自主学习模糊神经网络PID炉膛压力控制

1、自主学习模糊神经网络PID炉膛压力控制王健 邵林（安徽工业大学 电气信息学院，马鞍山 243002） 摘要：炉膛压力的稳定性将直接影响加热炉的加热效率和加热质量。但由于加热材料的周期性进出，对炉压会产生较大的干扰，采用传统的PID控制已经不能满足生产工艺要求。现提出一种自主学习模糊RBF神经网络辨识PID在线实时控制炉压，通过采集阀门的反馈值，动态调整模糊查询表，使模糊控制方式精度更高；同时运用RBF神经网络辨识在线自动调整PID参数，控制效果更加稳定。关键词：炉膛压力; RBF神经网络辨识PID；自主学习模糊控制；中图分类号：TP273 文献标示符：ASelf-learning Fuzzy

2、Neural Network Identification PIDHeating Furnace Pressure ControlWang jian ,Shao lin(Department of Electrical Information, Anhui University of Technology, Anhui,243000 )Abstract : Stability of pressure of reheating furnace will affect directly heating efficiency and quality. However, heating materia

3、l in and out periodically, which will intervene to the pressure of furnace . traditional PID control can no longer meet the requirements of production technology. The paper giving a Self-learning fuzzy RBF neural network identification PID method to on-line control the pressure, through the feedback

4、 of valve, dynamic adjust fuzzy look-up table, so that fuzzy control becomes more accurate; At the same time, RBF neural network on-line automatically adjusts the PID parameters, the result is more stability than the former .Keywords: Heating furnace pressure; RBF identification PID; Self-learning F

5、uzzy control;1 前言为了保证炉膛有一个稳定的压力，使外界对炉内加热材料影响最小，需要对炉膛压力进行有效控制。很显然，压力大了，将向炉外喷火，浪费能源且对加热炉周围设备不利；压力小了，炉外冷空气将大量吸入炉内，较低炉温，影响加热质量；所以理想状态是炉内压力为一个标准大气压，但这往往很难实现。为了满足马钢H型钢生产的工艺需要，把炉内压力控制在稍高于一个标准大气压的水平，也就是所谓的微正压控制，这样可以避免由于炉外冷空气的大量吸入炉膛使加热坯料产生过多的氧化铁皮，从而影影响生产质量。炉膛压力的检测一般采用在烟道挡板处选取一个取压点，然后与炉外大气压比较即差压方式进行检测，其控制范围是-

6、5mmH2O+5mmH2O,一般设定在+1mmH2O(注：这里所给的炉压参数是指差压)。炉膛压力的变化主要来自燃料供热和加热坯料的进出，当炉膛升温时，炉压跟随着增加；当降温时，炉压也随之减少；另外，当炉门打开、关闭的时刻，炉压将发生急速变化；为了调整此变化，采用控制加热炉烟道抽气量大小的方式来控制炉压的变化。在空气换热器与立烟囱之间的水平烟囱5.5m处，安装了蝶形烟道阀，也叫烟道挡板，调整加热炉烟道挡板的开口度来控制炉膛压力。原采用传统PID方法调整烟道挡板的开口度来实现炉膛压力的控制，但由于PID控制参数（Kp、Ki、Kd）不能根据生产情况实时变化，已不能满足生产工艺的控制要求。现提出一种自

7、主学习的模糊RBF神经网络辨识PID控制，在线动态调整PID三个参数，实现炉膛压力的实时控制，运行效果更加理想。系统控制原理如图1所示。 图1.自主学习模糊RBF神经网络辨识PID炉压控制 2 控制原理(1)总体：加热炉炉压的控制主要是通过调整烟道挡板开口度的大小，且炉压的大小与烟道挡板开口度成一定比例。当加热炉正常加热时，炉压变化相对较小，我们采用RBF神经网络辨识PID通道控制，动态调整烟道挡板，保证炉压在设定的范围内变化；而在轧钢过程中，炉门要进行周期性开闭，此动作会对炉压产生周期性干扰，且每次的主要干扰都是基本相同的，因此，我们采用自主学习模糊控制方式：用前两次炉门开闭期间对炉压造成变

8、化量的加权平均值为依据，对本次炉压的变化量计算出一个固定的前馈调节量，即在炉门开闭有干扰的时段内给烟道挡板一个固定的调节量，以免产生超调。且下一次的调节量再根据上一次的调节量进行修正，这样一次比一次使炉压更逼近其设定值，反复进行学习，最后得到最佳的调节开口度。当模糊控制方式使炉压的变化量小于预先设定的临界转换值时，炉压控制方式自动转为RBF神经网络PID通道，并将此调节量保存在查询表中，作为下一次调节量的参考值，从而建立动态模糊查询表。(2)本文以马钢H型钢加热炉为例；此加热炉有两个进料炉门和两个出料炉门，各自有一个拉线式线性编码器检测其行程。正常加热时四个炉门全部关闭，加热温度保持在一定的范

9、围内，此时炉压变化相对较小；当炉压变化量小于预先设定的临界转换值（+1mmH2O）时，我们采用RBF神经网络PID通道控制炉压，达到动态调节，满足生产要求、降低加热能耗；在轧钢生产过程中，根据生产工艺的要求，每个炉门必须按预先设定进行打开、关闭运行，以配合步进梁动作完成加热材料的进出。当炉门编码器位置在150mm时，炉门显示完全打开；当炉门编码器位置是1050mm时，炉门显示完全关闭。由于炉门的开关、闭合将严重影响加热炉的炉膛压力，因此在炉门动作同时必须实时调整炉膛压力，以保证炉压在规定的范围内变化。当炉压的变化量大于预先设定的临界转换值，且炉门逻辑编码为“1”（至少有一个炉门是打开状态）时，

10、我们采用自主学习模糊控制方式去快速调节炉膛压力，保证生产的稳定、有序进行。(3)自动转换开关：对压力变送器检测的压力与给定压力(rin)进行差值运算，结合炉门的动作信号，自动转换开关选择相应的通道。当炉门有开启信号且炉压大于临界转换设定值（+1mmH2O）时，自动转换开关选择自主学习模糊通道进行快速控制；当炉膛压力小于临界转换设定值时，自动转换开关选择RBF神经网络辨识PID通道，实时控制炉膛压力，保证炉压在一定范围内变化，自动转换开关由PLC来自动实现。 (4)自主学习查询表见表1：加热炉的四个炉门分别记为南进料门（SCDOOR）、北进料门（NCDOOR）、南出料门（SDDOOR）、北出料门

11、（NDDOOR）；用模糊语言把炉门的开闭状态进行模糊化处理，当仅有一个炉门打开时记为SMALL，两个炉门同时打开时记为MIDDLE，三个炉门同时打开时记为LARGE，四个炉门全部打开时记为LLARGE。炉门编码0000表示四个炉门均关闭，同理，0001表示仅一个炉门打开，0011表示两个炉门打开、两个炉门关闭，0111表示仅一个炉门关闭，1111表示四个炉门全部都是打开状态。增量式编码器用来检测烟道挡板的位置变化量（Kn），并用Kn与上次炉膛挡板的位置变化量（Kn_1）求加权平均后作为下一次烟道挡板动作的位置参考值(Pn_1)。增量编码器通过SIEMENS-AK41 D/A模块转换后与PLC进

12、行数据通信。自主学习前馈运算式:式（）（运算数值为挡板的开口度（%）:Kn=(a*Kn_1+b*Pn_1)/2（）a、b：加权系数；Kn：本次炉膛挡板开口度的变化量；Kn_1：上次炉膛挡板开口度的变化量；Pn_1：下次炉膛挡板开口度变化量的参考值；表1：自主学习模糊查询表炉门编码模糊语言 ab Kn_1Pn_1 Kn0000 ZERO11 90 86 88 0001SMALL11 26 25 25.5 0011MIDDLE0.90.9 15 1212.15 0111 LARGE0.950.85 7 8 7.07 1111LLARGE11 0 0 0 (5)利用RBF神经网络辨识器在线快速、准确

13、地跟踪炉膛压力的变化，在此基础上PID控制器就可以利用辨识过程中提供的信息实时调整控制器参数，即PID控制器参数的在线自整定，从而实时控制炉膛压力。本文采用经典的数字增量式PID控制器，设系统输入为rin，输出为yout，则系统的控制误差为。控制算法为： （2），为PID控制参数的三个输入；神经网络整定指标为： （3）控制器的参数，采用梯度下降法调整，具体调整算法式为： （4） （5） （6）式（4）（6）中，、为学习速率，其值取（0，1）间的数，为未知被控对象的信息，可通过RBF神经网络的辨识而得。3 系统实现：(1)软件设计：（S7-300 PLC程序实现）在STEP7中用SCL语言实现R

14、BF神经网络辨识PID部分程序：FUNCTION FC13: REALVAR_INPUT Xc(1): REAL ; /PID参数Kp的输入；Xc(2): REAL ; /PID参数Ki的输入；Xc(3): REAL ; /PID参数Kd的输入；END_VARVAR_OUTPUT dKp: REAL ; /PID参数Kp的变化量； dKi: REAL ; /PID参数Kp的变化量； dKd: REAL ; /PID参数Kp的变化量；END_VARCONST i:=6; xite:=0.08 ; /PID参数的学习率； alfa:=0.04 ; /PID参数的学习率；END_CONSTVAR i

15、:INT ; error: REAL ; /给定与反馈差值；W： ARRAY1.6OF REAL; /RBF权值向量；h: ARRAY1.6OF REAL; /RBF径向基向量；C: ARRAY3，6OF REAL; /RBF节点中心向量； ad: ARRAY 1.6OF REAL; /Jacobian信息辨识；END_VAR FOR i=1 TO 6 /循环6次求和运算；ad:=ad+W(i)*h(i)*C(1,i)-U/ b(i)*b(i);END_FORdKp:= xite*error*ad*Xc(1); /计算Kp的增量值；dKi:= xite*alfa*error*ad*Xc(2);

16、/计算Ki的增量值；dKd:= xite*error*ad*Xc(3); /计算Kd的增量值；FC13:=1;END_FUNCTION(2)在OB35中实现增量式PID控制程序,OB35是一个以固定时间间隔循环的组织块,Hardware Config界面里可以设置间隔时间，而这也即是PID的采样时间。应该注意设置的间隔值比OB35中程序运行时间长，否则会造成系统异常。4 SIEMENS-WinNCC组态监控为了H型钢生产信息监视与自动化操作，我们利用SIEMENS组态软件WinCC实现监控功能，WinCC通过MPI接口与S7300-PLC进行通信完成数据的交换。WinCC对炉膛压力的变化量监控

17、如图3、图4所示： 图3.传统PID控制的炉压变化量 图4.自学习模糊RBF辨识PID控制的炉压变化量 图3、图4为H型钢加热炉炉膛压力差的在线监控趋势图，从这两幅图我们可以得出，利用传统的PID控制方法，炉压波动幅度较大（-10+26Pa），尤其在炉门打开、闭合的期间，炉压超调大、过渡时间长；而采用本文提出的自主学习模糊RBF神经网络辨识PID控制方法，炉压波动幅度相对较小，在生产工艺的要求范围内（-5+10Pa），且在炉门打开、闭合的期间，炉压超调小、反应速度快。5 结论本文提出的用自主学习模糊RBF神经网络辨识PID方法代替传统的PID对加热炉炉压进行控制，炉压变化更加稳定。同时采用液压

18、执行机构驱动烟道挡板，更好地提高了机构运行的精度和稳定性；用SIEMENS的S7-300PLC实现系统的设计，性能更加安全可靠，满足加热炉恶劣的环境要求。经过理论分析和长期的运行工况表明，完全适应生产工艺要求，同时改善了加热 质量、降低生产能耗、减轻操作人员的劳动强度，经济效益明显，达到了设计的预期效果。6 创新观点： 本文采用位置反馈数据对模糊控制查询表进行在线自学习，此控制方法比传统的模糊控制方法精度更高；同时，利用RBF神经网络辨识PID代替传统PID实现在线调整参数，控制更加稳定、响应速度更快。参考文献1 马钢H型钢加热炉工程指导手册(Siemens翻译资料) M . 马钢股份公司 2002，62 刘金琨. 先进PID控制及其MATLAB仿真 M.北京： 电子工业出版社， 2005.3 廖常初. S7-300/400 PLC 应用技术 M.北京： 机械工业出版社， 2008，34 苏昆哲. 深入浅出西门子WinCC V6 M. 北京： 北京航空航天大学出版社，2004，55 王卓，李平，郭烁. 基于多模型的非线性系统广义预测控制 J. 微计算机信息，2004，8-1，33-34 6 史贺男，梁晓春. 油烟排放的模糊控制 J. 微计算机信息， 2004，8-1 35-367 王耀南. 智能控制