基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的氬氧精煉終點(diǎn)碳含量內(nèi)?？刂?/h1>

2022-06-25 01:59:42馬海濤姜保良吳佳玉馮雪雯關(guān)常君

長春工業(yè)大學(xué)學(xué)報(bào)訂閱 2022年1期 收藏

馬海濤， 姜保良， 吳佳玉， 馮雪雯， 關(guān)常君

(長春工業(yè)大學(xué) 電氣與電子工程學(xué)院，吉林 長春 130012)

0 引 言

在氬氧精煉低碳鉻鐵過程中，終點(diǎn)碳含量是整個(gè)吹煉工藝的核心，由于冶煉過程高溫、多相、環(huán)境復(fù)雜，存在不可測擾動(dòng)對碳含量的影響很大，常規(guī)控制方法很難達(dá)到令人滿意的控制效果，作為攪拌作用的氬氣，不參加化學(xué)反應(yīng)，但其吹入量會(huì)直接影響鐵水溫度，使鐵水溫度降低，也會(huì)降低一氧化碳分壓，進(jìn)而影響脫碳速率，盡管供氬速率可以測量，但其速率對鐵水脫碳速率的影響無法定量估計(jì)，所以供氬速率對脫碳過程的影響不可測量。在工業(yè)過程中，對于過程擾動(dòng)無法測量或難以測量這類過程控制，一般采用結(jié)構(gòu)簡單、易于在線調(diào)節(jié)的內(nèi)?？刂?Internal Model Control，IMC)方法，但傳統(tǒng)內(nèi)?？刂品椒?，控制器濾波參數(shù)一成不變，導(dǎo)致此方法較難獲得理想的控制效果。文中采用一種自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的內(nèi)?？刂品椒?通過模糊控制器輸出在線修正控制器濾波參數(shù)，利用結(jié)構(gòu)增減算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)規(guī)則層神經(jīng)元?jiǎng)討B(tài)優(yōu)化，在線獲取一個(gè)結(jié)構(gòu)緊湊、泛化性能好的網(wǎng)絡(luò)，可以獲得較好的控制效果[1-3]。

1 控制方案

在氬氧精煉低碳鉻鐵終點(diǎn)碳含量控制過程中，采用過程擾動(dòng)無法測量或難以測量這一類過程控制對象較適用的內(nèi)模控制方法，它具有結(jié)構(gòu)簡單、易于在線調(diào)節(jié)等優(yōu)點(diǎn),

針對濾波器參數(shù)一成不變,影響控制效果這一弊端,引用一種自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制器,通過模糊控制器的輸出在線修正濾波器參數(shù)，并利用結(jié)構(gòu)增減算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)規(guī)則層神經(jīng)元?jiǎng)討B(tài)優(yōu)化，在線獲取一個(gè)結(jié)構(gòu)緊湊、泛化性能好的網(wǎng)絡(luò)，可以獲得較好的控制效果。

鐵水碳含量控制系統(tǒng)組成如圖1所示。

圖1 控制系統(tǒng)組成

圖中:Gp(s)——被控對象;

Gi(s)——內(nèi)?？刂破?

FNN——模糊神經(jīng)網(wǎng)絡(luò)控制器;

R(s)——鐵水碳含量設(shè)定值;

Y(s)——鐵水碳含量實(shí)際輸出值;

e——鐵水碳含量的期望值與實(shí)際值的誤差量;

D(s)——?dú)鍤鈱γ撎妓俾实母蓴_。

2 內(nèi)?？刂破髟O(shè)計(jì)

(1)

(2)

(3)

(4)

Tf——濾波時(shí)間常數(shù)。

實(shí)際推理控制器形式為

(5)

由圖1可以得出,在實(shí)際推理控制器的作用下，系統(tǒng)輸出為

(6)

在模型準(zhǔn)確的條件下,系統(tǒng)輸出為

Y(s)=Gf(s)R(s)+[1-Gf(s)]B(s)D(s)。

(7)

式(7)中濾波器的穩(wěn)態(tài)增益為1，因而，在設(shè)定值階躍作用下，系統(tǒng)輸出的穩(wěn)態(tài)偏差為

R(0)-Y(0)=0。

(8)

在不可測階躍擾動(dòng)作用下，輸出的穩(wěn)態(tài)偏差為

Y(0)=0。

(9)

系統(tǒng)仍具有很好的穩(wěn)態(tài)性能。

3 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

如果在整個(gè)控制過程中，濾波器參數(shù)值一成不變，勢必會(huì)影響控制效果，如果僅采用模糊神經(jīng)網(wǎng)絡(luò)對濾波器參數(shù)進(jìn)行在線調(diào)整，由于冶煉環(huán)境復(fù)雜多變，參數(shù)不變及結(jié)構(gòu)不變的網(wǎng)絡(luò)無法滿足濾波器在線調(diào)整要求，文中采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)調(diào)整內(nèi)模控制器濾波參數(shù)，優(yōu)化了現(xiàn)有模糊神經(jīng)網(wǎng)絡(luò)，優(yōu)化算法包括兩個(gè)模塊，結(jié)構(gòu)調(diào)整模塊和參數(shù)學(xué)習(xí)模塊，結(jié)構(gòu)調(diào)整采用對網(wǎng)絡(luò)神經(jīng)元進(jìn)行增減處理，根據(jù)神經(jīng)元的重要代表性指標(biāo)，判斷其是否被刪減，利用激活強(qiáng)度，判斷其是否被增添，同時(shí)，參數(shù)學(xué)習(xí)方式采用梯度下降法[4]。

3.1 結(jié)構(gòu)修剪算法

為防止神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)處于過度增長，造成冗余，根據(jù)生物細(xì)胞學(xué)，神經(jīng)元通常不能一直保持興奮，文中以活躍度為依據(jù)，將持續(xù)不興奮神經(jīng)元舍棄，在線修剪網(wǎng)絡(luò)結(jié)構(gòu)。假設(shè)在初始條件，ρ表示全部神經(jīng)元不興奮閾值，重要性值是1。對所有神經(jīng)元激活強(qiáng)度進(jìn)行推算時(shí)，如果出現(xiàn)修剪閾值大于激活強(qiáng)度的情況，需要對這個(gè)神經(jīng)元進(jìn)行重要性刪減，計(jì)算公式為:

(10)

Is

(11)

式中：τ——衰減常數(shù)；

Is——第s個(gè)神經(jīng)元激活強(qiáng)度，初始值為1；

Isth——修剪閾值范圍,滿足Isth∈(0,1);

ρ——預(yù)設(shè)的激活強(qiáng)度閾值,ρ∈(0,1)。

在t時(shí)刻，如果預(yù)設(shè)的修剪閾值Isth大于當(dāng)前規(guī)則層神經(jīng)元激活強(qiáng)度Is，并且滿足式(11)，此神經(jīng)元被刪減。

為了避免經(jīng)過刪減的模糊規(guī)則干擾神經(jīng)網(wǎng)絡(luò)，并且保持網(wǎng)絡(luò)輸出恒定狀態(tài)，需要對模糊神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行補(bǔ)償處理。在t時(shí)刻，假設(shè)神經(jīng)元滿足修剪條件，被刪減的神經(jīng)元用s表示。v表示距離此神經(jīng)元?dú)W幾里得度量較小的神經(jīng)元，新增神經(jīng)元參數(shù)為：

(12)

(13)

(14)

(15)

v——與神經(jīng)元s歐幾里得度量最小的神經(jīng)元;

cv，σv，ωv——神經(jīng)元v調(diào)整前參數(shù);

3.2 結(jié)構(gòu)增長算法

將激活強(qiáng)度作為結(jié)構(gòu)增長判別依據(jù)，激活強(qiáng)度代表這個(gè)神經(jīng)元對網(wǎng)絡(luò)調(diào)節(jié)能力，激活強(qiáng)度大,表示這個(gè)神經(jīng)元對網(wǎng)絡(luò)調(diào)節(jié)能力強(qiáng)；反之代表調(diào)節(jié)能力較弱。如果設(shè)定增長臨界值大于所有數(shù)據(jù)對神經(jīng)元激活強(qiáng)度，則需要對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整，下式為增長評價(jià)指標(biāo)定義，可以滿足增添環(huán)境變化規(guī)則的需求。

(16)

最大激活強(qiáng)度為

(17)

式中：r(t)——此時(shí)規(guī)則層神經(jīng)元個(gè)數(shù)，j=1,2,…,r。

若滿足增長條件

Ig

需要增加1個(gè)神經(jīng)元

r(t+1)=r(t)+1。

新增神經(jīng)元參數(shù)被更新為

σnew=σg,

(18)

(19)

(20)

式中:cnew，σnew，ωnew——新增神經(jīng)元參數(shù);

σg，cg——更新后神經(jīng)元寬度及中心;

x(t)——當(dāng)前輸入樣本;

g——與此時(shí)歐幾里得度量最小神經(jīng)元;

yr——當(dāng)前訓(xùn)練樣本設(shè)定值;

y——當(dāng)前訓(xùn)練樣本實(shí)際輸出值。

3.3 參數(shù)學(xué)習(xí)算法

仍然采用梯度下降法對改進(jìn)后網(wǎng)絡(luò)進(jìn)行參數(shù)學(xué)習(xí)。

3.3.1 隸屬度函數(shù)中心值cij更新

(21)

(22)

3.3.2 隸屬度函數(shù)寬度值σij更新

(23)

(24)

3.3.3 隸屬度函數(shù)權(quán)值ωpq更新

(25)

(26)

4 仿 真

4.1 仿真分析

4.1.1 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)仿真分析

1)初始化推理層寬度、中心和輸出權(quán)值參數(shù)，設(shè)定鐵水終點(diǎn)碳含量值、修剪閾值Isth、增長閾值Igth、學(xué)習(xí)率η，規(guī)則層神經(jīng)元個(gè)數(shù)初始值設(shè)定為3;

2)通過100組實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，依據(jù)式(21)～式(26)更新推理層參數(shù)值。網(wǎng)絡(luò)輸入是鐵水終點(diǎn)溫度實(shí)際輸出與設(shè)定值偏差以及偏差變化率，計(jì)算此時(shí)網(wǎng)絡(luò)輸出；

3)計(jì)算神經(jīng)元最大激活強(qiáng)度，從而判定此神經(jīng)元是否滿足增長指標(biāo)，如滿足，則增長神經(jīng)元個(gè)數(shù)，依據(jù)式(18)～式(21)設(shè)置新增神經(jīng)元寬度、中心與權(quán)值參數(shù)；否則，返回4)；

4)根據(jù)修剪指標(biāo)判斷規(guī)則層神經(jīng)元是否滿足刪減條件，如滿足，則刪除當(dāng)前規(guī)則。神經(jīng)元參數(shù)更新見式(12)～式(15)；

5)如果數(shù)據(jù)訓(xùn)練完畢，則結(jié)束循環(huán)；否則，返回2)進(jìn)行重復(fù)訓(xùn)練。

采用二階系統(tǒng)模型驗(yàn)證改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)的有效性，

(27)

采用離線訓(xùn)練得到c，σ，ω參數(shù)作為初始值，輸入信號為幅值等于2的階躍信號，采樣周期為10 ms，仿真時(shí)間為10 s。

將改進(jìn)型FNN控制器與傳統(tǒng)FNN控制器進(jìn)行仿真對比，仿真結(jié)果如圖2所示。

圖2 對比仿真曲線

圖2結(jié)果表明，改進(jìn)型FNN控制器動(dòng)態(tài)性能與穩(wěn)態(tài)性能都優(yōu)于傳統(tǒng)FNN控制器。

4.1.2 控制方法仿真分析

利用Matlab7.0中Simulink創(chuàng)建描述系統(tǒng)輸入與輸出之間關(guān)系模型。將初始碳含量設(shè)定為8%，設(shè)定目標(biāo)碳含量為0.5%，一旦鐵水中碳含量低于0.5%，則立刻將作為系統(tǒng)輸入的供氧速率大小調(diào)整為0。氬氣流量對鐵水碳含量的影響作為系統(tǒng)不可測干擾信號，符合工程實(shí)際情況，為體現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂茖Ρ鞠到y(tǒng)的適用性,分別采用內(nèi)?？刂啤⒛：窠?jīng)網(wǎng)絡(luò)內(nèi)?？刂茖﹁F水碳含量進(jìn)行對比仿真分析，數(shù)學(xué)模型采用所建模型，供氬速率與碳含量關(guān)系模型[5-6]為

(28)

供氧速率與碳含量關(guān)系模型[7-8]為

(29)

仿真結(jié)果如圖3所示。

圖3 模型匹配下鐵水中碳含量IMC與AFNNIMC對比仿真曲線

從圖3可以得出，在模型匹配情況下，鐵水碳含量控制過程中，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂疲赫{(diào)節(jié)時(shí)間729 s，穩(wěn)態(tài)偏差為0；內(nèi)?？刂? 調(diào)節(jié)時(shí)間939 s，穩(wěn)態(tài)偏差為0。

4.2 試驗(yàn)研究

實(shí)驗(yàn)平臺采用某鐵合金廠為試驗(yàn)基地，以氬氧精煉鐵合金所需相關(guān)設(shè)備為控制對象，以工藝試驗(yàn)參數(shù)為依據(jù)，由項(xiàng)目組設(shè)計(jì)研發(fā)的一套完整的氬氧精煉鐵合金生產(chǎn)過程DCS控制系統(tǒng)，系統(tǒng)包括頂槍供氣系統(tǒng)、傾動(dòng)控制系統(tǒng)、加料控制系統(tǒng)、除塵監(jiān)控系統(tǒng)、鐵水溫度在線檢測系統(tǒng)等。系統(tǒng)采用二層功能層次結(jié)構(gòu)，選擇西門子公司S7-300系列的CPU，以S7300 CPU為核心配以相應(yīng)的功能模塊組成三套完整的獨(dú)立控制系統(tǒng)，在頂層采用西門子MP377-15觸摸屏作為監(jiān)控中心，與底層各S7-300 CPU通過PROFIBUS-DP與MPI總線組成實(shí)時(shí)通訊網(wǎng)絡(luò)，從而實(shí)現(xiàn)了分散控制、集中管理與監(jiān)控的功能，氬氧精煉鐵合金DCS控制系統(tǒng)如圖4所示。

圖4 氬氧精煉鐵合金DCS控制系統(tǒng)

為驗(yàn)證文中提出控制方法的有效性，進(jìn)行了多組冶煉低碳鉻鐵實(shí)驗(yàn)，實(shí)驗(yàn)?zāi)繕?biāo)為冶煉過程鐵水溫度不超過爐體最大承受溫度1 923 K，以保證爐體壽命，不發(fā)生噴濺現(xiàn)象的前提下，鐵水碳含量達(dá)到0.5%，部分實(shí)驗(yàn)結(jié)果見表1。

表1 部分實(shí)驗(yàn)結(jié)果

文中控制方法在保證冶煉過程鐵水溫度不超過爐體最大承受溫度1 923 K的前提下，在冶煉過程不發(fā)生噴濺現(xiàn)象，鐵水碳含量達(dá)到0.5%的終點(diǎn)碳含量誤差要求下，縮短了低碳鉻鐵合金的平均冶煉時(shí)長，提高了冶煉效率。

5 結(jié) 語

在氬氧精煉鐵合金過程中,針對冶煉過程所吹氬氣影響鐵水脫碳速率，且對碳含量的干擾影響不能在線測量的問題，文中采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂品椒▽σ睙捊K點(diǎn)碳含量進(jìn)行控制，設(shè)計(jì)了內(nèi)模控制器，針對濾波參數(shù)一成不變，當(dāng)數(shù)學(xué)模型不匹配時(shí)，影響系統(tǒng)控制性能的缺點(diǎn)，通過自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)在線調(diào)節(jié)濾波器參數(shù)，改善了系統(tǒng)的控制效果。仿真與實(shí)驗(yàn)結(jié)果均表明，對于氬氧精煉終點(diǎn)碳含量的控制，文中控制方法具有良好的魯棒性、抗干擾性能以及目標(biāo)值跟蹤特性，在滿足復(fù)雜工況生產(chǎn)需求的前提下，提高了冶煉效率。

長春工業(yè)大學(xué)學(xué)報(bào)2022年1期

長春工業(yè)大學(xué)學(xué)報(bào)的其它文章

大學(xué)生COVID-19認(rèn)知數(shù)據(jù)回歸分析

模糊卡爾曼濾波北斗偽距定位

小型無人飛行器的GNSS/INS緊組合觀測模型算法

CINRAD/CC-D雙偏振天氣雷達(dá)雙通道一致性研究

融合多種嵌入表示的中文命名實(shí)體識別

基于MC_E_ImprovDPC_B_SV模型的中文情感分類方法