對現有煤調濕預測模型出現的訓練時間長、模型失配問題，建立了基于OSVR的煤調濕預測模型，提出了基于OSVR的煤調濕系統智能預測控制方法。該方法利用智能優化算法與預測函數控制相結合來實現對煤調濕系統出口煤濕度的精確控制。仿真和實驗結果表明，該方法具有較好的魯棒性和較高的控制精度。

關鍵詞：煤調濕； 智能預測控制; 在線支持向量回歸; 預測函數控制

0引言

煤調濕(Coal Moisture Control,CMC)簡單來說就是對煉焦原煤在裝爐前進行水分處理。穩定的入爐煤水分既可穩定焦爐生產操作、增加焦炭產量，又可改善焦炭質量。近些年，為了實現對入爐煤濕度的精確控制，許多有關煤調濕系統的建模、優化和控制方法被提出來了。參考文獻[1]以煤調濕反應器為控制體，計算了煙道廢氣量、入口廢氣溫度、出口廢氣溫度、入口煤粉濕度對調濕后煤粉濕度和廢氣含量的影響，但是并沒有給出實際的控制器數學模型；參考文獻[2]提出了粒子群算法優化的徑向基函數(Particle Swarm Optimization Radial Basis Function，PSO-RBF)煤調濕建模方法，但由于粒子群的迭代計算，使得此種建模方法的訓練時間較長；參考文獻[3]提出了煤調濕系統的多模型建模方法，根據不同的工況將系統劃分為不同的子區間，又分別對每個區間建模，但此方法任務量大，無法建立一個滿足所有工況的通用模型。參考文獻[4-5]提出了公式法和前饋+反饋這2種煤料水分的控制方法，但公式法由于計算的時間點位于干燥機的入口，而結果卻反映在干燥機的出口，所以會造成系統的滯后，這樣也就無法進行準確跟蹤控制，而前饋+反饋方法計算復雜，且對儀表的要求較為嚴格。

因此，為了實現對煤調濕系統出口煤濕度的精確控制，針對以往煤調濕預測模型出現的訓練時間長、無法建立滿足所有工況的通用模型問題，本文從煤調濕工藝的特性出發，通過研究與入爐煤水分直接或間接的相關因素，建立了基于在線支持向量回歸(On-line Support Vector Regression， OSVR)的煤調濕預測模型，在此基礎上，針對傳統的控制方法跟蹤不準確問題，提出了基于OSVR的煤調濕系統智能預測控制方法，該方法利用智能優化算法與預測函數控制相結合來實現對煤調濕系統出口煤濕度的精確控制。

1基于OSVR的煤調濕預測模型建立

OSVR是一種先進的支持向量機(Support Vector Machine，SVM)訓練方法[6-7]，與SVM不同的是，當模型的預測值和實際值的偏差超過設定值時，OSVR會通過保存中間變量進行在線學習，以此來校正模型參數，從而避免了重新訓練所有樣本，節省了訓練時間。本文以某廠煤調濕系統為研究對象，建立基于OSVR的煤調濕預測模型。

某廠煤調濕工藝過程如圖1所示，在整個煤調濕過程中涉及到的參數有主電動機電流、煤切入量、入口煤濕度、蒸汽壓力、蒸汽管網流量、出口煤濕度、進料螺旋電流、蒸汽實際流量等。

1-氮氣加熱器；2-布袋式除塵器；3-轉筒干燥器；4-煙道氣；

要保證煤料水分控制系統中出口煤濕度的穩定，關鍵是控制蒸汽的流量。選取某廠過往一段時間的數據，通過對電流、壓力等參數與出口煤濕度的相關性分析，考慮到實施的可行性以及與出口煤濕度相關性最高的獨立變量，最終確定入口煤濕度、煤切入量、干燥機出口溫度和蒸汽流量分別作為系統模型的輸入和輸出。

OSVR以KKT(Karush Kuhn Tucker)條件為基礎，通過在線修改參數來更新預測模型，從而縮短了訓練時間，提高了預測精度，參考文獻[6]介紹了KKT條件和OSVR算法的詳細步驟，在此不再贅述。

從煤調濕現場采集的數據中取一組訓練數據T={(xi,yi),i=1,2,…,l},xi∈Rm,yi∈R,xi=(xi1,xi2,xi3)為樣本的輸入,xi1,xi2,xi3分別為入口煤濕度、煤切入量、干燥機出口溫度，yi為輸出，l為樣本個數，可以構造如下回歸函數：

(1)

式中：Φ(x)為非線性映射；W和b為待求參數。

(2)

約束條件為

式(2)通過拉格朗日乘子的引入，可以構造拉格朗日函數，對其求解，式(1)可以寫成

(3)

(1) 錯誤支持向量集：E={i=|θi|=C,|h(xi)|≥ε}。

(2) 邊界支持向量集：S={i=0<|θi|

(3) 樣本保持支持向量集：R={i=|θi|=0,|h(xi)|=ε}。

每當有新樣本加入到訓練集T，訓練的最終目的就是使新增樣本加入到E、S、R中的任何一個，同時，確保所有的樣本滿足KKT條件。

2智能預測控制方法

智能預測控制的原理是利用被控對象的歷史輸入信息、歷史輸出信息以及未來輸入信息，根據內部模型，預測系統未來的輸出狀態。經過用模型輸出誤差進行反饋校正以后，再與參考軌跡進行比較，應用二次型性能指標進行滾動、優化，然后再計算當前時刻加于系統的控制，完成整個動作循環。滾動優化是預測控制的主要特征，即通過目標函數的最優來確定未來的控制輸入，并且在線反復進行優化。由于預測模型越來越復雜，使得目標函數的直接最優求解變得十分困難。與傳統的預測控制相比，預測函數控制(Predictive Functional Control, PFC)最大的優點在于它加入了基函數，增強了對控制結構的重視，使控制輸入更具規律性，在一定程度上使在線計算得到簡化，而多Agent粒子群算法(Multi-Agent Particle Swarm Optimization, MAPSO)利用粒子群之間的相互合作機制使尋到的控制量更加精確。基于OSVR的煤調濕系統智能預測控制方法就是將MAPSO與PFC結合起來使用。

2.1MAPSO算法

MAPSO算法是建立在粒子群與多Agent的自治學習、相互競爭以及相互協作的基礎上。在MAPSO中，將PSO算法中的每個粒子都看成是一個智能體，這樣，每個粒子除了執行PSO算法中的進化規則，還要與其鄰近粒子進行信息交互。

MAPSO算法步驟如下：

(1) 多Agent粒子群參數設置。

(2) 各粒子的適應度函數計算。計算公式如下：

(4)

在當前社會主義新農村建設的實際需求背景下，并結合我國農村經濟發展狀況，完善農村公共產品的供給制度已然成為建立和完善農村社會保障制度的必要途徑。因此建立和完善農村社會保障制度有利于真正賦予農民國民待遇，切實改善農村生產生活水平，消解公共產品城鄉二元供給結構，具有非常重要的價值。

(4) 粒子的速度和位置更新。根據式(5)更新粒子的速度和位置：

(5)

式中：w為慣性權重；v,x分別為粒子的速度和位置；c1,c2為學習因子；gb,pb分別為全局極值和個體極值；r1,r2為隨機數。

(5) 如果滿足結束的條件，保存最優粒子位置，算法結束，如果不滿足，則跳到步驟(2)繼續。

由于Agent之間的相互通信和協調，吸收粒子群算法的進化方法，使其能夠提高解決實際問題的能力，從而更快地收斂到全局最優解。

2.2預測函數控制

通過訓練樣本集T={(xi,yi),i=1,2,…,l}可以獲得回歸方程中的參數θi(i=1,2,…,l)、b。現設定預測步長為p，則在k時刻未來第p步的預測模型輸出值為

(6)

式中：x′(k+p-1)=[ym(k+p-1),…,ym(k+1),…,ym(k-n′+p),u(k+p-1),…,u(k),…,u(k-m′+p)];m′、n′為系統的階次，由擬合精度確定。

控制輸入取基函數的線性組合：

(7)

式中：u(k+i)為n+i時刻的控制量；μj為基函數的線性組合系數；fj(i)為第j個基函數在t=iT時刻的值，基函數通常取階躍函數、斜坡函數、指數函數等;n為基函數的個數。

常見的參考軌跡形式如下：

yr(k+j)=αry(k)+(1-αr)ysp(k+j)

(8)

式中：yr(k+j)為k+j時刻設定的參考軌跡值；αr=exp(-Tr/Ts),為參考軌跡柔化系數，Tr為采樣周期，Ts為采樣參考軌跡響應時間;y(k)為系統的實際輸出值；ysp(k+j)為k+j時刻的跟蹤設定值。

預測誤差為

(9)

誤差補償后的預測輸出為

(10)

式中hj為誤差權重系數。

優化目標函數取為

(11)

3仿真及實驗比較

3.1數據采集

影響煤調濕系統出口煤濕度的因素有很多，但考慮到建模的復雜性，這里選取影響出口煤濕度最大的4個因素：煤切入量、干燥機出口溫度、入口煤濕度和蒸汽流量分別作為模型的輸入量和輸出量。以某廠煤調濕系統為對象，系統的煤切入量、干燥機出口溫度、蒸汽流量等在線數據是通過相應的傳感器測得，煤濕度是通過工人從現場采集煤樣本送回化驗室化驗而獲得。用拉丁超立方的抽樣方法，最終得到124組實驗數據(部分實驗數據見表1)。

表1　現場采集的部分實驗數據

3.2仿真比較

為了證明MAPSO-FPC方法控制的精確性，用PID控制結果與之比較。

實驗仿真軟件為Matlab R2012a,選用RBF核函數,核寬度σ取0.8 ，懲罰系數C取300，設定允許誤差ε=0.1，把前面80組數據用來辨識模型，余下的44組數據用來校驗模型。

蒸汽流量直接決定著煤調濕系統的出口煤濕度。蒸汽流量實際值和OSVR模型預測值的比較如圖2所示。由圖2可以看出,基于OSVR的煤調濕預測模型的有效性。

參考文獻[2]已證明PSO-RBF模型是文中所有建模方法中最好的，為了證明基于OSVR的預測模型的優越性，將其與PSO-RBF模型進行比較。選取粒子群迭代次數為250，粒子維數為40，種群規模為20，蒸汽流量的實際值與PSO-RBF模型預測值的比較結果如圖3所示。

圖2　蒸汽流量實際值與OSVR模型預測值的比較結果

圖3　蒸汽流量實際值與PSO-RBF模型預測值的比較結果

為直接比較2種模型的準確性，分別求出PSO-RBF和OSVR 2種模型的相對誤差(圖4)和訓練、測試時間(表2)。

圖4　2種模型的相對誤差

模型訓練樣本數訓練時間/s測試樣本數測試時間/sPSO-RBF8048.13440.053OSVR8014.70440.048

由圖4和表2可知，2種模型的相對誤差差別不大，但OSVR模型訓練時間明顯短于PSO-RBF模型訓練時間，證明了OSVR模型的優越性。

OSVR模型實現了系統動態調整和參數的在線更新，在此基礎上，用MAPSO-FPC對煤調濕系統蒸汽流量進行多Agent粒子群優化預測函數控制，并與傳統的PID控制比較。設預測步長p=10，控制步長H=1，給定信號為幅值在1和2之間、周期為100 s的方波信號，柔化系數αr=0.3。

MAPSO-PFC控制的方波信號響應仿真結果如圖5所示，傳統PID控制的方波信號響應仿真結果如圖6所示。

圖5　MAPSO-PFC控制的方波信號響應仿真結果

圖6　PID控制的方波信號響應仿真結果

從圖5和圖6可以明顯看出，MAPSO-PFC控制方法的控制結果波動小，達到穩定所需的時間更短，跟蹤更加精確，明顯優于傳統的PID控制方法的控制結果。

4結語

以某廠煤調濕系統為研究對象，針對傳統的煤調濕控制方法出現的跟蹤不準確問題，提出了基于OSVR的智能預測控制方法。仿真實驗結果表明，基于OSVR的煤調濕智能預測控制方法的控制效果要明顯優于傳統的PID控制方法，具有很高的跟蹤性能，為煤調濕系統出口煤濕度的穩定控制提供了新方法。

[1]高建軍,郭玉華,周和敏,等.煤調濕工藝數學模型與計算[J].燃料與化工,2012,43(5):1-7.

[2]余楊,李曉斌,金鳴林，等.煤調濕控制系統的智能建模與優化方法研究[J].科學技術與工程,2013,13(30):8938-8943.

[3]王建華,羅雷濤,耿佳燦.煤調濕系統蒸汽消耗量的多模型建模研究[J].自動化儀表，2014,35(12):88-93.

[4]曹善甫，史晉文，詹仲福.焦爐煤調濕裝置控制系統的研究與設計[J].煤化工，2013(5):53-55.

[5]詹仲福，曹善甫，竇巖,等.煤調濕裝置蒸汽管回轉干燥系統研究[J].化工機械，2013,40(6)：764-767.

[6]MA J S,JAMES T,SIMON P. Accurate on-line support vector regression[J]. Neural Computing,2003,15(11):2683-2704.

[7]陳進東, 潘豐. 基于在線支持向量回歸的非線性模型預測控制方法[J].控制與決策,2014,29(3):460-464.

Intelligent predictive control of coal moisture control system based on OSVR

MENG Yongzheng,LI Xiaobin

(School of Electrical and Electronic Engineering, Shanghai Institute of Technology,Shanghai 200235, China)

Abstract:In view of problem of the long training time and mismatch model of existing coal moisture prediction model, a prediction model of coal moisture control based on OSVR was established, an intelligent predictive control method of coal moisture control system based on OSVR was proposed. The method adopts intelligent optimization algorithm and predictive functional control to realize accurate control of export coal moisture of coal moisture control system. The simulation and experimental results show that the proposed method has better robustness and higher control precision.

Key words:coal moisture control; intelligent predicting control; on-line support vector regression; predictive functional control

中圖分類號：TD67

文獻標志碼：A網絡出版時間：2016-03-07 15:20

作者簡介：孟永政(1989-)，男，河南駐馬店人，碩士研究生，研究方向為智能控制與優化， E-mail：mengyongzheng@163.com。

基金項目：上海市科研計劃項目(11510502700);上海市教委科研創新重點計劃項目(12ZZ189);上海應用技術學院博士基金資助項目(YJ2011-22/YJ2011-33)。

收稿日期：2015-11-23;修回日期：2016-01-22；責任編輯：張強。

文章編號：1671-251X(2016)03-0055-05

DOI:10.13272/j.issn.1671-251x.2016.03.013

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160307.1520.013.html

孟永政，李曉斌.基于OSVR的煤調濕系統智能預測控制[J].工礦自動化，2016,42(3)：55-59.