基于模糊神經網絡的熱風爐溫度智能控制研究

王珺

(西安航空職業技術學院,陜西 西安 710089)

熱風爐作為鋼鐵高爐冶煉的重要工具,為高爐進行熱交換,因此能量耗損巨大。通過熱風爐的燃燒控制能夠規定送風的流量以及溫度等,保證高爐冶煉的效率。同時為了保護熱風爐設備,提升設備的使用壽命,熱風硅磚的溫度以及廢氣溫度必須在合理的范圍以內,這也進一步對熱風爐的加熱控制提出了新的要求。現階段熱風爐的溫度控制以手動為主,因此極易發生燃燒不均勻等問題。隨著模糊控制以及神經網絡等不斷發展和完善,其能夠基于很少的控制規則,通過模擬神經網絡的學習以及工作過程,提升整個控制系統的自適應性,將其應用于熱風爐溫度,能夠顯著提高其熱效率,增強燃燒過程的均勻性。

1 模糊神經網絡控制系統

1.1 模糊神經控制系統

模糊控制系統是人工智能以及先進控制理論相結合的一種集成性模糊控制方法。主要包括四部分。

(1)被控制對象。由于熱風爐爐溫的優化被控對象是單變量現行數據,一般對溫度的采集使用溫度傳感器,適合模糊控制[1]。

(2)輸入/輸出接口。本文的熱風爐模糊控制系統部分采用單輸入、雙輸出。其中單輸入量為給定熱風爐內的溫度以及其與設定值之間的差值,衡量變化率。輸出量為煤氣以及空氣閥的開度。實際數據采集多為模擬的變化量,因此在接口中設置A/D以及D/A進行模擬采集轉換。

(3)模糊控制器。模糊智能控制的本質是非線性的,因此將偏差以及偏差率作為輸入量,然后采用模糊控制的知識進行表示以及規則的推理。

(4)執行機構。執行機構采用電機對煤氣閥以及空氣閥的開度,從而調節熱風爐內煤氣以及空氣的比例,達到熱風爐溫度的適宜情況[2]。

1.2 模糊神經網絡特點

模糊神經網絡是邏輯控制以及BP神經網絡優勢的結合,具有明確的系統架構以及快速的學習模式。模糊神經網絡特點如下:

(1)信息處理范圍廣。模糊神經網絡所涉及的運算范圍廣泛,能夠對確定性以及不確定信息進行識別。

(2)信息處理時間縮短。模糊神經網絡具有先進的模糊數學計算方法,在一些處理單元的計算上加以簡化,極大地縮短了信息處理的時間,提升了信息處理效率。

(3)模糊神經網絡具有模糊控制系統的相同結構,且系統能夠逼近實函數,利用其對系統規則的改進,能夠優化控制系統的效果。

2 熱風爐燃燒變化過程分析

2.1 熱風爐燃燒溫度變化

熱風爐在燃燒的初期,其蓄熱拱頂的溫度較低,因此燃燒所產生的大量廢煙會被拱頂所吸收,在燃燒期短時間內,拱頂的溫度出現快速的上升,而蓄熱室中下部分的溫度上升較為緩慢。在熱風爐拱頂溫度到達一定值后,溫度的升高緩慢,轉換為穩態上升[3]。這時燃燒產生的廢煙熱量被蓄熱室的耐火格子所吸收。中下部格子的溫度以及拱頂溫度上升呈現正比例關系。熱風爐拱頂以及煙氣溫度變化如圖1所示。

圖1 熱風爐拱頂以及廢煙氣溫度變化曲線

由圖1可知,熱風爐拱頂以及廢煙氣的溫度變化可以劃分為三個區間,從廢煙氣以及拱頂的溫度變化趨勢能夠觀測到熱風爐的交換效果。當廢煙氣的溫度較低時,其與熱風爐內的熱交換能力較強。伴隨著蓄熱室溫度的上升,則以廢煙氣的溫度作為目標觀測值控制熱風爐的燃燒過程[4]。

2.2 熱風爐智能燃燒控制策略

熱風爐在燃燒階段的拱頂溫度升高速度和在儲熱管理階段的排煙溫度升高速度,受高爐煤氣、助燃空氣壓力、熱值狀態等因素的影響。所以,實現熱風爐的自動控制,關鍵在于能有效地抑制高爐煤氣和助燃空氣的外界擾動,從而達到對高爐煤氣、助燃空氣流量的實時、高效調節。各階段細化控制策略如下。

2.2.1 燃燒初期

燃燒初期,以升高拱頂溫度為預定目標,其工藝過程的主要特征是:開啟高爐煤氣調節閥至最大開度,并以最大氣體流量進行燃燒。利用觀察到的溫度變化和變化速率,對燃氣以及空氣流量進行調整,以確保熱風爐的快速燃燒[5]。為了使下一階段的燃燒達到最好的混合比例,采用自優化的方法來調整燃氣和氣流的流速。在頂燃熱風爐的拱頂溫度達到預定的溫度后,轉入蓄熱階段。

2.2.2 蓄熱階段

蓄熱階段一方面要保證拱頂的溫度不能過高,另一方面需要促進熱風爐內的耐火格子磚熱交換,從而加速熱風爐的溫度上升。伴隨著蓄熱室內的溫度的升高,廢氣溫度不斷升高。從廢氣溫度衡量熱風爐內的耐火磚熱交換效率。本階段控制策略主要是維持拱頂溫度上升同時控制廢氣溫度上升的變化速度,實現最佳的蓄熱交換。

2.2.3 蓄熱飽和階段

廢煙氣溫度達到設定值后,結合生產的需要選擇性操作。如果暫停燃燒,將熱風爐轉入燜爐狀態,如果持續性燃燒,手動減少煤氣的流量,以維持拱頂溫度為目標[6]。

3 基于模糊神經網絡的熱風爐溫度智能優化

3.1 系統結構設計

熱風爐溫度智能控制的模糊神經網絡結合模糊化概念,同時引入模糊推理神經元建立,如圖2所示。

圖2 模糊神經網絡熱風爐溫度控制結構

系統的輸入量為熱風爐溫度的偏差,即爐溫的給定值以及實測之間的差記為e,求導后計算出偏差的變化率ec。在采取學習算法,對偏差以及變化率進行模糊處理后得到模糊語言變量E以及EC,然后進行去模化,由PID控制器輸出至熱風爐的煤氣以及空氣流量的調節閥,從而實現對熱風爐爐內溫度的控制[7]。

3.2 系統硬件選擇

采用AT89S52型單片機作為控制單元,利用熱風爐加熱區域的熱電偶實現對爐膛溫度的檢測,并且通過 A/D轉換、冷端補償、數字化輸出等多種方法,將溫度信號輸入到計算機系統中。與 MCU直接連接,采集熱風爐工作現場的實時數據,并將其記錄保存在系統中,作為系統的輸入,根據熱風爐實際的生產要求來確定控制參數[8]。總體上,溫度智能控制系統以電腦傳輸的控制參數為核心,對熱風爐進行實時監測。以便操作人員依據監測結果和實際生產要求,對其進行調整,從而達到對溫度的準確控制。

3.3 模糊神經網絡算法

3.3.1 權值調整

本熱風爐溫度智能調節控制系統采用神經網絡以及模糊系統的等價連接。其中神經網絡負責將現有本領域專家的經驗進行模糊化數字處理[9]。采用輸入值以及權值為模糊量的FNN3網絡模型,根據BP校正后得到連接的權證以及閾值,并修正現有隸屬參數。

3.3.2 隸屬函數優化

將給定的樣本以及數值輸入后,神經網絡通過反復的學習以及控制規則的調整適應神經網絡的隸屬函數變化趨勢,使得熱風爐溫度的智能調整以及模糊神經網絡控制方式更為適應。

3.3.3 模糊神經網絡算法

首先根據FNN3網絡模型,選定神經網絡的輸入層節點數以及隱含層的節點數、初值加權、學習速率以及慣性系數。將熱風爐的溫度誤差值以及變化率進行模糊化處理,并作為神經網絡的輸入值。其次計算出神經網絡的各層神經元的輸入以及輸出,借助PID控制器對煤氣以及空氣閥門的開度進行控制。借助增量數字PID進行控制。最后計算出修正后的連接權值。

4 熱風爐模糊神經網絡溫度智能控制系統仿真

在Matlab的Simulink條件下仿真。為了凸顯出模糊神經網絡對于熱風爐溫度控制系統的優越性,對比模糊神經網絡溫度智能控制法與傳統PID控制法之間的差異,多方面進行分析[10]。以系統參數保持在正常范圍內時,不受干擾時為例。其對比如圖3所示。

圖3 模糊神經網絡溫度智能控制法與傳統PID控制法響應對比

由圖3可知,常規PID控制的響應曲線為躍階響應,在時間為50～100 s時系統有輕微的震蕩,而模糊神經網絡PID控制響應系統在50 s后即達到穩定的峰值,且超調量明顯的小于傳統常規PID控制系統,達到穩態的速度更快。

5 結 語

鋼鐵是我國進行基礎設施建設的重要物質資源,在鋼鐵的加工冶煉過程中需要不斷地對其進行熱能輸送。考慮到熱風爐溫度控制系統是一個具有強耦合性、時變性的復雜非線性控制的系統,傳統的人工以及PID控制方式很難建立起精準的模型對其進行溫度控制。結合神經網絡學習算法,能夠顯著提升熱風爐控制系統的穩定性,使溫度更快地達到穩態,滿足高爐冶鐵的需要。