浅析模糊神经网络在集气管压力控制系统中的应用

摘要:文章提出了一种基于模糊神经网络的智能协调控制方案,构成了焦炉集气管压力智能控制系统,有效解决了集气管压力的过程控制问题。

关键词:模糊神经网络;集气管压力;控制系统

中图分类号:TP273.4文献标识码:A文章编号:1000-8136(2010)06-0029-03

现代生产过程通常具有多变量、时变、非线性、环境复杂等特点,传统意义上的自动控制技术已经不能充分满足现代生产的需要。随着计算机控制技术、软件工程理论、现场总线智能仪表和网络技术的发展,计算机已经具有更高速的运算能力、更高的存储能力、更高效的处理能力。计算机的这些优势与现代控制理论、现代软件理论结合开发出的控制系统能充分满足各种复杂的控制环境和要求。因此,大量的工业生产过程控制与实时控制都已经采用计算机系统来实现。计算机控制系统的控制水平也已经大大提高。针对焦炉集气管压力这类多变量非线性系统,文章提出了一种基于模糊神经网络的智能协调控制方案,构成了焦炉集气管压力智能控制系统。实际应用表明,提出的控制策略有效解决了集气管压力的过程控制问题。

1系统工艺流程

焦炉集气管系统的结构见图1。

图1焦炉集气管系统的结构图

2系统硬件结构及系统功能

2.1控制系统硬件设计

控制系统选用开放性好、使用方便、功能强大、能满足集成和分散控制的各种要求的HoneywellPlantScape集散控制系统。

集气管压力控制系统硬件结构图如图2所示,系统为冗余结构,每一个主机架都由电源模块TK-FPCXX2、网络接口模块TC-CCR013、中央处理模块TC-PRS021、冗余模块 TK-PRR021构成。从机架由电源模块TK-FPCXX2、网络接口模块TC-CCR013、数字量输入模块TK-IDD321、数字量输出模块TK-ODK161、模拟量输入模块TC-FIAH81、模拟量输出模块TK-OAV081、热电阻模块TB-IXR061构成。操作员控制与监视(人机界面)采用戴尔工控机,配置以太网卡和1784-PCIC卡,以太网卡用于服务器与各工作站的通信。1784-PCIC卡用于和DCS系统的CONTROLNET网连接。系统监控和数据采集选用Honeywell公司的PlantScape,提供操作员监视、操作,系统报警及报表生成功能。另外,在鼓风机房配置了两台工作站,通过光缆和中控室服务器相连,用于监控鼓风机运行和集气管压力状况。

图2集气管压力控制系统硬件结构图

2.2系统主要功能

(1)实现过程的实时数据采集、数据处理、显示、报警、故障监测及诊断功能,手、自动无扰切换和设定操作,对历史趋势数据进行存储(存储240 d的历史数据)和显示。具备报表打印功能和与上位机(管理系统)联网功能。

(2)实现3座焦炉集气管压力的解耦控制,实现初冷器前和鼓风机前及鼓风后压力智能协调控制,保证4台鼓风机安全稳定运行。在推焦装媒及鼓风机后负荷变化等扰动较大的情况下,集气管压力稳定在设定值±20 Pa内。

3系统原理

基于焦炉集气管系统的结构和特点,本文提出一种基于模糊神经网络的智能协调控制方案。控制系统的结构如图3所示。该系统分为两级:基本实时智能控制级和专家智能控制协调级(虚线框内)。基本实时智能控制级分为单输入单输出(SISO)模糊神经网络控制器FNC1～FNC4和多变量解耦控制器FNC5两部分,由径向基函数网络(RBFN)逼近过程模型。此模型用于计算过程输出对过程输入的一阶偏导数ay/au和离线寻优,由多量解耦控制器根据解耦参考模型2进行解耦控制,与被控对象一道构成解耦后的广义被控对象。专家智能控制协调级在线实时监测被控系统过程,根据不同炉况,协调控制策略,进行有效控制。在此基础上分别采用SISO模糊神经网络控制器控制被控对象的动态特性,如采用智能协调模糊神经网络控制器FNC4,以鼓风机闸阀开度为控制量,控制初冷器前吸力;采用模糊神经网络控制器FNC1～3,以各焦炉集气管蝶阀开度为控制量,控制相应焦炉集气管压力。

图3控制系统的结构

3座焦炉集气管压力和初冷器前压力控制算法FNC1～FNC4采用同样的模糊神经网络结构,取误差e、误差变化率Δe及其导数Δ2e作为模糊推理控制器输入,e和Δe分别划分为7个模糊子集,Δ2e划分为3个模糊子集,模糊子集隶属度采用高斯型函数表示。上述的模糊推理控制器由如图4所示的初始神经网络构成。初始神经网络共有四层:推理层、输入层、隶属函数生成层和去模糊化层。输入节点数n为3,第一层隐含节点(模糊化)为17,第二层隐含节点(推理)L为7×7×3=147,一个输出点节。模糊化到推理连接权重为1。

图4初始神经网络结构图

多变量解耦控制器FNC5采用T-S模糊模型,取FNC1～FNC4输出作为模糊控制器的输入,3座焦炉焦气管蝶阀和鼓风机前闸阀实际控制输出作为模糊控制器的输出,考虑到系统的动态解耦,每个输入分别取当前三个时刻值,从而构成12输入、4输出多变量解耦模糊控制模型。

对于单变量和多变量解耦模糊神经网络,可用遗传算法(GA)来调整和优化参数结构,而推理规则结论部分中的权值Wi较为多地具有局部性,可采用智能梯度算法在线调节。把两种学习算法结合起来,可发挥GA算法的全局搜索结构优化能力和梯度算法局部优化快速性。

4控制系统实现

控制过程开始时启动基于智能的专家控制系统,通过过程特征提取将系统运行过程的特征信息如各级压力、误差等送入推理结构,推理结构根据知识库中的规则和事实执行推理,给出控制策略。当推理得出参数变化需启动模糊神经网络学习功能时,保存原参数,并启动模糊神经网络学习机制,根据系统的性能好坏决定是否接受学习后的整体参数。

根据工艺过程特点、工艺工程师和熟练操作工的知识和经验,初冷器前压力专家设定采取如下协调规则:首先保护设备的安全运行,如果鼓风机前吸力P4高于工艺允许上限制值P4max,则降低鼓风机闸阀开度;如果鼓风机控制闸阀控制输出u4低于喘震闸阀开度V4min,则维持V4min闸阀开度。然后将鼓风机机后压力大小分8段折线,根据经验和实验数据给出初冷器前压力初步设定值,并根据实际状态进行调整,如果集气管压力超过设定上限制值Pmax,阀位超过灵敏区上限制值Vqmax,则降低初冷器前压力给定;如果3个集气管压力均超过设定上限制值Psmax,则增大鼓风机闸阀控制输出;如果集气管压力小于设定下限制值Pmin,阀位低于灵敏区下限制值Vqmin,则增加初冷器前压力给定;如果3个集气管压力小于设定下限制值Psmin,则降低鼓风机闸阀控制输出。以产生式规则“IFconditionsTHENresults”形成的主要规则为:

R1:IF(P5≥Xi-1)AND(P5

R2:IF(P1>P1max)AND(V1>Vlqmax)THENr4=r4-Δr

R3:IF(P2>P2max)AND(V2>V2qmax)THENr4=r4-Δr

R4:IF(P3>P3max)AND(V3>V3qmax)THENr4=r4-Δr

R5:IF(P1>Psmax)AND(P2>Psmax)AND(P3>Psmax)THENu′04=u04+Limit

R6:IF(P1

R7:IF(P2

R8:IF(P3

R9:IF(P1

R10:IFP4>P4maxTHENu′04=u04-Limit

R11:IFu4

注:Xi、Yi(i=1,2,…,7)为初冷器前压力设定经验数据,r4为初冷器前压力设定值,Δr为设定增量,u04为集气管模糊神经控制器输出值,u′04为前级合成控制输出,u4为解耦控制鼓风机闸阀控制输出,u′为鼓风机闸阀控制最后合成输出,Limit为可能的最小闸阀开度调节量,取决于执行机构的调节精度。可编程控制器梯形图很适合上述规则的编程。四套鼓风机机组均采用智能专家协调控制系统,只是参数不同。不同机组运行时自动选用相应参数。

5系统运行结果

系统投入运行以来,其控制指标达到设计指标,压力的波动在设定值的±10 Pa以内。在正常工况下,各焦炉集气管压力控制在(55±10)Pa内;在推焦、加煤等大扰动情况下,压力可在较短时问内恢复正常(如图5所示)。实践证明该系统工作工作可靠、性能稳定、功能齐全、操作方便,控制精度可达到要求,保证压力稳定在工艺要求的范围内。

参考文献

1 马长富、綦星光.基于模糊神经网络的多集气管压力控制系统[J].编程控制器与工厂自动化(PLC FA),2009.10

2 蔡 丽、童敏明、戴新联.焦炉集气管压力智能控制系统的设计[J].煤炭科学技术,2008(8)

Of Fuzzy Neural Network in Header Pressure Control System

Liu Qiangjun

Abstract:This paper presents a fuzzy neural network based intelligent coordinated control scheme, constitutes a coke oven gas collector pressure of intelligent control systems, effective solution to the collector pressure of the process control problem.

Key words:Fuzzy neural network; collector pressure; control system

推荐访问:神经网络 浅析 气管 模糊 压力