本发明涉及一种基于神经网络解耦的矿热炉电极升降控制方法及系统，适用于使用三相电极加热实现冶炼的各种容量、各种冶炼品种的矿热电炉生产过程。
背景技术：
矿热炉是“电热法”冶炼铁合金的一种主要设备，通过三相电极向炉内混合原料导入电功率，使炉料发热熔化，产生氧化还原反应生成铁合金。为了保证矿热炉炉内三个反应坩埚区的炉料同步进行化学反应，实现高产和低耗，要求在冶炼过程中控制炉内温度温度分布均匀。炉内温度依赖于三相熔池功率的大小，而三相熔池功率的平衡主要依赖于三相电极电流的平衡，三相电极电流的平衡调节需要通过控制各相电极升降位移来实现。
目前传统的生产方式主要是人工控制三相电极一次侧电流平衡，由于变压器供电方式、导电短网的特殊连接方式和三相负载之间的复杂关系等因素，系统存在严重的耦合作用和随机干扰，导致这种调节方式不能实现三相熔池功率平衡。而且不同操作员操作水平、操作习惯的不同，其操作不统一而导致电极控制不稳定，因此容易出现产品质量不稳定以及耗电量增加的问题。
技术实现要素：
本发明提供的基于神经网络解耦的矿热炉电极升降控制方法及系统，解决了矿热炉生产过程中由于存在严重的耦合作用和随机干扰，导致电极控制不稳定，进而出现产品质量不稳定以及耗电量增加的技术问题。
为解决上述技术问题，本发明提出的基于神经网络解耦的矿热炉电极升降控制方法包括：
建立矿热炉电极电流-位置解耦模型；
基于rbf神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项；
基于矿热炉电极电流-位置解耦模型、广义外界干扰项以及跟踪误差，推导出电极升降位移量，跟踪误差为电极电流实时值与电极电流设定值的偏差；
基于电极升降位移量控制矿热炉电极升降。
进一步地，建立矿热炉电极电流-位置解耦模型包括：
基于电极位移和电极电流变化量，建立矿热炉的电极电流-位置模型为：
△i(k+1)＝φ(k)△h(k)
其中△i(k+1)＝i(k+1)-i(k)为电极电流变化量，△h(k)＝h(k)-h(k-1)为电极位移，i(k)＝[i1(k),i2(k),i3(k)]t为三相电极电流，h(k)＝[h1(k),h2(k),h3(k)]t为三相电极位置，
根据随机逼近算法，估算电流位移反应系数矩阵为：
其中
将电极电流-位置模型转化为电极电流-位置解耦模型为：
其中fdi'(k)为系统的广义外界干扰，
fdi'(k)＝εii(k)△hi(k)+fdi(k)
其中
进一步地，基于rbf神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项包括：
建立第i相电极的广义外界干扰量与电极电流和电极位移的rbf神经网络模型，其中，rbf神经网络的隐含层节点函数选择高斯函数，且令rbf神经网络的径向基向量为h＝[h1,h2,…,hm]t，m为隐含层节点数，其中
其中xk＝[xk1,xk2,xk3,xk4]t为xkt＝[xk1,xk2,xk3,xk4]的转置，且xk1＝△ii(k)，xk2＝△ii(k-1)，xk3＝△hi(k-1)，xk4＝△hi(k-2)，第j个节点的中心向量为cj＝[cj1,cj2,cj3,cj4]t，bj为第j个节点的基宽参数,||xk-cj||＝|xk1-cj1|+|xk2-cj2|+|xk3-cj3|+|xk4-cj4|为向量[xk-cj]＝[xk1-cj1,xk2-cj2,xk3-cj3,xk4-cj4]t的欧式范数，|xkn-cjn|n＝1,2,3,4为xkn-cjn的绝对值；
根据梯度下降法，获取输出权、节点基宽参数及节点中心矢量为：
wj(k)＝wj(k-1)+η[fdi'(k)-fdi(k)]hj+α[wj(k-1)-wj(k-2)]
其中w＝[w1,w2,…,wm]t为输出权矢量，η为学习速率，为α动量因子；
根据输出权矢量、节点基宽参数矢量以及节点中心矢量，获得广义外界干扰项为：
fdi'(k)＝w1h1+w2h2+…+wmhm。
进一步地，基于矿热炉电极电流-位置解耦模型、广义外界干扰项以及跟踪误差，推导出电极升降位移量包括：
将计算机系统实时检测到的电极电流实时值与电极电流设定值进行比较运算，得出第i相电极电流跟踪误差为：
ei(k+1)＝ir-ii(k+1),i＝1,2,...,n
式中ir为电极电流设定值，根据专家经验设定，
根据电极电流跟踪误差和矿热炉电极电流-位置解耦模型，推导出电极所需移动的位移量为：
其中△hi(k)为第i相电极的升降位移量。
进一步地，推导出电极升降位移量之后，基于电极升降位移量控制矿热炉电极升降之前还包括：
根据专家经验规则修正电极升降位移量。
进一步地，根据专家经验规则修正电极升降位移量具体为：
将电极升降位移量分别与预设的最大电极升降位移量阈值和最小电极升降位移量阈值进行比较，并根据比较结果修正电极升降位移量，和/或
将电极升降后大力杠的位移量分别与预设的最大安全阈值和最小安全阈值进行比较，并根据比较结果修正电极升降位移量，大力缸的位移量li(k+1)＝li(k)+△hi(k)，其中li(k+1)为电极升降后第i相的大立缸的位置，li(k)为电极升降前第i相的大立缸的位置，△hi(k)为第i相电极的升降位移量，和/或
将电极升降后的炉气温度值与预设的最大炉气温度阈值进行比较，并根据比较结果和电极升降位移量修正电极升降位移量，和/或
将电极升降后的功率因素与预设的最小功率因素阈值进行比较，并根据比较结果和电极升降位移量修正电极升降位移量和/或
将电极升降后的一次电流与预设的最大一次电流阈值进行比较，并根据比较结果和电极升降位移量修正电极升降位移量。
本发明提出的基于神经网络解耦的矿热炉电极升降控制系统包括：
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于神经网络解耦的矿热炉电极升降控制方法的步骤。
与现有技术相比，本发明的优点在于：
本发明提供的基于神经网络解耦的矿热炉电极升降控制方法及系统，通过建立矿热炉电极电流-位置解耦模型，基于rbf神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项，基于矿热炉电极电流-位置解耦模型、广义外界干扰项以及跟踪误差，推导出电极升降位移量，跟踪误差为电极电流实时值与电极电流设定值的偏差以及基于电极升降位移量控制矿热炉电极升降，解决了矿热炉生产过程中由于存在严重的耦合作用和随机干扰，导致电极控制不稳定，进而出现产品质量不稳定以及耗电量增加的技术问题，且通过对系统进行实时解耦以及运用rbf神经网络算法能辨识出系统的广义外界干扰项，并基于辨识出的广义外界干扰项获得精准的三相电极升降位移量，以及基于获得的三相电极升降位移量快速并精准调节三相电极电流平衡，从而能够提高三相电极电流的平衡度，实现熔池的三相功率平衡控制，从而提高冶炼效率，达到节能减耗、降低成本。
附图说明
图1是本发明实施例一的基于神经网络解耦的矿热炉电极升降控制方法的流程图；
图2是本发明实施例二的基于神经网络解耦的矿热炉电极升降控制方法的流程图；
图3为本发明实施例二的电极位移量专家修正规则流程图；
图4为本发明实施例二的基于神经网络解耦的矿热炉电极升降控制器整体结构图；
图5为本发明实施例的基于神经网络解耦的矿热炉电极升降控制系统的结构框图。
附图标记：
10、存储器；20、处理器。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
参照图1，本发明实施例一提供的基于神经网络解耦的矿热炉电极升降控制方法，包括：
步骤s101，建立矿热炉电极电流-位置解耦模型；
步骤s102，基于rbf神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项；
步骤s103，基于矿热炉电极电流-位置解耦模型、广义外界干扰项以及跟踪误差，推导出电极升降位移量，跟踪误差为电极电流实时值与电极电流设定值的偏差；
步骤s104，基于电极升降位移量控制矿热炉电极升降。
本发明实施例提供的基于神经网络解耦的矿热炉电极升降控制方法，通过建立矿热炉电极电流-位置解耦模型，基于rbf神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项，基于矿热炉电极电流-位置解耦模型、广义外界干扰项以及跟踪误差，推导出电极升降位移量，跟踪误差为电极电流实时值与电极电流设定值的偏差以及基于电极升降位移量控制矿热炉电极升降，解决了矿热炉生产过程中由于存在严重的耦合作用和随机干扰，导致电极控制不稳定，进而出现产品质量不稳定以及耗电量增加的技术问题，且通过对系统进行实时解耦以及运用rbf神经网络算法能辨识出系统的广义外界干扰项，并基于辨识出的广义外界干扰项获得精准的三相电极升降位移量，以及基于获得的三相电极升降位移量快速并精准调节三相电极电流平衡，从而能够提高三相电极电流的平衡度，实现熔池的三相功率平衡控制，从而提高冶炼效率，达到节能减耗、降低成本。
本发明实施例通过充分考虑三相电极电流之间的耦合作用，设计合理的解耦控制方法对电极位置进行快速、精确调节，以保持三相电极电流的恒定，这样可使三相熔池功率平衡，最终达到控制炉温均匀和炉料同步反应的目的。
一方面，本发明实施例通过考虑三相电极电流之间的耦合作用，设计出合理的解耦装置，并进一步基于该解耦装置辨识分离出广义外界干扰项，从而能精准地调节电极升降位移量；另一方面，通过对系统进行实时解耦，能快速获得广义外界干扰项，能够一次性地计算出实现三相电极电流平衡各相电极分别需要的精确位移量，从而能一次性快速地调节三相电极位置，使三相电极电流快速而精确地控制在设定值附近。具体地，当某一相电流偏离设定值时，人工控制没有精确考虑三相的耦合影响，导致调节该相电极升降后，其他两相电极电流可能偏离误差，接着会继续调节其他两相电极升降，需要这样来回多次调节才能使三相电极电流控制在设定值附近；而神经网络解耦方法通过对三相电极电流的耦合作用当作广义误差项的一部分进行辨识，在计算出某一项电极升降位移量的时候考虑了对其他两相电流的耦合影响，从而三相电极时电流之间的耦合影响进行解耦补偿，能够一次性地给出三相电极的位移量，通过一次电极升降控制将三相电极电流控制在设定值附近，从而实现快速性。
此外，通过专家规则和实时炉况参数对电极位移量进行修正，避免因升降位移量的不合理导致炉况不稳定，能够保证电极升降控制系统运行的安全稳定性。本发明实施例通过快速并精准地调节电极升降位移量，从而能快速并精准地调节三相电极电流的恒定，进而可使三相熔池功率平衡，并达到控制炉温均匀和炉料同步反应的目的，最终有利于提高产品质量以及降低单位产品能耗。
实施例二
参照图2，本发明实施例二提供的基于神经网络解耦的矿热炉电极升降控制方法，包括
步骤s201,建立矿热炉电极电流-位置解耦模型。
具体地，本发明实施例建立矿热炉电极电流-位置解耦模型包括：
基于电极位移和电极电流变化量，建立矿热炉的电极电流-位置模型为：
△i(k+1)＝φ(k)△h(k)(1)
其中△i(k+1)＝i(k+1)-i(k)为电极电流变化量，△h(k)＝h(k)-h(k-1)为电极位移，i(k)＝[i1(k),i2(k),i3(k)]t为三相电极电流，h(k)＝[h1(k),h2(k),h3(k)]t为三相电极位置，
根据随机逼近算法，估算电流位移反应系数矩阵φ(k)，令
其中
将电极电流-位置模型转化为电极电流-位置解耦模型为：
其中fdi'(k)为系统的广义外界干扰，
fdi'(k)＝εii(k)△hi(k)+fdi(k)(4)
其中
步骤s202，基于rbf神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项。具体地，本发明实施例基于rbf神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项包括：
建立第i相电极的广义外界干扰量与电极电流和电极位移的rbf神经网络模型，其中，rbf神经网络的隐含层节点函数选择高斯函数，且令rbf神经网络的径向基向量为h＝[h1,h2,…,hm]t，m为隐含层节点数，其中，
其中xk＝[xk1,xk2,xk3,xk4]t为xkt＝[xk1,xk2,xk3,xk4]的转置，且xk1＝△ii(k)，xk2＝△ii(k-1)，xk3＝△hi(k-1)，xk4＝△hi(k-2)，第j个节点的中心向量为cj＝[cj1,cj2,cj3,cj4]t，bj为第j个节点的基宽参数,‖xk-cj||＝|xk1-cj1|+|xk2-cj2|+|xk3-cj3|+|xk4-cj4|为向量[xk-cj]＝[xk1-cj1,xk2-cj2,xk3-cj3,xk4-cj4]t的欧式范数，|xkn-cjn|n＝1,2,3,4为xkn-cjn的绝对值；
根据梯度下降法，获取输出权、节点基宽参数及节点中心矢量为：
wj(k)＝wj(k-1)+η[fdi'(k)-fdi(k)]hj+α[wj(k-1)-wj(k-2)](7)
其中w＝[w1,w2,…,wm]t为输出权矢量，η为学习速率，为α动量因子；
根据输出权矢量、节点基宽参数矢量以及节点中心矢量，获得广义外界干扰项为：
fdi'(k)＝w1h1+w2h2+…+wmhm(10)
步骤s203,基于矿热炉电极电流-位置解耦模型、广义外界干扰项以及跟踪误差，推导出电极升降位移量，跟踪误差为电极电流实时值与电极电流设定值的偏差。
具体地，首先将计算机系统实时检测到的电极电流实时值与电极电流设定值进行比较运算，得出第i相电极电流跟踪误差为：
ei(k+1)＝ir-ii(k+1),i＝1,2,...,n(11)
式中ir为电极电流设定值，根据专家经验设定。
然后，令式(3)中的ii(k+1)＝ir，并将式(11)代入(3)可得：
从而，由式(12)求出第i相电极所需的升降位移量为：
其中△hi(k)为第i相电极的升降位移量。
步骤s204,根据专家经验规则修正电极升降位移量。
具体地，本发明实施例通过设计位移量修正调节器，对步骤s203求出的电极升降位移控制量进行修正。其中，位移量修正调节器是根据专家经验总结的规则设计的，如图3所示，图3为第i相电极升降位移量的修正规则，具体步骤如下：
①避免单次电极升降位移过大：
若第i相电极升降位移量的绝对值|△hi(k)|大于单次升降最大位移设定值△hmax，根据式(14)修正位移量：
其中△hi(k)其为修正后的第i相电极升降位移量，|△hi(k)|为△hi(k)的绝对值，△hmax为单次升降最大位移设定值。
②避免单次电极升降位移过小：
若第i相电极升降位移量的绝对值|△hi(k)|小于单次升降最小位移设定值△hmin，不执行升降，根据式(15)修正位移量。
△hi(k)＝0(15)
其中△hmin为单次升降最小位移设定值，△hi(k)其为修正后的第i相电极升降位移量。
③避免电极升降后大立缸的位置超出安全区范围：
首先根据式(16)计算电极升降后第i相的大立缸的位置li(k+1)：
li(k+1)＝li(k)+△hi(k)(16)
若电极升降后第i相的大立缸的位置li(k+1)大于安全上限设定值lmax，或者小于安全下限设定值lmin，根据式(15)修正位移量。
④避免炉气温度过高：
如果出炉口炉气温度t(k)超过炉气温度上限设定值tmax，且第i相电极的升降位移量△hi(k)>0，则停止第i相电极上升动作。根据式(15)修正位移量。
⑤避免功率因数过低：
如果第i相电极的功率因数fi(k)小于功率因数下限设定值fmin，且第i相电极的升降位移量△hi(k)<0，则停止第i相电极下降动作。根据式(15)修正位移量。
⑥避免一次电流过高：
如果第i相的一次电流ci(k)大于一次电流上限设定值cmax，且第i相电极的升降位移量△hi(k)<0，则停止第i相电极下降动作。根据式(15)修正位移量。
从而得出修正后的第i相电极的位移量△hi(k)，同理，可得出第i相电极的前一相即第i-1相电极的位移量△hi-1(k)和第i相电极的后一相即第i+1相电极的位移量△hi+1(k)。
步骤s205,基于电极升降位移量控制矿热炉电极升降。
参照图4，图4为本发明实施例二基于神经网络解耦的矿热炉电极升降控制器整体结构图。其中，控制器的输入信号为基于专家经验设定的电极电流设定值ir，和采集的三相电极电流负反馈信号i1(k)、i2(k)、i3(k)比较后，给神经网络解耦控制器输入误差信号e1(k)、e2(k)、e3(k)；神经网络解耦控制器根据电流平衡控制策略，输出对应误差下的位移量△h1(k)、△h2(k)、△h3(k)；位移量修正调节器通过采集神经网络解耦控制器计算出来的电极升降位移量△h1(k)、△h2(k)、△h3(k)和实时检测的工况参数(大立缸位置l(k)、炉气温度t(k)、功率因数f(k)等)，再根据如图3所示的调整规则进行分析和决策，对电极位移量△h1(k)、△h2(k)、△h3(k)进行修正，得出修正后的电极位移量△h1(k)、△h2(k)、△h3(k)，并传给三相电极升降系统，对电极位置进行调节。
本发明实施例的有益效果如下：本发明基于电流平衡控制策略，通过计算机系统在线检测的电极电流和电极位置数据，建立电极电流-位移解耦模型，采用rbf神经网络算法辨识出电极电流-位移解耦模型的参数，根据电极电流-位移解耦模型和系统的跟踪误差计算出电极位移量，最后根据专家经验修正电极位移量，从而指导矿热炉电极进行升降调节。能够提高三相电极电流的平衡度，实现熔池的三相功率平衡控制，从而提高冶炼效率，达到节能减耗、降低成本的目的。
参照图5，本发明实施例提出的基于神经网络解耦的矿热炉电极升降控制系统，包括：
存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序，其中，处理器20执行计算机程序时实现本发明实施例的基于神经网络解耦的矿热炉电极升降控制方法的步骤。
本实施例的基于神经网络解耦的矿热炉电极升降控制系统的具体工作过程和工作原理可参照本实施例中的基于神经网络解耦的矿热炉电极升降控制方法的工作过程和工作原理。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。