焦炉集气管压力模糊神经网络控制系统
摘要：针对焦炉集气管压力这类多变量非线性系统，提出一种基于模糊神经网络的智能协调控制方案。应用遗传算法对模糊神经网络结构和参数进行优化，并采用PLC的逻辑梯形图语言编程实现智能协调运算。工程应用表明了系统设计的有效性。
关键词：可编程控制器 模糊神经网络 智能控制
焦炉集气管压力控制是焦炉控制的关键之一。压力大时焦炉冒烟严重，近距离不能看清设备，大量焦炉媒气进入空气中，污染环境;压力小时空气吸入严重，影响焦炉寿命和焦炉煤气质量。因此，采用先进控制手段，对焦炉焦气管压力进行长期稳定控制，对于改善环境、提高煤气回收量和质量、提高焦炉辅助产品产量和质量，具有重要的意义。焦炉集气管控制系统的主要问题有：
(1)焦炉集气管压力系统是一个耦合严重、具有严重非线性、时变特性、扰动变化激烈的多变量系统，一般的PID调节很难满足要求。
(2)当媒质较好、鼓风机后媒气负荷稳定时，
自动控制效果较好;当媒质较差、鼓风机后压力变化大时，常常出现振荡现象，迫使系统无法投入自动控制。
(3)作为控制机构之一的鼓风闸阀存在严重的非线性、滞后大，常规伺服放大器加执行结构很难适应。
近年来，神经网络、模糊技术和遗传算法已成为智能计算的三大信息科学，是智能控制领域的三个重要基础工具，将三者有机地结合起来，取长补短，不仅在理论上显示出诱人的前景，在实际应用也取得了突破。本系统采用一种基于遗传算法和模糊神经网络的智能模糊控制器，实现了模糊规则的在线修改和隶属函数的自动更新，使模糊控制具有自学习和自适应能力。本文将系统的硬件高可靠性、软件灵活性与现代智能控制相结合，在分析控制对象的基础上采智能协调解耦控制方案，应用PLC的逻辑梯形图语言编程实现，保证了集气管压力稳定在工艺要求范围内。
1 工艺简介
图1是焦炉集气管系统的结构。焦炉媒气从各炭化室通过上升管时被循环氨气冷却到80～90℃，然后进入集气管。焦炉某气从焦炉到初冷器分为两个吸气系统，即1号和2号焦炉为一个系统，3号焦炉为一个系统。1号和2号焦炉的煤气从各自的集气管进入共用吸气管后，在初冷器前与3号焦炉的煤气会合后进入初冷器。通过初冷器被冷却到35～40℃，然后由鼓风机送往下道工序。
2 系统硬件结构及系统功能
焦炉集气管压力控制系统采用高可靠性的两级计算机集散控制系统，由监控、控制器和通讯网及仪表系统构成，如图2所示。监控站由研华工业控制计算机和高性能工业控制软件构成，完成对焦炉集气管压力系统的监视和操作，对历史数据进行存档，是控制系统的主要机界面。控制器采用日本三菱公司推出的A2A拟量输入模块、数字量输入输出模块和基板组成，通过智能控制算法对三座焦炉的集气管压力和鼓风机压力进行控制。仪表系统由变送器、配电器、隔离器、调节器和执行器等构成，主要完成压力信号的获取和阀门的控制执行。
系统主要功能为：
(1)实现3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±20Pa内。
(2)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天的历史数据)和显示。具备报表打印功能和与上位机(管理系统)联网功能。
3 控制原理
针对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。它分为两级：专家智能控制协调级(虚线框内)和基本实时智能控制级。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。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，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：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。
3.1 模糊神经网络结构
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为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可用一个如图4所示的初始神经网络构成。初始神经网络共有四层：输入层、隶属函数生成层、推理层和去模糊化层。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。
多变量解耦控制器FNC5采用T-S模糊模型[4]，取FNC1～FNC4输出作为模糊控制器的输入，三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。
3.2 模糊神经网络GA优化学习
对于单变量和多变量解耦模糊神经网络，可用遗传算法(GA)来调整和优化参数和结构，而推理规则的结论部分中的权值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块速性。
采用遗传算法离线训练模糊神经网络参数的步骤如下：
(1)采用实数编码方式，随机产生n个实数字符串，每个字符串表示整个网络的一组参数;
(2)将各实数字符串译码成网络的各参数值，然后计算每一组参数的适合度值fi=1/Ei(i=1,2……，n)，式中Ei为定义的误差指标函数，按下列步骤产生新的群体，直到新群体中串总数达到n：
①以概率fi/∑fi,fj/∑fj从群体中选出两个串Si，Sj;
②以概率Pc对Si，Sj进行交换，得到新串Si',Sj';
③以概率Pm使Si'，Sj'中的各位产生突变(取随机数);
④返回第①步，直到产生(n-1)个新一代的个体;
⑤所产生的(n-1)个新一代的个体连同一代中性能最好的那个个体，共同组成新的