自动温度控制系统在高炉中的开发应用.doc

自动温度控制系统在高炉中的开发应用 摘要：在本论文中，我们认为自动温度控制系统是高炉运转中最重要的一部分。通常来说，应用在高炉中的自动温度控制器是非常困难和敏感的，因为它会被一大堆因素所影响。所以，首先的，这分论文描叙的应用与高炉的自动温度控制模式是使用Takagi-Sugeno（TS）模糊模式，这种模式是基于模型预估控制[6]-[9]。我们假设了建立数字化模式的描叙的高炉是基于TS模糊系统；控制自动温度控制系统使用的是预控制型预控制型稳定的温度在高炉操作是非常重要的，以增加生铁生产力因此，自动温度控制系统是必须保持稳定的温度在高炉操作不过，自动温度控制高炉是非常棘手和敏感的，因为它是受多项因素影响当温度热风，热负荷，蒸汽，生铁温度等等传统的温度控制方法在高炉行动的目的是调整燃油喷射的重量根据材料的。因此，在高炉温度有许多种波动的因素，然后突然改变这些因素影响稳定的高炉温度。许多识别技术基于模糊推理系统已被提出，可以解释的行为，一个未知的系统为其中只有一套数值输入输出的数据是可用的，例如我们的高炉[1]-[5]模型所获得的模糊建模是人类可读的，因为他们是语言描述更具体地说结构的模糊模型所描述的使用IF-THENTakagi-Sugeno-Kang(TSK)模糊模式，这种模式的基本规则是作为线性方程组的规则。这个模型具有良好的能力来某一未知的系统。 模糊聚类代表建模方法确定的隶属函数和相应参数的TS模糊模型到获得精确的模型人口为基础的优化，如遗传算法（ GA ） [ 10 ] ， [ 11 ]是目前最流行的工具，以解决优化问题没有解决办法空间先验知识因此，这是有可能找到的价值先验知识附近，它的真正价值，尽量减少建模误差遗传算法。 建模，控制我们的目标，其中有缓慢的动态和输入/输出的限制，我们需要一个特别的方法特别的。有多项研究一个复杂的与输入/输出的限制其中，模型预测控制（）技术被广泛应用于工业过程控制关键的优势是它可以处理输入/输出的限制。程序是反复在下次的时间仿真结果的识别和控制得出结论在一些讨论和进一步的言论高炉是要减少化学和物理转换氧化铁到铁液中的所谓铁水高炉是一个巨大的，钢铁栈衬耐火砖，其中铁矿石，焦炭和石灰石被丢进顶部和预热空气吹到底部原料需要6至8小时下降到底部的炉，他们成为最终产品的液态渣和液态铁6至8秒后，经历无数的化学反应 图1高炉运转过程 3高炉的识别和控制 在钢的生产过程中，生铁的生产力是被高炉的稳定性所影响的，还有，高炉的稳定性是能通过高炉的温度直接度量出来的。因此，在平衡的平底维持温度是非常重要的。但运作的高炉是高度非线性的有这么多的未知因素影响温度很难得到一个适当的模型。所以，过程可以被视为一个多输入单输出（）的动态过程，所代表的下列非线性向量函数 这个公式中f代表的是非线性模型，y代表的是输出，U=[u1,…,uN1]T是Nu的维次输入矢量。ny and nu被认为是输入输出响应的最大化延迟。还有Td是最小离散死区时间。 虽然可能不能找到一个模型，他能作为通用合适的模型来描叙这个未知的f (·)系统，运转过程中建设当地线性模型为据图的运行点是很有价值的。每个运行点都可以被一下的公式所表示 其中z(k) = [Z1, …,Zn]T 是调度的矢量，这个矢量通常是以往运行过程中输入输出的一个自己，Ai，j是ith的先行模糊参数，这个参数是ith的前提，Mi(· )是规格化关系的程度系数，aij 和 Bij是相应的参数，还有ci是偏移量，K是公式的次数。 这个当地模型是被Oi={ aij ，Bij ，cij}这些参数和非线性回归问题和为ny 和 na所表示的最大输入输出延迟所定义的。 这个识别算法包括四个步骤 1 从Nd测量结果的输入输出序列，从{(u(k),y(k))}Nd,非线性回归问题如eq.（1），使用了用户指点参数结构ny nu 和 nd. 2在空间上分割数据转化为一套局部线性子用模糊聚类 3 从群集参数计算前因隶属函数。 鉴于前期的隶属函数，由最小二乘法估计相应参数。 详情此算法是[ 2 ] 和[ 3 ] 虽然承认前期和相应的参数隶属函数计算方法是模糊聚类的先验知识，这先验知识是关于n，a和K，这几个参数是会给定的。虽然有一些研究是可以确定这些因素，这些方法并不能保证一个精确建模的结果，尤其是当不确定性所涉及的数据。K的真实价值，并且它可以执行优化算法，减少建模误差。在众多的优化算法，我们采用遗传算法（ GA ）可以很容易地解决高度复杂的和非线性问题没有任何梯度信息。 其中Y（ k ）项是输出的训练数据， ym（ k ）项是模拟输出计算出来的模拟结果。ny nu, 和 nd 这些因素。 现在，我们找到相应的真是数据都是从一个高炉的数据找到的。如上所述， 单列表I是输入输出的因素，决定这