鄧晨曦
(湖南環(huán)境生物職業(yè)技術(shù)學(xué)院生態(tài)宜居學(xué)院,湖南 衡陽(yáng) 421005)
燒結(jié)爐爐溫對(duì)粉末冶金產(chǎn)品的產(chǎn)量和質(zhì)量有巨大影響,因此爐溫控制是燒結(jié)爐的關(guān)鍵技術(shù)之一[1-3]。而不同冶金產(chǎn)品的燒結(jié)對(duì)爐溫變化曲線有嚴(yán)格的指標(biāo)要求,溫度控制誤差為±0.01 ℃,有的冶金產(chǎn)品溫度控制誤差甚至更低。而燒結(jié)爐加熱過(guò)程具有延時(shí)性、非線性和強(qiáng)擾動(dòng)等特點(diǎn),在這一階段,粉末冶金燒結(jié)爐的大多數(shù)自動(dòng)控制系統(tǒng)使用手動(dòng)控制和PID 控制方法[1],2 種方法各有優(yōu)劣,但是實(shí)際控制效果都不是很理想。為了提高爐溫的控制效果,文獻(xiàn)[2]采用模糊控制對(duì)粉末冶金燒結(jié)爐進(jìn)行控制,控制方法簡(jiǎn)單有效。文獻(xiàn)[3]采用自適應(yīng)模糊算法對(duì)粉末冶金燒結(jié)爐進(jìn)行仿真實(shí)驗(yàn)及現(xiàn)場(chǎng)測(cè)試,結(jié)果表明將模糊神經(jīng)網(wǎng)絡(luò)用于粉末冶金燒結(jié)爐溫度控制較傳統(tǒng)控制方案具有明顯的優(yōu)越性。
基于上述參考文獻(xiàn),筆者提出一種基于組合預(yù)測(cè)的燒結(jié)過(guò)程模糊神經(jīng)網(wǎng)絡(luò)控制方法:以合金燒結(jié)溫度為訓(xùn)練集,首先,采用BP 算法抽象燒結(jié)爐溫度,以預(yù)測(cè)數(shù)學(xué)模型。其次,利用Adaboost 算法對(duì)該模型進(jìn)行預(yù)測(cè),組合集成學(xué)習(xí)尋找最優(yōu)解,從而提升預(yù)測(cè)模型的精度。最后,燒結(jié)爐溫度控制系統(tǒng)采用模糊神經(jīng)網(wǎng)絡(luò)算法,最終提升冶金產(chǎn)品的性能質(zhì)量,并提高產(chǎn)量。
燒結(jié)爐的主要功能是對(duì)冶金產(chǎn)品的不同金屬成分粉末進(jìn)行高溫煅燒,使不同金屬成分粉末緊密結(jié)合并成型,物理、化學(xué)以及力學(xué)性等指標(biāo)到達(dá)設(shè)計(jì)的要求。燒結(jié)過(guò)程的溫度變化主要分為升溫、保溫和降溫3 個(gè)階段。在實(shí)際生產(chǎn)過(guò)程中,升溫、降溫過(guò)快或者過(guò)慢、保溫時(shí)間長(zhǎng)短以及溫度的穩(wěn)定性對(duì)冶金產(chǎn)品的質(zhì)量和性能都有很大的影響,是燒結(jié)工藝的關(guān)鍵技術(shù)之一。根據(jù)實(shí)驗(yàn)數(shù)據(jù)和實(shí)際的生產(chǎn)經(jīng)驗(yàn),不同粉末冶金產(chǎn)品有不同的爐溫曲線。
圖1 給出了某合金產(chǎn)品粉末燒結(jié)爐溫曲線圖。Y軸表示溫度,單位為 ℃,X軸表示時(shí)間,單位為min,b=c=600 ℃,d=c=1 200 ℃,g=h=800 ℃,從圖1 中不難看出,燒結(jié)過(guò)程爐溫分為升溫段、保溫段和降溫段,升溫和降溫段有固定的斜率,因此必須按照斜率要求對(duì)爐溫進(jìn)行嚴(yán)格控制。同樣,保溫段要求爐溫要穩(wěn)定,保溫時(shí)間必須精準(zhǔn)。
圖1 某合金產(chǎn)品粉末燒結(jié)爐溫曲線圖
爐溫容易受到環(huán)境、材料以及保護(hù)氣體溫度和流量變化的影響,通常具有升溫慣性、降溫滯后以及溫度干擾等特點(diǎn),常規(guī)控制難以達(dá)到精確控制燒結(jié)爐溫的目的。因此該文提出了組合預(yù)測(cè)模糊神經(jīng)網(wǎng)絡(luò)方法,其控制結(jié)構(gòu)如圖2 所示。
圖2 控制系統(tǒng)結(jié)構(gòu)圖
在燒結(jié)過(guò)程中,燒結(jié)溫度受保護(hù)氣體溫度和流量的影響較大,因此該文將這2 個(gè)因素和歷史溫度作為基于Adaboost 的BP 溫度預(yù)測(cè)模型輸入,預(yù)測(cè)將來(lái)時(shí)刻的溫度,從而避免溫度輸出的遲延性,保證對(duì)后續(xù)模糊神經(jīng)網(wǎng)絡(luò)的控制精度。
在該文提出的控制算法中,爐溫預(yù)測(cè)是決定控制效果的關(guān)鍵因素。燒結(jié)爐溫度受到多種因素的影響,在生產(chǎn)過(guò)程中呈現(xiàn)弱隨機(jī)性的特征,導(dǎo)致傳統(tǒng)的預(yù)測(cè)算法對(duì)該預(yù)測(cè)問(wèn)題的預(yù)測(cè)效果不理想。Adaboost 集成學(xué)習(xí)方法能夠綜合考慮多個(gè)精度相對(duì)較低的弱學(xué)習(xí)算法,構(gòu)造出精度較高的強(qiáng)學(xué)習(xí)算法,提升預(yù)測(cè)精度。該文使BP 算法與Adaboost 相結(jié)合,對(duì)燒結(jié)爐溫度進(jìn)行預(yù)測(cè),其原理如下:用BP 算法生成一系列的基學(xué)習(xí)器,每個(gè)基學(xué)習(xí)器的訓(xùn)練依賴于上一次基學(xué)習(xí)器的學(xué)習(xí)結(jié)果,將基學(xué)習(xí)器在訓(xùn)練集上的錯(cuò)誤率用于調(diào)整訓(xùn)練樣本的概率分布,通過(guò)單個(gè)基分類器加權(quán)建立最終的燒結(jié)爐爐溫預(yù)測(cè)模型。
BP 神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)。它是將W-H 學(xué)習(xí)規(guī)則一般化,對(duì)非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò),可以得到接近期望的近似解。目前主要在函數(shù)逼近、模式識(shí)別、數(shù)據(jù)分類和壓縮等方面應(yīng)用,而燒結(jié)爐溫預(yù)測(cè)控制是較典型的函數(shù)逼近問(wèn)題[4],采用BP 神經(jīng)網(wǎng)絡(luò)算法解決該問(wèn)題是合理可行的。
假設(shè)pj為輸入變量,r為輸入神經(jīng)元,s1為隱含層內(nèi)的神經(jīng)元數(shù),f1為相應(yīng)的激活函數(shù),s2為輸出層的神經(jīng)元數(shù),f2為對(duì)應(yīng)的激活函數(shù),A為輸出,T為目標(biāo)向量,b1i為第i個(gè)隱層神經(jīng)元的臨界值,w1ij為從第j個(gè)輸入變量到第i個(gè)隱層神經(jīng)元的權(quán)值,b2k為對(duì)應(yīng)第k個(gè)隱層神經(jīng)元的臨界值,w2ki為從第i個(gè)隱層神經(jīng)元到第k個(gè)輸出層神經(jīng)元的權(quán)值。則BP 神經(jīng)網(wǎng)絡(luò)算法的信息正向傳播,如公式(1)~公式(3)所示。
式中:a1i為隱藏層中第i個(gè)神經(jīng)元的輸出;a2k為輸出層中第k個(gè)神經(jīng)元的輸出;E為偏差函數(shù);tk為隱藏層中第k個(gè)神經(jīng)元的輸出。
神經(jīng)網(wǎng)絡(luò)輸出層的權(quán)值和臨界值如公式(4)、公式(5)所示。
式中:Δw2ki為第i個(gè)輸入第k個(gè)輸出的權(quán)值;Δb2k為第k個(gè)輸出神經(jīng)元臨界值;η為權(quán)重系數(shù);?為偏微分;f2′為對(duì)f2的求導(dǎo)。
神經(jīng)網(wǎng)絡(luò)隱含層的權(quán)值和臨界值如公式(6)、公式(7)所示。
式中:Δw1ij為第j個(gè)輸入第i個(gè)輸出的權(quán)值;Δb1i為第i個(gè)隱層神經(jīng)元的臨界值;f1'為對(duì)f1的求導(dǎo)。
基于燒結(jié)的工藝,建立了溫度預(yù)測(cè)的訓(xùn)練樣本集(x1,x2,x3,y),其中,x1為保護(hù)氣體的速度,x2為保護(hù)氣體流量,x3為當(dāng)前采樣周期燒結(jié)爐的溫度,yi為輸入樣本對(duì)應(yīng)的下一個(gè)采樣周期的燒結(jié)爐溫度。也就是說(shuō),BP 神經(jīng)網(wǎng)絡(luò)是1 個(gè)三輸入單輸出模型。BP 神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)是開(kāi)始和結(jié)束時(shí)間,輸出節(jié)點(diǎn)是特征參數(shù)值,其建立了1 個(gè)包括5 個(gè)隱層神經(jīng)元的三層神經(jīng)網(wǎng)絡(luò)。
理論證明,1 個(gè)有偏差的網(wǎng)絡(luò)至少有1 個(gè)S 型隱藏層加上1 個(gè)線性輸出層,它可以逼近任何有理函數(shù)。該訓(xùn)練算法選用了梯度下降法,學(xué)習(xí)速率為0.15,網(wǎng)絡(luò)初始權(quán)值為0~1 的隨機(jī)數(shù)。
Adaboost 法采用一定的規(guī)則對(duì)基學(xué)習(xí)器進(jìn)行迭代,以提升其精度。該算法較為簡(jiǎn)單,前提條件是具備大量的訓(xùn)練數(shù)據(jù)和效果較弱的基學(xué)習(xí)器,經(jīng)過(guò)若干次迭代計(jì)算,而且無(wú)須目標(biāo)數(shù)據(jù)就能達(dá)到預(yù)期精度,且不會(huì)導(dǎo)致過(guò)度學(xué)習(xí),十分適合于求解燒結(jié)爐溫度預(yù)測(cè)問(wèn)題。
該文采用Adaboost 算法建立燒結(jié)爐溫度的組合學(xué)習(xí):設(shè)計(jì)樣本權(quán)重值,這樣在循環(huán)的迭代中,訓(xùn)練數(shù)據(jù)集樣本權(quán)重分布合理。為多種規(guī)則設(shè)計(jì)了不同的模型權(quán)重,從而組合成精度較高的預(yù)測(cè)規(guī)則模型[5]。關(guān)鍵算法步驟如下:1) 設(shè)m個(gè)爐溫預(yù)測(cè)學(xué)習(xí)樣本集為S={(x1,y1)(x2,y2),…,(xm,ym)},其中,xm為由保護(hù)氣體溫度速度、保護(hù)氣體流量以及燒結(jié)爐溫度組成的向量,構(gòu)成訓(xùn)練樣本;ym為下一個(gè)周期的爐溫值,(d1,d2,…,dm)為樣本權(quán)重,可以將其設(shè)置為1/m,T為最大迭代次數(shù),當(dāng)前代次數(shù)設(shè)為t,初始化t=1(m=1,2,...,m)。2)利用BP 神經(jīng)網(wǎng)絡(luò)算法分別對(duì)m個(gè)訓(xùn)練集進(jìn)行計(jì)算,得到爐溫度預(yù)測(cè)模型ht,t表示當(dāng)前代次數(shù)。3) 記錄爐溫預(yù)測(cè)模型ht,計(jì)算并保存第t次爐溫預(yù)測(cè)模型ht的權(quán)重ωt,根據(jù)第二步得到的爐頂溫度預(yù)測(cè)模型使m個(gè)訓(xùn)練集的預(yù)測(cè)誤差絕對(duì)值之和小于設(shè)定值或達(dá)到最大迭代次數(shù),算法結(jié)束,跳出迭代進(jìn)入第五步;否則進(jìn)入第四步。4) 根據(jù)爐溫預(yù)測(cè)模型計(jì)算m個(gè)訓(xùn)練集的預(yù)測(cè)誤差絕對(duì)值之和,更新m個(gè)訓(xùn)練的權(quán)重(d1,d2,…,dm)生成新的樣本,返回第二步進(jìn)行迭代。5) 得到最終的預(yù)測(cè)模型。
2.2.1 模型權(quán)重計(jì)算
爐溫預(yù)測(cè)模型權(quán)重ωt的計(jì)算對(duì)最終預(yù)測(cè)模型的輸出有直接影響。為了提高h(yuǎn)t(爐頂溫度小誤差預(yù)測(cè)模型) 的影響權(quán)重,該文在最終模型中利用預(yù)測(cè)誤差的絕對(duì)值來(lái)測(cè)量權(quán)重,如公式(8)所示。Et為通過(guò)第t次迭代獲得的爐溫預(yù)測(cè)模型中每個(gè)訓(xùn)練樣本的加權(quán)方差和;βt為調(diào)節(jié)系數(shù),調(diào)節(jié)系數(shù)的選取方法非常多種,該文采用上述方法來(lái)保證最終爐溫預(yù)測(cè)模型的穩(wěn)定性;ωt為通過(guò)最終輸出的第t次迭代獲得的爐溫預(yù)測(cè)模型的影響權(quán)重值對(duì)最終預(yù)測(cè)模型的影響。
式中:N 為常數(shù);dt(k)為k時(shí)刻的樣本權(quán)重;ht(k)為k時(shí)刻的爐溫預(yù)測(cè)值;yt(k)為k時(shí)刻的爐溫值。
2.2.2 樣本權(quán)重計(jì)算
為了減少不正確樣本對(duì)爐溫預(yù)測(cè)模型的影響,加大正確樣本對(duì)預(yù)測(cè)模型的作用,該文通過(guò)調(diào)整樣本的權(quán)重,樣本權(quán)重分為計(jì)算和歸一化,權(quán)值由預(yù)測(cè)誤差的絕對(duì)值來(lái)衡量,公式(9)、公式(10)中,d′t+1為新樣本權(quán)重值。各樣本的權(quán)重值必須等于1,因此必須進(jìn)行歸一化處理。
燒結(jié)過(guò)程是一個(gè)具有大干擾、多變量的非線性系統(tǒng),其溫度的設(shè)定值是一個(gè)變值控制,而且其溫度要求精度高,只有這樣才能保證高燒結(jié)產(chǎn)品的產(chǎn)量和質(zhì)量。常規(guī)控制算法難以高精度地控制燒結(jié)溫度,因此,該文選擇了模糊神經(jīng)網(wǎng)絡(luò)控制算法[6-7]將神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、模糊控制結(jié)合在一起,使?fàn)t溫得到精準(zhǔn)控制。
為便于模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在實(shí)際工程中的工業(yè)化應(yīng)用,需要選取誤差變化率、控制量的誤差作為輸入變量,考慮到燒結(jié)溫度的高精度控制要求,將其分為7 個(gè)模糊子集,見(jiàn)表1。
表1 爐溫模糊子集表
該文采用三角隸屬函數(shù)如公式(11)所示。
式中:ui為控制輸入變量;aij為隸屬度函數(shù)的中心;bij為隸屬度函數(shù)的寬度。
根據(jù)以下規(guī)則組成模糊控制器,Rm是第m條模糊規(guī)則;ui(i=1,2)為控制輸入變量;y為控制器的輸出變量。μAij(ui)為隸屬函數(shù)。
Rm:IFu1isA1jANDu2isA2jTHENyiscmA1j、A2j表示Cm(m=1,2,…,49)是輸出的作用權(quán)值的第m條模糊規(guī)則。通過(guò)計(jì)算,得到FNN 系統(tǒng)的推理輸出y*,如公式(12)、公式(13)所示。
如果去掉公式(11)的分母,可以減少運(yùn)算量,如公式(14)所示。
則FNN 的學(xué)習(xí)主要是學(xué)習(xí)隸屬函數(shù)的參數(shù)中心值aij,調(diào)整寬度bij和cj。
設(shè)被控對(duì)象的實(shí)際輸出為y(t),輸入變量的期望輸出為yd,并將目標(biāo)函數(shù)定義為如公式(15)所示。
將公式(11)和公式(12)代入公式(14),得出公式(16)。
式中:μj(u)為u對(duì)應(yīng)的隸屬度;μij(ui)為ui對(duì)應(yīng)的隸屬度。
筆者之所以提出模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法,是為了保證控制效果即目標(biāo)函數(shù)的穩(wěn)定,該方法是通過(guò)修改網(wǎng)絡(luò)權(quán)值和隸屬度函數(shù)的方法來(lái)實(shí)現(xiàn)的,循環(huán)迭代是實(shí)際應(yīng)用中的主要方式。通過(guò)梯度下降法可以得到中心值aij和寬度bij,如公式(17)、公式(18)所示。
式中:aij(t)為t時(shí)刻的中心值;bij(t)為t時(shí)刻的中心值;ξn為學(xué)習(xí)率(n=a,b),0 ≤ξn≤1。
使用動(dòng)量項(xiàng)的BP 學(xué)習(xí)算法可以修改網(wǎng)絡(luò)權(quán)重,采用如公式(19)所示的形式進(jìn)行修正。
式中:ξc為學(xué)習(xí)率;Δcj(t)為最后一個(gè)學(xué)習(xí)周期的權(quán)值修正值;h為動(dòng)量因子;cj(t)為t時(shí)刻的BP 網(wǎng)絡(luò)權(quán)重。
為了保證對(duì)相應(yīng)孵化過(guò)程參數(shù)的自適應(yīng)控制,經(jīng)過(guò)FNN不斷調(diào)整aij(中心值)、bij(寬度)和cj(寬度),使目標(biāo)輸出最小。
燒結(jié)是一個(gè)復(fù)雜的大滯后的非線性系統(tǒng),其溫度具有大遲延、大慣性和時(shí)變等特性。針對(duì)某燒結(jié)廠粉末原料進(jìn)行仿真研究,該對(duì)象的傳遞函數(shù)如公式(20)所示。
式中:s為S域。
為了驗(yàn)證該方法的有效性,對(duì)基于Adaboost 的模糊神經(jīng)網(wǎng)絡(luò)控制和BP 預(yù)測(cè)模糊神經(jīng)網(wǎng)絡(luò)控制進(jìn)行仿真對(duì)比。階躍響應(yīng)如圖3 所示,結(jié)果見(jiàn)表2。
圖3 單位階躍響應(yīng)曲線
表2 階躍響應(yīng)實(shí)驗(yàn)結(jié)果分析
該文將基于組合預(yù)測(cè)的模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)應(yīng)用于某集團(tuán)的不銹鋼粉末件燒結(jié)爐中,取得了令人滿意的控制效果。圖4 所示為采用該方法后的溫度記錄曲線,其控制精度明顯提高,升溫跟蹤誤差在±5 ℃以內(nèi),保溫段精度可達(dá)±3 ℃,因此達(dá)到了響應(yīng)快、無(wú)超調(diào)、控制精度高及節(jié)約能源等要求,經(jīng)處理的工件表面光亮、無(wú)氧化且質(zhì)量可靠,可以獲得良好的經(jīng)濟(jì)效益。
圖4 實(shí)際運(yùn)行溫度曲線
燒結(jié)爐加熱過(guò)程具有延時(shí)性、非線性以及強(qiáng)擾動(dòng)等特點(diǎn),該文提出一種基于組合預(yù)測(cè)的燒結(jié)過(guò)程模糊神經(jīng)網(wǎng)絡(luò)控制方法,并對(duì)該方法進(jìn)行仿真試驗(yàn),基于Adaboost 的BP 預(yù)測(cè)模糊神經(jīng)網(wǎng)絡(luò)控制比模糊神經(jīng)網(wǎng)絡(luò)控制的控制效果好,沒(méi)有超調(diào)量,調(diào)節(jié)時(shí)間為40 s,該方法具有響應(yīng)快、無(wú)超調(diào)以及控制精度高等優(yōu)點(diǎn),為了進(jìn)一步驗(yàn)證方法的有效性,將該方法設(shè)計(jì)的系統(tǒng)應(yīng)用于某集團(tuán)的不銹鋼粉末件燒結(jié)爐中,運(yùn)行結(jié)果表明該方法實(shí)現(xiàn)了對(duì)連續(xù)燒結(jié)爐多段位溫度的精確控制,該控制系統(tǒng)具有較強(qiáng)的抗干擾性,有效降低了燒結(jié)溫度的超調(diào)量與系統(tǒng)的調(diào)節(jié)時(shí)間,可以滿足實(shí)際工業(yè)生產(chǎn)的需求。