钢包精炼炉电极调节控制系统及其控制方法
【专利摘要】本发明公开了一种钢包精炼炉电极调节控制系统及其控制方法。该控制系统包括钢包精炼炉电极对象、数据采集通道、神经网络PFC-PID控制器、电极调节装置，上位机。该控制方法的步骤为：数据采集通道实时采集数据，作为PFC-PID控制器的输入量；数据传递给神经网络预测模型模块，由神经网络预测模型模块进行在线建模；神经网络预测控制器读取模型参数，生成控制参数，控制执行机构动作；控制算法实现。本发明采用混合智能自适应预测控制，既可根据环境条件改变而改变控制器的输出，又可进行鲁棒控制抵抗外部干扰，保证系统的稳定运行及性能达标，从而减少能耗，降低成本，提高经济效益等目的的综合性技术。
【专利说明】钢包精炼炉电极调节控制系统及其控制方法
【技术领域】
[0001]本发明涉及一种钢包精炼炉电极控制系统及其控制方法，属于工业控制领域。
【背景技术】
[0002]近些年来，化工、冶金、石化等国家支柱产业生产规模不断扩大，工艺过程复杂性增加，产品质量要求提高，环境保护要求越来越严格；同时，原料和能源紧缺，市场不断变化，迫切要求企业节能降耗，实现安全、稳定、长期、满负荷和优化运行。这些对过程控制提出了新的挑战。由于这些过程多具有时变、非线性、强耦合等特性，是一类复杂工业过程。过程难以建模和模型不准确，许多过程特性参数难以测量，具有多种操作约束条件，存在较多干扰，过程不可逆转和难以采取补救措施等特点，使其控制存在很大的难度，因此在复杂工业控制系统中研究和推广应用各种有效的先进控制策略十分必要和迫切。
[0003]LF钢包精炼炉是用三相电极产生的电弧来加热钢液的，所以LF炉实际上是一种特殊的电弧炉。电弧炉炼钢过程的控制主要是通过调节电极的位置，保持电弧长度恒定，以减少电流波动，通过调节电极的位置保证输入功率稳定，是保证精炼炉持续高效运行在一个精确工作点的关键因素。因此LF炉电极调节系统是LF炉外精炼的核心控制系统，电极调节系统控制性能的好坏将直接影响着钢水质量的优劣和电能消耗的多少。目前，如何优化电极升降调节系统的控制性能，成为电弧炉炼钢研究的一个重要课题。
[0004]电弧炉炼钢是一个复杂的工业生产过程，钢包精炼炉电极调节系统具有非线性、多变量、时变、强耦合等特点，是一个典型的复杂工业系统。早期基于经典自动控制理论的线性系统调节，其控制效果不够理想，导致电弧炉系统耗电量高、效率低，因此在电极调节系统中研究和推广应用各种有效的先进控制策略十分必要和迫切。
【发明内容】
[0005]针对现有技术中钢包精炼生产过程及其控制方法中存在的上述问题，本发明提供一种钢包精炼炉电极调节控制系统及其先进控制方法。
[0006]本发明的技术方案是:
钢包精炼炉电极调节控制系统，包括钢包精炼炉电极对象、数据采集通道、神经网络PFC-PID控制器、电极调节装置，上位机；所述精炼炉电极对象的输出端通过数据采集通道与控制器的输入端连接，控制器的输出端分别与电极调节装置的输入端和位机的输入端连接，电极调节装置的输出端与钢包精炼炉电极对象的输入端连接。
[0007]进一步，所述控制器包括神经网络预测控制器(PFC)和PID控制器，即钢包精炼炉电极调节控制系统采用神经网络PFC-PID串级控制策略，即钢包精炼炉电极调节控制系统采用神经网络PFC-PID串级控制策略，外环采用神经网络预测控制(PFC)控制，通过弧压检测装置采集电极弧压，进而将通过计算获得的精炼炉内阻抗值作为主被控参数，内环采用PID控制器，通过电流采集装置采集电极电流作为副被控参数，内环和主调节区对象一电极弧压对象构成PFC的广义被控对象；所述数据采集通道包括内环电极电流检测装置和外环的电极弧压检测装置；神经网络PFC控制器的输出端与PID控制器的输入端连接。
[0008]进一步，所述钢包精炼炉电极调节控制系统的控制方法，具体包括以下步骤:
(1)数据采集通道实时采集数据，作为PFC-PID控制器的输入量；
(2)数据传递给神经网络预测模型模块，由神经网络预测模型模块进行在线建模；
(3)神经网络预测控制器读取模型参数，生成控制参数，控制执行机构动作；
(4)控制算法实现。
[0009]进一步，所述步骤(I)包括:钢包精炼炉采用神经网络PFC-PID串级控制。外环采用神经网络预测控制(PFC)控制，通过电极弧压检测装置采集电极弧压，进而将通过计算获得的精炼炉内阻抗值作为主被控参数；内环采用PID控制器，通过电极电流检测装置采集电极电流作为副被控参数，内环和电极弧压对象结合构成PFC的广义被控对象。电极电流作为PID控制器的输入量，电极弧压作为PFC的输入。
[0010]进一步，所述步骤(2)包括:神经网络预测控制包括参考轨迹、预测模型、滚动优化三个部分。预测模型采用多步递推预测模型。
[0011]本发明的有益效果是:
本发明充分利用先进的控制理论、神经网络、预测控制、智能算法等，对钢包精炼炉电极控制系统实现检测、控制、建模，设计一种针对钢包精炼炉电极被控对象建模与控制，针对系统多变量、强耦合、时变、非线性、干扰多等因素，可根据环境条件改变而相应地改变控制器的输出，以适应其特性的变化，又可进行鲁棒控制抵抗外部干扰，保证整个系统的稳定运行及性能指标达到要求，从而改善钢包精炼能耗高，质量效益不高、污染严重等现状的综合性技术。
【专利附图】
【附图说明】
[0012]图1是本发明钢包精炼炉电极调节控制系统框图；
图2是本发明钢包精炼炉神经网络PFC-PID串级控制系统方框图；
图3是本发明所述系统中的神经网络PFC预测控制原理图；
图4是本发明神经网路递推多步预测建模的流程图；
图5是本发明神经网络预测控制的流程图。
【具体实施方式】
[0013]下面结合附图对本发明作进一步详细说明。
[0014]本发明针对钢包精炼炉电极调节装置系统，电极调节是电弧炉炼钢中的关键环节，但电极调节器的调节条件和调节任务颇为复杂，干扰多，控制精度要求高，控制难度大，需要在深入研究钢包精炼炉工作特性、工艺特点的基础上，广泛收集历史数据、专家经验和操作规程，确定总体控制目标及主要的控制变量。
[0015]图1是本发明钢包精炼炉电极调节控制系统框图，包括钢包精炼炉电极对象、数据采集通道、神经网络PFC-PID控制器、电极调节装置，上位机。精炼炉电极对象的输出端通过数据采集通道与控制器的输入端连接，控制器的输出端分别与电极调节装置的输入端和上位机的输入端连接，电极调节装置的输出端与钢包精炼炉电极对象的输入端连接。
[0016]图2是本发明钢包精炼炉电极神经网络PFC-PID串级控制系统方框图，外环采用神经网络预测控制(PFC)控制，通过电极弧压检测装置采集电极弧压，进而将通过计算获得的精炼炉内阻抗值作为主被控参数；内环采用PID控制器，通过电极电流检测装置采集电极电流作为副被控参数，内环和电极弧压对象结合构成PFC的广义被控对象。
[0017]神经网络预测控制原理图如图3所示，包括参考轨迹、预测模型、滚动优化；在每一个采样时刻通过预测被控系统未来P个时刻的输出与系统未来P个时刻的期望输出的偏差，在优化控制器中，通过偏差量求出系统最优的控制量U并作用于对象，在下一时刻通过系统实际的输出来修正预测模型的输出。
[0018]上述钢包精炼炉电极调节装置控制系统的先进控制方法，具体包括以下步骤:
(1)数据采集通道实时采集数据，作为PFC-PID控制器的输入量；
(2)数据传递给神经网络预测模型模块，由神经网络预测模型模块进行在线建模；
(3)神经网络预测控制器读取模型参数，生成控制参数，控制执行机构动作；
(4)控制算法实现。
[0019]步骤(I)包括:Al、本系统采集到的模拟信号主要包括变压器一次侧电压、电流信号，二次侧电压、电流信号；采用固定在变压器二次侧短网上的罗氏无磁芯线圈(Rogowski Coil)来测量弧流。A2、将采集到的模拟信号经变送器转换成-1OV?+ 1V的交流数字信号，再经过D/A转换器送至工控机中进行处理；工控机根据采样得到的数字信号进行计算，并给出变压器主回路的三相电压、电流等运行参数；A3、电压、电流参数输入神经网络PFC-PID控制器进行计算。
[0020]步骤(2)包括:B1、数据输入神经网络预测控制器进行在线建立预测模型。由于钢包精炼炉干扰大，生产过程为非线性、时变的复杂控制系统，因此系统采用递推多步预测模型；B2、由于递推多步预测算法的预测输出与上一次的预测输出有关系，因此，模型误差会随着递推过程被放大，产生累积误差。为了克服由于多步递推预测引起的模型误差被放大的缺点，需进行预测模型反馈校正。B3、递推多步预测结束，得到钢包精炼炉电极被控对象的预测模型。递推多步预测模型建模的流程图如图4所示；
步骤(3)包括:Cl、当设定值发生突变时，要求被控对象的输出迅速跟踪这一变化，往往会导致输出变化不平稳，在钢包精炼炉电极控制中考虑到过程的动态特性，为了避免过程出现急剧变化的输入输出，往往要求输出沿着一条期望的平滑曲线达到设定值即参考轨迹。因此本系统将每一个采样时刻通过神经网络多步预测模型的未来P个时刻的输出与系统未来P个时刻的期望输出的偏差，送入参考轨迹模块计算参考轨迹；C2、在优化控制器中，通过偏差量求出系统最优的控制量u并作用于钢包精炼炉电极对象，在下一时刻通过系统实际的输出来修正预测模型的输出。C3、钢包精炼炉电极的神经网络预测控制一直循环进行预测模型建模，参考轨迹计算，通过滚动优化得到最优的控制量实施控制，直至控制结束停止循环操作。神经网络预测控制的流程图如图5所示。
[0021]步骤(4)控制算法实现包括:系统由基于以太网、现场总线和组态软件作为上位机软件的数据处理和显示系统构成，同时组态软件支持DDE技术，可通过DDE协议将组态王与Matlab进行数据交换，实现复杂的混合智能自适应预测控制算法。并通过大量的实时仿真验证设计控制器的有效性，并将部分成果应用于实际。
[0022]本发明充分利用先进的控制理论、神经网络、预测控制、智能算法等，对间歇化工生产过程实现检测、控制、建模、管理、调度和决策，设计一种针对钢包精炼炉电极调节对象的建模与控制，针对非线性、时变、强耦合的复杂控制系统的控制方法，即神经网络预测控制--先进控制和传统PID控制串联的混合控制方案，采用此混合智能自适应预测控制方法，可根据环境条件改变而相应地改变控制器的参数，以适应其特性的变化，又可进行鲁棒控制抵抗外部干扰，保证整个系统的稳定运行及性能指标达到要求，从而减少能耗，降低成本，提高经济效益等目的的综合性技术。因而本发明提出通过进行仿真研究，并将部分研究成果推广应用于实际钢包精炼生产中，提高控制质量。
[0023]本发明的工作原理在于通过对钢包精炼炉生产过程的分析，应用系统结构和神经网络建模算法，根据钢包精炼生产过程的数据，在线建立钢包精炼生产过程的非线性预测模型，依据建立的模型，设计混合智能自适应预测控制，输出控制量控制执行机构动作，实现对钢包精炼生产过程的先进控制。
[0024]综上所述，本发明钢包精炼炉电极控制系统及其先进控制系统，包括钢包精炼炉电极对象、数据采集通道、神经网络PFC-PID控制器、电极调节装置，上位机；精炼炉电极对象的输出端通过数据采集通道与控制器的输入端连接，控制器的输出端分别与电极调节装置的输入端和上位机的输入端连接，电极调节装置的输出端与钢包精炼炉电极对象的输入端连接。钢包精炼炉电极调节控制系统采用神经网络PFC-PID串级控制策略，外环采用神经网络预测控制(PFC)控制，通过弧压检测装置采集电极弧压，进而将通过计算获得的精炼炉内阻抗值作为主被控参数；内环采用PID控制器，通过电流采集装置采集电极电流作为副被控参数；内环和主调节区对象一电极弧压对象构成PFC的广义被控对象。控制系统采用混合智能自适应预测先进控制方法，既可根据环境条件改变而改变控制器的输出，又可进行鲁棒控制抵抗外部干扰，保证系统的稳定运行及性能达标，从而减少能耗，降低成本，提高经济效益等目的的综合性技术。
[0025]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.钢包精炼炉电极调节控制系统，包括钢包精炼炉电极对象、数据采集通道、神经网络PFC-PID控制器、电极调节装置，上位机；所述精炼炉电极对象的输出端通过数据采集通道与神经网络PFC-PID控制器的输入端连接，控制器的输出端分别与电极调节装置的输入端和上位机的输入端连接，电极调节装置的输出端与钢包精炼炉电极对象连接。
2.根据权利要求1所述的钢包精炼炉电极调节控制系统，其特征在于:所述神经网络PFC-PID控制器包括神经网络预测控制器和PID控制器，所述数据采集通道包括内环的电极电流检测装置和外环的电极弧压检测装置，神经网络预测控制器的输出端与PID控制器的输入端连接；即钢包精炼炉电极调节控制系统采用神经网络PFC-PID串级控制策略，夕卜环采用神经网络预测控制器控制，通过弧压检测装置采集电极弧压，进而将通过计算获得的精炼炉内阻抗值作为主被控参数，内环采用PID控制器，通过电极电流检测装置采集电极电流作为副被控参数，内环和主调节区对象一电极弧压对象构成神经网络预测控制的广义被控对象。
3.钢包精炼炉电极调节控制系统的控制方法，具体包括以下步骤: (1)数据采集通道实时采集数据，作为神经网络PFC-PID控制器的输入量； (2)数据传递给神经网络预测模型模块，由神经网络预测模型模块进行在线建模； (3)神经网络预测控制器读取模型参数，生成控制参数，控制执行机构动作； (4)控制算法实现。
4.根据权利要求3所述的钢包精炼炉电极调节控制系统的控制方法，其特征在于:所述步骤(I)包括:钢包精炼炉采用神经网络PFC-PID串级控制；外环采用神经网络预测控制器控制，通过电极弧压检测装置采集电极弧压，进而将通过计算获得的精炼炉内阻抗值作为主被控参数；内环采用PID控制器，通过电极电流检测装置采集电极电流作为副被控参数，内环和电极弧压对象结合构成神经网络预测控制器的广义被控对象；电极电流作为PID控制器的输入量，电极弧压作为神经网络预测控制器的输入。
5.根据权利要求3所述的钢包精炼炉电极调节控制系统的控制方法，其特征在于:所述步骤(2)包括:神经网络预测控制器采用递推多步预测法在线建立预测模型，然后通过计算参考轨迹和控制量寻优输出最优的控制量给电极调节装置来实施控制。
【文档编号】G05B13/04GK104267600SQ201410488217
【公开日】2015年1月7日 申请日期:2014年9月23日 优先权日:2014年9月23日
【发明者】邹凌, 王雪, 潘赛虎, 何可人 申请人:常州大学