基於Hammerstein-Wiener模型的鋼包精煉爐電極調節系統的預測控制方法
2023-07-10 06:43:16 1
基於Hammerstein-Wiener模型的鋼包精煉爐電極調節系統的預測控制方法
【專利摘要】本發明公開了一種基於Hammerstein-Wiener模型的鋼包精煉爐電極調節系統的預測控制方法，將Hammerstein-Wiener模型的線性部分和非線性部分分開考慮，將控制問題分解為動態線性模塊的優化和靜態非線性模塊的靜態求根問題。採用兩步法預測控制，首先採用最小二乘支持向量機辨識Hammerstein-Wiener模型的參數，然後採用基於RBF神經網絡預測控制得到鋼包電極控制系統預測控制器的控制量。控制系統採用混合智能自適應預測先進控制方法，既可根據環境條件改變而改變控制器的輸出，又可進行魯棒控制抵抗外部幹擾，保證系統的穩定運行及性能達標，從而減少能耗，降低成本，提高經濟效益等目的的綜合性技術。
【專利說明】基於Hammerste i n-Wi ener模型的鋼包精煉爐電極調節系 統的預測控制方法
【技術領域】
[0001] 本發明設及鋼包精煉爐電極控制系統的先進控制方法，特別設及一種基於 Hammerstein-Wiener模型的鋼包精煉爐電極調節系統的預測控制方法。
【背景技術】
[0002] LF鋼包精煉爐是用S相電極產生的電弧來加熱鋼液的，電弧爐煉鋼過程的控制主 要是通過調節電極的位置，保持電弧長度恆定，W減少電流波動，通過調節電極的位置保證 輸入功率穩定，是保證精煉爐持續高效運行在一個精確工作點的關鍵因素。因此LF爐電極 調節系統是LF爐外精煉的核屯、控制系統，電極調節系統控制性能的好壞將直接影響著鋼 水質量的優劣和電能消耗的多少。目前，如何優化電極升降調節系統的控制性能，成為電弧 爐煉鋼研究的一個重要課題。
[0003] 在精煉爐工作過程中，由於吹氣攬拌、加料擾動等因素的影響，鋼水表面起伏不 定，特別是在爐料烙化期，電弧放電間隙經常變化，離開正常工作狀態和各種偏差（從電極 同金屬短路直至斷弧的偏差）不斷的發生。電弧長度的變化，就必然導致輸入功率的變化， 從而破壞工藝規範。因此鋼包精煉爐電極調節系統具有非線性、多變量、時變、強禪合等特 點，是一個典型的複雜工業系統。基於經典自動控制理論的線性系統調節，其控制效果不夠 理想，導致電弧爐系統耗電量高、效率低。
【發明內容】
[0004] 本發明要解決的技術問題是；為了克服現有技術中鋼包精煉生產過程及其控制 方法中存在的控制效果不夠理想的問題，本發明提供一種基於Hammerstein-Wiener模型 的鋼包精煉爐電極調節系統的預測控制方法。
[0005] 本發明解決其技術問題所採用的技術方案是：一種基於Hammerstein-Wiener模 型的鋼包精煉爐電極調節系統的預測控制方法，所述鋼包精煉爐電極調節系統包括預測控 制器，包括W下步驟：
[0006] (1)預測控制器通過數據採集通道實時採集數據作為輸入量；
[0007] (2)預測控制器接收到數據採集通道採集的參數後，利用基於 Hammerstein-Wiener模型的預測辨識器進行數據辨識，辨識出鋼包電極調節系統建模的相 關參數；
[000引 （3)預測控制器讀取鋼包精煉爐電極調節系統的模型參數，基於神經網絡預測控 製法計算得到控制變量，控制鋼包精煉爐電極調節系統中的鋼包電極調節裝置動作。
[0009] 步驟（2)中，數據輸入神經網絡預測控制器在線建立預測模型，採用 Hammerstein-Wiener模型和最小二乘支持向量機進行模型參數辨識和參數優化，通過構造 拉格朗日函數求解最優化條件；利用奇異值分解法確定鋼包精煉爐電極調節系統的模型參 數。
[0010] 步驟（3)中，基於Hammerstein-Wiener模型進行非線性靜態模塊的建模，然後使 用CARIMA模型來描述線性動態模塊，建立預測控制器的預測模型。
[0011] 步驟（3)中，預測模型的預測控制算法分成兩段相同的結構，分別使用基於徑向 基函數的神經網絡預測控制，求解每段結構的最小性能指標函數；運用基於徑向基函數的 神經網絡在線自學習的功能對預測控制進行訓練後得到輸出量，取均值作為鋼包精煉爐電 極調節系統的預測控制輸入，然後進入下一控制周期繼續同樣的優化求解；同時利用得到 的預測控制輸入獲得對應的第一階段預測控制輸出，同時又為線性動態模塊的預測輸入， 再參考第一階段神經網絡自學習訓練權重後得到第二階段的預測控制輸入，之後進入第二 階段下一控制周期，繼續同樣的優化求解；採用擬牛頓算法求解非線性優化問題，得到預測 控制規律。
[0012] 步驟（1)中，所述數據採集通道採集的實時數據同時上傳至上位機，上位機利用 DCS監控系統對數據進行監測和分析。
[001引本發明的有益效果是，本發明的基於Hammerstein-Wiener模型的鋼包精煉爐 電極調節系統的預測控制方法，結合鋼包精煉爐電極調節系統的特點，採用一種基於神 經網絡的Hammerstein-Wiener模型的預測控制方法設計鋼包精煉爐電極調節系統，將 Hammerstein-Wiener模型的線性部分和非線性部分分開考慮，將控制問題分解為動態線性 模塊的優化和靜態非線性模塊的靜態求根問題。採用兩步法預測控制，首先採用最小二乘 支持向量機辨識Hammerstein-Wiener模型的參數，然後採用基於RBF神經網絡預測控制得 到鋼包電極控制系統預測控制器的控制量。針對系統多變量、強禪合、時變、非線性、幹擾多 等因素，可根據環境條件改變而相應地改變控制器的輸出，W適應其特性的變化，又可進行 魯椿控制抵抗外部幹擾，保證整個系統的穩定運行及性能指標達到要求，從而改善鋼包精 煉能耗高，質量效益不高、汙染嚴重等現狀的綜合性技術。
【專利附圖】
【附圖說明】
[0014] 下面結合附圖和實施例對本發明進一步說明。
[0015] 圖1是本發明所述的鋼包精煉爐電極調節系統的系統框圖。
[0016] 圖2是本發明所述的基於Hammerstein-Wiener模型的廣義預測控制原理框圖。
[0017] 圖3是本發明所述的基於Hammerstein-Wiener模型的神經網絡預測控制算法框 圖。
【具體實施方式】
[0018] 現在結合附圖對本發明作進一步詳細的說明。該些附圖均為簡化的示意圖，僅W 示意方式說明本發明的基本結構，因此其僅顯示與本發明有關的構成。
[0019] 鋼包精煉爐電極調節系統中，電極調節是電弧爐煉鋼中的關鍵環節。但電極調節 器的調節條件和調節任務頗為複雜，幹擾多，控制精度要求高，控制難度大，需要在深入研 究鋼包精煉爐工作特性、工藝特點的基礎上，廣泛收集歷史數據、專家經驗和操作規程，確 定總體控制目標及主要的控制變量。
[0020] 本發明採用Hammerstein-Wiener模型進行基於RBF(徑向基函數）的神經網絡預 測控制，求得最優的控制量並作用於鋼包精煉爐電極對象，然後在下一時刻通過鋼包精煉 爐電極調節系統實際的輸出來修正預測模型的輸出。鋼包精煉爐電極的神經網絡預測控制 一直循環進行預測模型建模，參考軌跡計算，通過滾動優化得到最優的控制量實施控制，直 至控制結束停止循環操作。
[0021]圖1是本發明鋼包精煉爐電極調節系統框圖，鋼包精煉爐電極調節系統包括鋼包 精煉爐電極對象、數據採集通道、神經網絡預測控制器、電極調節裝置和上位機；鋼包精煉 爐電極對象的輸出端通過數據採集通道與預測控制器的輸入端連接，預測控制器接收數據 採集通道傳送過來的電極採集數據，預測控制器根據內部的控制策略計算輸出控制量給電 極調節裝置；電極調節裝置的輸出端與鋼包精煉爐電極對象的輸入端連接，電極調節裝置 根據預測控制器的控制量調節電極的位置。
[002引 Hammerstein-Wiener模型的廣義預測控制原理框圖，如圖2所示，虛線框部分為 Hammerstein-Wiener模型，包括Hammerstein和Wiener的兩個非線性靜態環節和一個線性 動態環節。如圖2所示，為電極參數設定值，y,化+t)為未來k步參考輸入，u(t)為 電極預測控制器的輸出控制量，y (t)為當前輸出的電極參數，為模型預測輸出，t和；為 模型的中間不可測變量，n(t)為幹擾量。基於Hammerstein-Wiener模型的預測控制引入 非線性求逆環節，將原非線性系統近似為線性系統，利用兩步法進行預測控制。第一步針對 線性子系統應用基於RBF神經網絡的最小二乘支持向量機的辦法計算得到中間變量，第二 步進行非線性方程解得實際的控制變量。
[0023] 所述鋼包精煉爐電極調節系統的的預測控制方法，具體包括W下步驟：
[0024] (1)數據採集通道實時採集數據，作為預測控制器的輸入量；同時實時數據上傳 至上位機，上位機利用DCS監控系統對數據進行監測和分析。
[002引 似預測控制器接收到數據採集通道的電弧電流，電弧電壓等參數後，利用預測辨 識器進行數據辨識，辨識出鋼包電極調節系統建模的相關參數；
[0026] (3)預測控制器讀取鋼包精煉爐電極調節系統的模型參數，基於神經網絡預測控 製法計算得到控制變量，控制鋼包精煉爐電極調節系統中的鋼包電極調節裝置動作；
[0027] (4)預測控制算法的物理實現。
[002引步驟（1)包括;A1、鋼包精煉爐電極調節系統採集到的模擬信號主要包括變壓器 一次側電壓、電流信號，二次側電壓、電流信號；採用固定在變壓器二次側短網上的羅氏無 磁巧線圈（Rogowski Coil)來測量弧流。A2、將數據採集通道採集到的模擬信號經變送器 轉換成-10V?+10V的交流數位訊號，再經過D/A轉換器送至工控機中進行處理；工控機根 據採樣得到的數位訊號進行計算，並給出變壓器主迴路的=相電壓、電流等運行參數;A3、 電壓、電流參數輸入神經網絡預測控制器進行計算。
[0029] 步驟（2)包括；B1、數據輸入神經網絡預測控制器利用預測模型辨識器在線建立 預測模型。由於鋼包精煉爐幹擾大，生產過程為非線性、時變的複雜控制系統，因此系統採 用Hammerstein-Wiener模型；B2、採用最小二乘支持向量機進行模型參數辨識，進行參數 優化，通過構造拉格朗日函數求解最優化條件；B3、利用奇異值分解法確定鋼包電極調節系 統的模型參數，使被控對象的輸出y,化+t)儘可能地靠近設定值。
[0030] 步驟（3)包括；C1、完成Hammerstein-Wiener模型非線性靜態模塊的建模 後，使用CARIM模型來描述線性動態模塊，建立預測控制器的預測模型；C2、由於 Hammerstein-Wiener模型可W看成兩個非線性模型和一個線性模型，所W預測控制算法分 成兩段相同的結構，分別使用基於RBF的神經網絡預測控制。預測控制的任務即使被控對 象的輸出儘可能的靠近輸入，因此每段結構都給定一個性能指標函數，如圖3所示，每段結 構的性能指標函數分別為J1、J2 ;C3、基於預測模型採用擬牛頓算法非線性優化求解每個 控制周期內的每段性能指標參數的最小值，即最小性能指標函數。本發明運用基於RBF的 神經網絡在線自學習的功能對預測控制輸入進行訓練後得到輸出量，取均值作為系統的預 測控制輸入u(t)，進入下一控制周期繼續同樣的優化求解；同時利用得到的預測控制輸入 獲得對應的第一段預測控制輸出同時又為線性模型預測輸入，再參考第一階段神經網 絡自學習訓練權重後得到第二階段的預測控制輸入之後進入第二階段下一控制周期繼 續同樣的優化求解。Hammerstein-Wiener模型的神經網絡預測控制算法框圖如圖3所示。
[0031] 步驟（4)包括；預測控制算法的物理實現系統由基於W太網、現場總線和組態王 軟體作為上位機軟體的數據處理和顯示系統構成，同時組態王軟體支持孤E技術，可通過 孤E協議將組態王與Matl油進行數據交換，實現複雜的混合智能自適應預測控制算法。並 通過大量的實時仿真驗證設計控制器的有效性，將部分成果應用於實際。
[0032] 本發明充分利用先進的控制理論、神經網絡、預測控制、智能算法等，對間歇化 工生產過程實現檢測、控制、建模、管理、調度和決策，設計了一種針對鋼包精煉爐電極 調節對象的建模與控制，針對非線性、時變、強禪合的複雜控制系統的控制方法，即基於 Hammerstein-Wiener模型的RBF神經網絡預測控制。採用此混合智能預測控制方法，可根 據環境條件改變而相應地改變控制器的參數，W適應其特性的變化，又可進行魯椿控制抵 抗外部幹擾，保證整個系統的穩定運行及性能指標達到要求，從而減少能耗，降低成本，提 高經濟效益等目的的綜合性技術。因而本發明提出通過進行仿真研究，並將部分研究成果 推廣應用於實際鋼包精煉生產中，提高控制質量。
[0033] 本發明的工作原理在於通過對鋼包精煉爐生產過程的分析，應用系統結構和神經 網絡建模算法，根據鋼包精煉生產過程的數據，在線建立鋼包精煉生產過程的非線性預測 模型，依據建立的模型，設計混合智能自適應預測控制，輸出控制量控制執行機構動作，實 現對鋼包精煉生產過程的先進控制。
[0034] W上述依據本發明的理想實施例為啟示，通過上述的說明內容，相關工作人員完 全可W在不偏離本項發明技術思想的範圍內，進行多樣的變更W及修改。本項發明的技術 性範圍並不局限於說明書上的內容，必須要根據權利要求範圍來確定其技術性範圍。
【權利要求】
1. 一種基於Ha_erstein-Wiener模型的鋼包精煉爐電極調節系統的預測控制方法， 其特徵在於：所述鋼包精煉爐電極調節系統包括預測控制器，包括以下步驟： (1) 預測控制器通過數據採集通道實時採集數據作為輸入量； (2) 預測控制器接收到數據採集通道採集的參數後，利用基於Hammerstein-Wiener模 型的預測辨識器進行數據辨識，辨識出鋼包電極調節系統建模的相關參數； (3) 預測控制器讀取鋼包精煉爐電極調節系統的模型參數，基於神經網絡預測控制法 計算得到控制變量，控制鋼包精煉爐電極調節系統中的鋼包電極調節裝置動作。
2. 如權利要求1所述的基於Ha_erstein-Wiener模型的鋼包精煉爐電極調節系統 的預測控制方法，其特徵在於：步驟（2)中，數據輸入神經網絡預測控制器在線建立預測模 型，採用Ha_erstein-Wiener模型和最小二乘支持向量機進行模型參數辨識和參數優化， 通過構造拉格朗日函數求解最優化條件；利用奇異值分解法確定鋼包精煉爐電極調節系統 的模型參數。
3. 如權利要求1所述的基於Ha_erstein-Wiener模型的鋼包精煉爐電極調節系統的 預測控制方法，其特徵在於：步驟（3)中，基於Ha_erstein-Wiener模型進行非線性靜態模 塊的建模，然後使用CARIMA模型來描述線性動態模塊，建立預測控制器的預測模型。
4. 如權利要求3所述的基於Ha_erstein-Wiener模型的鋼包精煉爐電極調節系統的 預測控制方法，其特徵在於：步驟（3)中，預測模型的預測控制算法分成兩段相同的結構， 分別使用基於徑向基函數的神經網絡預測控制，求解每段結構的最小性能指標函數；運用 基於徑向基函數的神經網絡在線自學習的功能對預測控制進行訓練後得到輸出量，取均值 作為鋼包精煉爐電極調節系統的預測控制輸入，然後進入下一控制周期繼續同樣的優化求 解；同時利用得到的預測控制輸入獲得對應的第一階段預測控制輸出，同時又為線性動態 模塊的預測輸入，再參考第一階段神經網絡自學習訓練權重後得到第二階段的預測控制輸 入，之後進入第二階段下一控制周期，繼續同樣的優化求解；採用擬牛頓算法求解非線性優 化問題，得到預測控制規律。
5. 如權利要求1所述的基於Ha_erstein-Wiener模型的鋼包精煉爐電極調節系統的 預測控制方法，其特徵在於：步驟（1)中，所述數據採集通道採集的實時數據同時上傳至上 位機，上位機利用DCS監控系統對數據進行監測和分析。
【文檔編號】G05B19/418GK104503243SQ201410829083
【公開日】2015年4月8日 申請日期:2014年12月26日 優先權日:2014年12月26日
【發明者】王雪, 潘賽虎, 鄒凌 申請人:常州大學