数控技术
基于模糊神经网络的竖炉温度控制
刘剑张杨
(沈阳建筑大学信息学院辽宁沈阳110168)
数事技来与质用
摘要：为了提高系统的自适应能力和抗干扰能力，文中使用了一种新型的控制器—模糊神经网络PID控制器，将模糊神经网络与常规 PID控制器相结合，调整PID控制器的三个参数，实现了对整坚炉燃烧室温度的精确控制。有效地竞服了采用单纯的PID控制带来的响应慢、超调大、控制稳定性差等缺点，解决了传统模期控制由于录属函数和模期规则选取不当造成的控制缺陷。
关键调：模糊控制神经网络模糊神经网络
中图分类号：TP273
文献标识码：A
文章编号：1007-9416(2011)09-0018-01
目前，由于竖炉的大时滞，多变量和参数离散的特点，它的自动化控制仍然是个难点。另外，竖炉内部的化学反应过程非常复杂，无法用准确的数学模型来描述。
根拥掘海城钢铁公司烧结厂整炉生产的实际情况，本文提出一种将模糊神经网络技术和传统的PID控制相结合，目的是开发一套适合烧结竖炉生产工艺过程并且控制效果良好的竖炉燃烧室温度控制系统，完成对竖炉温度的自动控制.以达到节能降耗、提高产品质量的目的。
1、竖炉的工艺流程
在竖炉的炉体内，炉料自上而下、气流自下而上运动。竖炉两侧设有燃烧室，燃烧废气经火道喷入炉内，并向上运行与下降的炉料进行热交换加热炉科。竖炉下侧设有冷却风进口，冷风在炉内自下面上运动，将焙烧好的球团矿冷却，与此间时冷风被加热，通过导风墙上升到干燥床下部，穿过干燥床及床上的生球料层于燥生球，完成一个生产循环。
2、竖炉的控制方案
采用模糊神经网络，建立参数K.K.K,自学习的PID控制器，寻找最优的控制参数。
由
ea
图1传统PID控制系统的设计框图
28040
F09919016001688180 a
图2常规PID控制
a
288488
201900130014001600180
图3模糊神经网络PID控制
方方数据
控制系统主要量利用模糊神经网络PID控制器完成对燃烧室温度的控制。控制器由两部分组成：
(1)经典的PID控制器，直接对被控对象进行闭环控制。
(2)模糊神经网络FN-N，控制系统的核心部分，该模糊神经网络是根据温度偏差和偏差的变化率，在线调节PID控制器的三个参数，输出层神经元的输出状态对应于PID控制器的三个可调参数 K.,K,K通过神经网络的自学习、加权系数调整，使神经网络的输出对应于某种最优控制率下的PID控制器的三个参数。系统的工作原理是：用模糊神经网络来调节的三个参数，使系统具有自适应性，
达到有效控制的目的。 3、系统仿真结果分析
3.1燃烧室温度的数学模型
在球因的实际生产过程中，煤气量一般稳定在5500m/h左右，助
燃风量一般稳定在6000m/h左右，而燃烧室的温度就可以稳定于 1050℃，以保证球团焙烧的温度。为测试炉温调节的响应速度，对各燃烧室温度进行了若干次调节试验，根据竖炉燃烧室实际运行的输人
输出数据，由局部线性化的方法得到系统模型为：G（s）
式中：Tp1200sK*17.5
3.2模糊神经网络PID的仿真及结果分析
17.5e70 1200g+1
燃烧室的理想温度是1050℃C，我们首先用传统PID控制对辨识得到的数学模型用MATLAB进行仿真，传统PID控制系统设计框图如图1所示。
得到的温度曲线如图3中所示。我们看到，PID控制的超调比较大，上升时间比较长，总的控制效果不理想。
智能控制方法我们主要采用模糊神经网络的控制方法，将模棚控制和神经网络相结合调整PID的三个参数。
模糊神经网络PID控制系统的设计框图如图2所示。其中，G,和 G为比例因子,GK,、GK,和GK为量化因子。
从图可以看出，在不同的控制算法的作用下，其动态性能和稳态性能呈现出一定的差异。综合比较各种算法可以看出：模糊神经网络超调最小，模糊神经网络PID控制算法达到稳定值的时间最短，综合各种算法的优缺点，我们知道，模糊神经网络PID和的控制
效果比传统PID的控制效果要好。 4、结论
利用模糊神经网络这种控制方法，可以得到期望的燃烧室温度控制曲线，使温度保持在1050度左右，达到了工艺要求，并且这种方法的调节时间最短、超调最小，抗于扰能力也是最好的。在这三种控
制方法中，模糊神经网络PID的控制效果最好。参考文献
[1]张建民，王涛.智能控制原理及应用北京冶金工业出版社2003[2]王耀南.模期神经网络炉温自学习控制系统冶金自动化1998[3]刘金现编著.先进PID控制MATLAB仿真北京电子工业出版社 2011.3
[4]何用梅编著.现代连续加热炉.北京：冶金工业出版社,1980