模糊神经网络自组织控制算法在罩式加热炉温控系统上的应用.docVIP

冶金设备 2011年4月第2期 模糊神经网络自组织控制算法在罩式加热炉温控系统上的应用 摘要: 罩式炉在工作过程中，需要控制好炉台的温度，达到生产需要的温度及变化要求。为了实现温度控制的要求，整个系统采用双闭环的控制方式，外环为温度环，内环为电流环。其中加入模糊神经网络自组织控制算法，使系统更具有精确性。模糊控制器以温度及温度变化作为输入变量，以脉冲宽度调节作为输出变量。从而通过可控硅开关的通断来改变回路中的电流，以达到控制电阻丝的发热量，调节炉膛内的温度变化。整个过程中，模糊神经网络自组织控制与可控硅开关起着重要的作用，着重研究基于模糊控制的罩式加热炉可控硅控制的实现问题。 关键词: 罩式加热炉模糊控制 神经网络 自组织控制 1概述 罩式炉属于间歇式变温炉，炉内加热电阻丝由可控硅控制其通断，炉温可按规定的加热制度随时间变化，可用于工件的光亮退火，也可用于工件一般热处理，如冷轧板卷、热轧板卷、长形板垛、丝材棒料及不规则锻件的热处理。由于这种加热炉的特殊结构以及加热炉本身所具有的大惯性，纯滞后，非线性等因素，使得常规PID控制规律很难满足控制的动态和静态的品质要求。经过反复筛选，选用模糊神经网络自组织控制方式，使得控制电阻丝电流通断的可控硅能够随生产情况自动变化，有效提高了温度控制的精确度。 在传统工业控制领域中，PID控制方法已得到广泛应用。PID控制是基于偏差的比例、积分和微分的集成式控制方法，具有原理简单、易于实现、鲁棒性强和适用面广等优点。但其比例系数、积分系数、微分系数在控制过程中不易自动调整，系统实时控制受到一定的局限性。在实时控制中随时都有干扰因素的存在，并且这种干扰因素在许多场合是不定的、随机的。参数的实时调整可以抵消干扰引起的控制偏差。为实现这一特性，本文研究了具有自学习能力的模糊神经网络自组织控制方法，并分析了在实际系统中的应用。 2 FNAOC的结构 在人工神经网络(ANN——Artificial Neural Network)中应用模糊逻辑和联想记忆相结合，则可以实现基于模糊规则的自组织控制，称这种控制为基于模糊神经网络的自组织控制(FNAOC)。 FNAOC将神经网络的联想和学习功能同模糊知识描述相结合，不仅通过应用基于模糊规则的树结构，而且通过应用基于模糊概念节点的映射结构来描述模糊知识。FNAOC系统建立模糊控制规则包括三个元素：①if部分，②if—then规则部分，(要)then部分。模糊规则表示的专家知识是通过“条件”和“操作模型”之间的关系描述的。If部分有刻划规则集条件的隶属函数，then部分有隶属函数或表示规则集操作模型的输入一输出函数。FNAOC系统用联想记忆(双向神经网络)来产生if部分条件和then部分操作模型间的关系，此模糊联想记忆系统是一个递阶结构。 一个基于模糊神经网络的自组织控制系统如图1所示。图中虚线框中的四个部分构成了神经自组织模糊控制器，包括一个分类器，两个判断机构和一个模糊控制器。 把被控对象根据动态特性分为几类，让神经网络1(NNl)学习那些类型，进行学习的NNl是把被控对象的输出波形按类型作判断。 本系统使用的模糊控制规则的形式是 其中和分别表示误差及误差变化，而表示控制量。 3 FNAOC各部分功能及作用 1)神经网络1：作为分类器的NNl从输出波形将控制内容和被控对象的大致状态分类，并将分类结果送至判断机构l。 2)神经网2：通过控制对象的输入波形输出波形学习对象动特性，学习结束的NN2是对被控对象动特性的模型化，即把NN2作为被控对象的模拟器使用。 3)判断机构1：主要是判断控制规则是否进行增设和调整。控制规则的增设一旦决定，就决定了控制规则前项的模糊变量的数值。 4)判断机构2：主要是规定控制规则的后项模糊变量的大小及其调整量。 4 结束语 本系统的控制对象由于是一种具有纯滞后的大惯性环节，且在物理结构上有其自身的的特点，在基于差分模型作为参考输入的前提下，采用FNAOC的控制方案能够获得较为满意的控制效果，且在武钢罩式加热炉中获得成功的应用，经过一年多的使用，该系统工作性能稳定，控制精度由原来的±100提高到现在的±30，使得热处理成材率也相应地提高了20％。实验研究及工程实践都表明基于模糊神经网络的自组织控制的温度控制系统在应用中能获得良好的动态和稳态特性，在各种工业加热炉上将具有良好的应用前景。