朱里紅，黃　瀚，韋　潔

（成都理工大學(xué)工程技術(shù)學(xué)院，四川　樂山　614000）

熱風(fēng)爐燃燒過程智能優(yōu)化控制方法的研究

朱里紅，黃瀚，韋潔

（成都理工大學(xué)工程技術(shù)學(xué)院，四川樂山614000）

為了實現(xiàn)在不同工況條件下通過調(diào)整空燃比使熱風(fēng)爐燃燒系統(tǒng)保持在能耗最低、效率最高下運行，根據(jù)高爐生產(chǎn)的特點和蓄熱式熱風(fēng)爐燃燒方式，設(shè)計了以模糊BP神經(jīng)網(wǎng)絡(luò)為智能優(yōu)化算法的自尋優(yōu)控制策略，實現(xiàn)了PID控制器參數(shù)實時、動態(tài)、精確的調(diào)整，實現(xiàn)了動態(tài)PID參數(shù)的準(zhǔn)確調(diào)整，保證了煤氣流量和空氣流量的合理比值；經(jīng)仿真結(jié)果表明，該系統(tǒng)不但有效地解決了傳統(tǒng)熱風(fēng)爐的燃燒控制系統(tǒng)非線性、建模難和強耦合性的問題，而且使熱風(fēng)爐處于安全、節(jié)能的燃燒狀態(tài)。

熱風(fēng)爐；自尋優(yōu)控制；空燃比；模糊BP網(wǎng)絡(luò)

0　引言

高爐熱風(fēng)爐是一個分布參數(shù)，非線性、時變、多變量緊密耦合的被控對象，燃燒控制的目的是通過蓄熱室向高爐提供穩(wěn)定且持續(xù)的高溫?zé)犸L(fēng)［1］。根據(jù)德國霍夫曼的報告，一座大型熱風(fēng)爐熱效率提高1%，可節(jié)省500 000馬克/年，由此可見，提高風(fēng)溫是節(jié)約能源和安全生產(chǎn)的關(guān)鍵［2］。實踐證明，對于多變量、強耦合的熱風(fēng)爐燃燒控制來說，期望通過常規(guī)建模方法和分析手段來解決是難以應(yīng)付的，然而實際的生產(chǎn)過程雖建立決起了一定的閉環(huán)自動控制，但對人的依賴，尤其是對于經(jīng)驗豐富的人的依賴還是很嚴重［3］。為了解決在實際生產(chǎn)過程中遇到的勞動強度大、自動化程度低等問題，引入了模糊BP神經(jīng)網(wǎng)絡(luò)為優(yōu)化算法的智能控制系統(tǒng)，優(yōu)化了熱風(fēng)爐燃燒控制系統(tǒng)，保證了低成本、高效能。

根據(jù)不同時期的燃燒要求熱風(fēng)爐燃燒過程被設(shè)計為兩個階段：第一階段為加熱期或燃燒期，為了在盡量短的時間內(nèi)加熱爐內(nèi)格子磚，必須及時調(diào)節(jié)煤氣流量和空氣流量使空燃比達到最佳比值，在保證生產(chǎn)效率的要求下盡快使拱頂溫度達到送風(fēng)要求；第二階段為蓄熱期或送風(fēng)期，通過調(diào)節(jié)空燃比值（空氣流量增加、煤氣流量降低）來保持拱頂溫度，在規(guī)定的燃燒時間內(nèi)達到規(guī)定的廢氣溫度。為了達到能耗最小、效率最高的原則，需使快速到達目標(biāo)溫度，且溫差均小于允許的最小溫差，并在不同工況下能實現(xiàn)快速切換。

1　Fuzzy-BP網(wǎng)絡(luò)控制器的設(shè)計

1.1熱風(fēng)爐的模糊控制

輸熱風(fēng)爐燃燒過程中拱頂溫度變化量e和變化率ec作為模糊控制器的輸入［6］，經(jīng)過模糊化后得到各自的模糊語言變量E和EC作為神經(jīng)網(wǎng)絡(luò)的輸入，其中模糊規(guī)則和模糊語言推理在BP網(wǎng)絡(luò)中完成［7，8］。經(jīng)過上述過程后，由神經(jīng)網(wǎng)絡(luò)輸出加熱爐的煤氣和空氣閥開度的模糊語言值，通過去?；?，實現(xiàn)通過閥門的開度控制爐膛溫度。Fuzzy-BP網(wǎng)絡(luò)的系統(tǒng)結(jié)構(gòu)圖如圖1所示。

模糊時，把E、EC的論域劃分為7級，用PB（正大）、PM（正中）、PS（正?。?、ZO（零）、NS（負?。M（負中）、NB（負大）表示，即E=｛PB，PM，PS，ZO，NS，NM，NB｝的論域分9個檔，即U=｛-4，-3，-2，-1，0，1，2，3，4｝，其隸屬度函數(shù)如表1所示。

煤氣流量閥值em和空氣流量閥值ek，模糊值EM，分為9級，用PB（正大）、PL（正偏大）、PM（正中）、PS（正小）、ZO（零）、NS（負?。M（負中）、NL（負偏大）、NB（負大）表示，即EM =｛PB，PL，PM，PS，ZO，NS，NM，NL，NB｝，它的論域分11個檔，即U=｛-5，-4，-3，-2，-1，0，1，2，3，4，5｝，其隸屬度函數(shù)如表2所示。

表1　E、EC隸屬度表

表2　EM、EK隸屬度表

1.2模糊BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

如圖2所示，模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中設(shè)Inqi，Outqi分別為第q層、第i個神經(jīng)元的輸入和輸出。

圖2　模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第一層為輸入層，該層中的兩個神經(jīng)元分別把拱頂溫度變化量e和變化率ec傳入下一層做模糊化處理。因此，第一層的聯(lián)接權(quán)值為1。即

第二層各節(jié)點表示輸入語言變量的語言值，對x1、x2而言，其語言值為7個［9］，分別為E=｛PB，PM，PS，ZO，NS，NM，NB｝和EC=｛PB，PM，PS，ZO，NS，NM，NB｝。因此這一層網(wǎng)絡(luò)節(jié)點數(shù)為14個，各節(jié)點輸入為相應(yīng)的第一層的輸出，其連接權(quán)值可以取為相應(yīng)節(jié)點語言值隸屬度的高斯函數(shù)，以實現(xiàn)隸屬度函數(shù)的在線優(yōu)化，則：

式中，vi為第i個輸入變量的隸屬中心值，δi為第j個輸入變量的寬度值。我們把v2i作為第二層的連接權(quán)值。

第三層為隱含層，建立模糊控制規(guī)則下的神經(jīng)元推理機制，其中每一神經(jīng)元可以表示為可執(zhí)行的模糊規(guī)則，共49條。在模糊規(guī)則要求下的輸入量決定了下一層神經(jīng)元的模糊規(guī)則激勵強度，該層神經(jīng)元的輸入輸出分別為

第四層由16個節(jié)點組成，其中9個節(jié)點表示煤氣量輸出值的語言值，即EM= ｛PB，PL，PM，PS，ZO，NS，NM，NL，NB｝，另外7個節(jié)點為空氣流量輸出變量的語言值，EK=｛PB，PM，PS，ZO，NS，NM，NB｝。每一神經(jīng)元節(jié)點執(zhí)行模糊規(guī)則的“或”操作，式中wij為閥值，取0或1。則

第五層為去模糊化，采用重心法實現(xiàn)解模糊。

該層的連接權(quán)值為v4jδ4j。

1.2.1神經(jīng)元間輸入輸出權(quán)值優(yōu)化算法

通過上面的分析，我們知道，在本文的模糊控制神經(jīng)網(wǎng)絡(luò)中，有一些神經(jīng)元之間的連接權(quán)值由于模糊控制規(guī)則和模糊推理機制不能改變，然而其他權(quán)值在自主學(xué)習(xí)過程中將做出相應(yīng)對調(diào)整。BP網(wǎng)絡(luò)算法是通過誤差來實現(xiàn)訓(xùn)練驅(qū)動的，第n次訓(xùn)練之后的誤差為：

式中，ynj為第n次訓(xùn)練之后第j個神經(jīng)元的期望輸出，onj為實際輸出。采用梯度下降法來修正連接權(quán)值：

其中：η為學(xué)習(xí)步長，α為動量因子，反映連接權(quán)值變化趨勢，取0.7～0.9，如果取較大的動量因子不但可以提高學(xué)習(xí)速度，還能抑制振蕩，使修正權(quán)值平滑。式中的δnj由下式定義：

式中i，j，l分別表示輸入層、輸出層和隱層的節(jié)點，xi為網(wǎng)絡(luò)的輸入量，f為激勵函數(shù)，一般取為S函數(shù)。盡管動量因子能提高自學(xué)習(xí)的速度和抑制可能產(chǎn)生的振蕩，但由于學(xué)習(xí)步長固定，在誤差曲面平坦處變化不明顯，修正權(quán)值幅值小，需多次調(diào)整才能降低誤差曲面；然而在誤差曲面較高處，權(quán)值調(diào)節(jié)幅值過大，在誤差函數(shù)最小點處出會產(chǎn)生振蕩，無法達到最優(yōu)點，因此需要動態(tài)改變學(xué)習(xí)率，即：

式中，β取為0.02～0.04。

1.2.2優(yōu)化隸屬度函數(shù)

隸屬度函數(shù)的參數(shù)通過優(yōu)化調(diào)整，使推理模型與實際系統(tǒng)的輸出均方差為0，本文BP算法采用具有自適應(yīng)能力的多變量動量解耦法：

式中，mj為第j個神經(jīng)元所代表的隸屬度函數(shù)參數(shù)。

通過模糊化神經(jīng)網(wǎng)絡(luò)的輸出，可實現(xiàn)由神經(jīng)元節(jié)點來表示模糊控制的輸出，在給定輸入樣本后，通過該網(wǎng)絡(luò)反復(fù)學(xué)習(xí)，不斷調(diào)整模糊控制規(guī)則和相應(yīng)的隸屬度函數(shù)的變化趨勢，以加熱爐不同工況的生產(chǎn)任務(wù)來調(diào)節(jié)煤氣、空氣閥的開度，使空燃比達到合理的比值，滿足加熱爐溫度控制要求來動態(tài)調(diào)整控制器參數(shù)。

2　動態(tài)PID參數(shù)自整定

針對熱風(fēng)爐燃燒的復(fù)雜過程，即使在最佳空燃比的條件下，還受到煤氣流量、空氣流量、拱頂熱輻射、廢氣換熱等各種類型的環(huán)境和電磁等干擾，都會造成拱頂溫度、以及廢氣溫度不能按預(yù)期升溫，因此，在模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化下結(jié)合動態(tài)PID參數(shù)的動態(tài)補償，可以實現(xiàn)溫度的良好控制［10］，如圖3所示。

圖3　爐溫補償圖

圖中T*i為i工況下拱頂溫度定值，ΔTi為i工況下的調(diào)節(jié)值，Tij為由預(yù)報模型計算出來j工況下的溫度，Tij*為該時刻模型理想的溫度，eij為在j工況下模型溫度與理想溫度的差值，ei作為補償器的輸入變量，變換公式為：

其中：Ni表示第i加采樣總數(shù)。

3　Fuzzy-BP網(wǎng)絡(luò)PID模型的學(xué)習(xí)過程

根據(jù)上節(jié)所述，F(xiàn)uzzy-BP網(wǎng)絡(luò)PID模型計算過程如下：

1）確定輸入層、隱含層的節(jié)點數(shù)，選定幾層網(wǎng)絡(luò)結(jié)構(gòu)形式，給出各層連接權(quán)值的初值、學(xué)習(xí)步長和動量因子。

2）對拱頂溫度偏差和偏差率模糊控制器模糊化后作為神經(jīng)網(wǎng)絡(luò)的輸入。

3）修正神經(jīng)元輸入輸出的連接權(quán)值，動態(tài)調(diào)節(jié)PID參數(shù)，使煤氣流量閥門和空氣流量閥門的開度成優(yōu)化比例［1，10］。

4）根據(jù)兩次PID控制器輸出值做差可以推倒出增量式數(shù)字PID基本公式為：

U（K）=U（k-1）+Kp［E（k）-E（k-1）］+K1E（k）+ KD［E（k）-2E（k-1）+E（k-2）］（18）

5）通過式11和式12的修正計算，得到正向輸出層和正向隱含層的權(quán)值。

6）滿足期望目標(biāo)優(yōu)化修正結(jié)束，如不滿足則返回第3步。

4　優(yōu)化模型仿真

熱風(fēng)爐在加熱期要求在90～120分鐘達到，其中拱頂最高溫度為1 250℃，高爐對送來的熱風(fēng)溫度要求在1 000～1 100℃，并且送風(fēng)時間在90～120分鐘為最佳。

煤氣和空氣按一定比例在燃燒室內(nèi)燃燒，在加熱期燃燒的廢氣通過熱輻射和熱傳遞方式加熱拱頂，通過拱頂傳感器實時采集拱頂溫度，取多次溫差和溫差變化率進行歸檔模糊化處理后作為作為BP網(wǎng)絡(luò)的輸入，利用BP網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)能力對網(wǎng)絡(luò)各層權(quán)值和動態(tài)PID參數(shù)進行修正，從而調(diào)節(jié)空燃比，保證煤氣流量和空氣流量按優(yōu)化比例開啟閥門。為了保證廢氣溫度在400℃，在加熱期結(jié)束時，拱頂溫度差必須保證在10%內(nèi)。

利用MATLAB/SIMULINK模糊控制模塊和BP網(wǎng)絡(luò)進行實驗仿真，F(xiàn)uzzy-BP網(wǎng)絡(luò)優(yōu)化的動態(tài)PID算法程序流程圖如圖4所示。

圖4　模糊BP神經(jīng)PID算法的程序流程圖

仿真結(jié)果如圖5為加熱爐燃燒過程優(yōu)化前后拱頂溫度上升過程對比，圖6為在優(yōu)化后蓄熱期拱頂溫度變化差。

從上圖5可以看出，L2為優(yōu)化前曲線，在900℃以后上升速率平緩；L1為優(yōu)化后曲線，上升斜率一直保持，使得過渡時間縮短，加快了響應(yīng)。在接近1 250℃時L1有超調(diào)的趨勢，但在優(yōu)化作用下，迅速拉低，在保證快速響應(yīng)同時，預(yù)防了超調(diào)發(fā)生。圖6顯示了在加熱期70分鐘到120分鐘的溫度變化差，從圖可以看出在90分鐘附件溫差變化小，前后變化幅度大，但都在10%之內(nèi)，滿足設(shè)計要求。從優(yōu)化模型仿真結(jié)果看出熱風(fēng)爐拱頂溫度動態(tài)響應(yīng)階段上升時間和過渡時間減少，當(dāng)達到穩(wěn)態(tài)后溫度差保證在5%范圍內(nèi)，因此在不同工況下，能實現(xiàn)生產(chǎn)任務(wù)快速響應(yīng)，在生產(chǎn)過程中保證平穩(wěn)，抑制外界干擾。

圖5　拱頂溫度優(yōu)化前后的加熱過程對比L1為優(yōu)化后曲線，虛線L2為優(yōu)化前曲線）

圖6　所示為優(yōu)化后拱頂溫度變化差

5　結(jié)束語

根據(jù)蓄熱式熱風(fēng)爐燃氣加料和加熱過程的特點，提出以拱頂溫度為被控變量的優(yōu)化控制策略，利用模糊控制思想根據(jù)實際操作經(jīng)驗建立模糊控制規(guī)則作為BP神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的條件，通過在線計算建立了以高爐工況、優(yōu)化決策方法及信息反饋的模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制模型，實現(xiàn)對PID參數(shù)的動態(tài)整定，使煤氣和空氣調(diào)節(jié)閥響應(yīng)迅速，流量平穩(wěn)，實現(xiàn)了整個熱風(fēng)爐的全自動控制，各參數(shù)在線自動整定等功能，控溫精度在5%以內(nèi)，送風(fēng)率提高30%以上，總體能耗降低近10%。

［1］許永華，吳敏，曹衛(wèi)華，等.基于案例與規(guī)則推理的熱風(fēng)爐燃燒控制方法與應(yīng)用［J］.計算機測量與控制，2008，16 （1）：62-73.

［2］楊俊，杜濤，蔡九菊，等.國外熱風(fēng)爐發(fā)展綜述［J］.沈陽工程學(xué)院學(xué)報（自然科學(xué)版），2005，4 （1）：18-20.

［3］李凌.一種高爐熱風(fēng)爐全自動控制方案［J］，冶金自動化，2014，38 （1）：17-20.

［4］樊波，齊淵洪，嚴定鎏，等熱風(fēng)爐燃燒控制技術(shù)的研究［J］.鋼鐵，2005，40 （4）：17-20.

［5］魏浩，李忠虎熱風(fēng)爐燃燒智能控制系統(tǒng)研究［J］.冶金自動化，2010（S2）：43 46.

［6］王發(fā)智，曹建鷹，牛潤勛，等基于神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐的模糊控制［J］化工自動化及儀表，2012 （1）：14-18.

［7］Zadeh L A Fuzzy sets information［J］.Control，1965，8：338-353.

［8］Kosko B Neural Networks and Fuzzy Systems［M］.America：Prentice Hall，1992.

［9］胡燕瑜，桂衛(wèi)華，胡志坤.基于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的淬火爐溫度控制系統(tǒng)［J］.鄂州大學(xué)學(xué)報，2005 （3）：3-6.

［10］卜建榮，徐君燕，朱里紅.熱軋過程中加熱爐爐溫優(yōu)化控制方法研究 ［J］.鋼鐵研究學(xué)報，2010，22（8）：60-63.

Intelligent Optimal Control Method Study of Burning Process in Hot Blast Stove

Zhu Lihong，Huang Han，Wei Jie

（Engineering&Technical College，Chengdu University of Technology，Leshan614000，China）

In order to make the combustion system of the hot blast stove run at the lowest energy consumption and with the best efficiency through adjusting the air-fuel ratio under different working conditions，the self-optimizing control strategy including the intelligent optimization algorithm of the fuzzy BP neural network was designed.Real-time，dynamic and accurate adjustments of PID controller parameters were achieved and the rational ratio of gas flow rate and airflow rate was guaranteed.Simulation results showed that，this system effectively solved nonlinear，modeling and strong coupling problems of the combustion control system in the traditional hot blast stove and made the stove be in safe and energy-saving combustion condition.

hot blast stove；self-optimizing control；air-fuel ratio；fuzzy-BP network

1671-4598（2016）05-0074-03

10.16526/j.cnki.11-4762/tp.2016.05.022

TP277

B

2015-07-01；

2015-12-07。

四川省教育廳科研項目資助（14ZB0356）；樂山市科技局科研項目資助（14GZD047）。

朱里紅（1979-），男，四川省仁壽人，講師，主要從事冶金節(jié)能技術(shù)和成形智能控制技術(shù)的研究。