基于BP网络的磷炉工艺参数优化系统建模研究

第27卷第1期2008年3月武　汉　工　业　学　院　学　报J o u r n a l o f Wu h a n P o l y t e c h n i c U n i v e r s i t y V o l .27N o .1M a r .2008 收稿日期:2007-07-16作者简介:石晓瑛(1973-),女,湖北省武汉市人,讲师。

文章编号:1009-4881(2008)01-0043-03基于神经网络P I D 炉温控制系统设计石晓瑛(华东交通大学电气与电子工程学院,江西南昌330013)摘　要:将B P 神经网络控制策略引入炉温控制系统,通过神经网络模拟实现P I D 控制器参数在线调整。

在电阻炉炉温控制系统模型的基础上,详细介绍了神经网络P I D 控制器的算法,并对经典P I D 参数选取进行了分析。

最后将神经网络P I D 与经典P I D 控制效果进行了仿真比较。

关键词:B P 神经网络;P I D 控制器;仿真中图分类号:T P 273.5 文献标识码:A0　引言电阻炉广泛应用于冶金、化工、机械等各类工业控制过程中,炉温控制对产品质量具有重要影响。

采用单片机对炉温进行控制,实现电炉输入功率和炉温的连续调节及控制,可以大幅度提高温度控制系统的各项技术指标,并能有效提高产品的质量,节约能源,具有良好的经济效益和推广价值。

利用工业总线将单片机与上位机相连实时监测烧结过程中的各种参量变化,工控机作为集中监控系统的上位机,采集现场实时数据并记录保存,作为系统输入数据。

根据设定的工艺曲线结合生产计划要求与输入数据决定控制参数。

本文采用B P 神经网络控制策略,通过B P 神经网络模拟实现P I D 参数在线调整,炉温能自动跟随给定的温度曲线,满足产品的特殊工艺要求[1]。

1　控制系统分析基于B P 神经网络参数自整定P I D 控制系统结构图如图1所示。

控制系统采用负反馈,将设定温度r i n 与实际温度y o u t 比较形成偏差e (k ),经过P I D 控制器输出控制量u (k )对被控对象进行控制。

基于神经网络的高炉炉渣成分分析模型研究高炉炉渣是冶炼过程中产生的重要副产品，其成分分析对于炼铁工艺的优化和产品质量的控制至关重要。

随着人工智能技术的不断发展，基于神经网络的高炉炉渣成分分析模型成为了炼铁工程领域的研究热点。

本文将探讨这一模型的研究现状、方法和应用前景。

神经网络是一种模仿人脑神经元网络结构进行信息处理的数学模型。

在高炉炉渣成分分析中，神经网络模型通过学习大量数据样本，自动发现特征之间的复杂关系，并能够对新数据进行准确预测。

相比传统的基于统计学方法的分析模型，基于神经网络的模型具有更强的非线性拟合能力和适应性，能够更好地处理多变的炉渣成分数据。

首先，研究人员需要收集大量的高炉炉渣样本数据，包括其化学成分、物理性质等信息。

这些数据将作为神经网络模型的训练集，用于模型参数的学习和调整。

同时，为了提高模型的泛化能力，还需要将数据集分成训练集、验证集和测试集，并采用交叉验证等方法对模型进行评估和优化。

其次，选择合适的神经网络结构和算法是模型研究的关键。

常用的神经网络结构包括前馈神经网络（Feedforward Neural Network，FNN）、循环神经网络（Recurrent Neural Network，RNN）、卷积神经网络（Convolutional Neural Network，CNN）等。

研究人员可以根据数据特点和分析任务的复杂程度选择合适的网络结构，并通过调整网络层数、节点数、激活函数等参数来优化模型性能。

在模型训练过程中，还需要注意数据预处理和特征工程的重要性。

高炉炉渣数据往往存在缺失值、噪声和异常值等问题，需要采用数据清洗、归一化、标准化等方法进行处理，以提高模型的稳定性和准确性。

此外，针对不同的分析任务，研究人员还可以通过特征选择、降维等技术提取更有效的特征信息，进一步优化模型性能。

最后，基于神经网络的高炉炉渣成分分析模型在炼铁工程中具有广泛的应用前景。

通过准确预测炉渣成分，可以帮助工程师实时监控冶炼过程，调整操作参数，提高生产效率和产品质量。

基于改进BP神经网络加热炉控制系统参数优化
何楚衡;肖金凤
【期刊名称】《内江科技》
【年(卷),期】2010(031)003
【摘要】本文以衡阳钢管厂轧钢分厂的加热炉作为具体的研究对象,针对加热炉PID控制系统存在的一些缺点,结合国内外先进理论和技术,提出了一种基于改进BP 神经网络的PID参数控制方法.将改进后方法用于加热炉控制,并与常规的PID控制方法进行对比.仿真的结果表明该算法具有较好的控制效果.
【总页数】2页(P19,54)
【作者】何楚衡;肖金凤
【作者单位】南华大学电气学院;南华大学电气学院
【正文语种】中文
【相关文献】
1.基于PSO算法改进BP神经网络的氟金云母点磨削工艺参数优化 [J], 马廉洁;陈杰;巩亚东;王佳
2.基于改进BP神经网络的电加热炉炉温PID控制研究 [J], 黄浩强
3.联合收获机惯性分离室工艺参数优化--基于改进BP神经网络 [J], 孙栩;王福林;文士发
4.基于改进BP神经网络的无线电能传输系统接收线圈参数优化 [J], 闻枫;荆凡胜;李强;赵文翰;朱雪琼
5.基于改进BP神经网络的施工升降机平层控制系统研究 [J], 姬程飞;钱雪飞
因版权原因，仅展示原文概要，查看原文内容请购买。

文章编号:16732095X (2010)022*******BP 网络规则P ID 在电弧炉电极调节系统中的实现黄　亮,赵　辉(天津理工大学自动化学院,天津300384)摘　要:针对电弧炉电极调节系统,建立其数学模型.分析了电弧炉电极调节系统的非线性.在此基础上,针对控制对象的复杂性,将应用最广泛的P I D 控制器与具有自学习功能的神经网络相结合,提出了基于BP 神经网络规则的P I D 控制算法.B P 神经网络规则的P I D 控制算法改善了传统神经网络学习时间长、收敛速度慢的弱点,解决了传统的P I D 控制未知复杂系统的不足,M atlab6.5软件仿真结果表明,采用B P 神经网络规则的P I D 控制算法的控制效果还是令人满意的.关键词:电弧炉;非线性;BP 神经网络规则的P I D 控制算法;电极调节系统中图分类号:T P273 文献标识码:AIm p le m en t a ti on of BP networ k r ules P ID i n electr oder egu l a tor syste m of a r c furnaceHUAN G L iang,ZHAO Hui(School of Electrical Enginee ring ,Tianjin University of T echn ology,Tianjin 300384,China)Ab stra ct:Bu ild the dy na m ic m athem ati c s mode l of the e lectrode regulat or system of arc furnace .The nonlinea rity of the e 2l ec trode reg u l a t or syste m a re ana l yzed .Electr ocircuit ne t w ork are si m ulate the n onlinea rity of the ma i n e lectr ocircuit of arc furnace .M elting t he wide 2used P I D con troller and the aut omatic learni ng nerve net work,this pape r introduces a P I D control a l gorith m ba s ed on the B P net w o rk rules .The control is used t o handle the co mp lex system.The P I D neural net work i m 2p roves the traditiona l neura l ne t w ork whi ch ha s the weakne ss of long learning ti me and slo w converg ence .A ls o it s olve s the defic i encie s of unkno wn P I D control of t he traditi onal co mplex s ystem s .M a tlab 6.5s oft w are si m ulation re sults sho w tha t the control result aft e r opti m ized by the P I D control a lg orith m ba s ed on the B P ne t w ork rules control is satisfac t ory .Key wor ds:electrode arc furnace;nonli nearity;BP neural net work ru l e s P I D con trol algorith m;e lec trode regulat o r system of arc furnace 电弧炉电极调节系统是一个多变量、非线性、强耦合的时变系统,随机干扰十分严重.在电弧炉的实际工作过程中,电极位置与电极电流的关系为显著的非线性关系.由于炉温变化的影响,电极电流的变化是极其不规则的,有时波动频率和波动幅度会很大.因此电弧炉炼钢过程中随机干扰严重、三相耦合、参数时变,P I D 控制的稳定性及控制精度往往得不到保证,使得电极工作不易稳定,造成耗电量增加、效率下降、地区电网电压波动.近年来,针对电弧炉系统的特点,提出了神经网络的方法,模糊P I D 的方法,还有人将工业计算机网络应用于电弧炉系统.但这些控制方案在实际中的应用都不太理想[1].在复杂的控制系统中,神经网络具有任意非线性表示能力,可以通过对系统性能的学习,对P I D 控制算法中的K P ,K I ,K D 3个参数进行非线性组合,实现神经网络自适应控制器.为了使该控制器具有更强的自适应能力,采用BP 神经网络规则预测模型对控制对象进行非线性预测,得到控制对象较为精确收稿日期22基金项目国家高技术研究发展计划(63计划)();天津市自然科学基金(Z D 6、Z D 3)第一作者黄　亮(—　),男,硕士研究生通讯作者赵　辉(63—　),男,教授,博士,硕士生导师第26卷　第2期2010年4月天　津　理　工　大　学　学　报JO URNA L O F T IANJ IN UNIVER S IT Y O F TEC HNOLO GY Vol .26No .2Apr .2010:20091214.:82007AA04140108JC JC180009JC JC2900.:1981.:19.的预测输出值,根据预测值对神经网络的加权系数进行修正.最后运用计算机可以根据控制系统的实际响应情况,运用B P 神经网络规则P I D 算法,即可实现对P I D 参数的最佳调整,可以实现电弧炉的神经网络P I D 控制[2].1　电弧炉电极调节系统的数学模型电弧炉电极调节系统由电弧电流和电压的测量回路、调节器、功率放大环节、电动机和传动机械组成,通常引入速度反馈环节使系统稳定运行.电弧的电压和电流信号经过它们的测量回路,分别转换成直流电压信号并与给定输入进行比较.它们的差值信号通过调节器进入触发回路来控制晶闸管整流电压,由这个电压控制的直流或交流电动机来带动机械传动机构,使电极上下移动来调节电弧长度,维持电弧电流和电压在某一个设定值上.从工程应用的角度,把电弧炉主电路视为将电弧弧长映射为电弧电流的非线性静态环节.即I =f (L )(1)式中　I 是电弧电流的有效值,L 是电弧弧长.这样,电弧炉电极调节系统就可以简化为一个线性动态系统和一个非线性静态环节的串联组合.采用分段线性化的方法对该非线性环节进行线性化,设f(L )可以用N 段分段线性函数来近似,即I =f (L )≈I m 0-K m L (L m ≤L <L m +1)(2)在(2)式中I m 0、K m >0.对于每一个分段,都可以得到电弧炉电极调节系统相应的一个线性传递函数.这样就可以用若干个传递函数的序列逼近电弧炉电极调节系统的非线性传递算子.在对电弧炉调节器系统作进一步的化简之后,可得系统的框图如图1所示.图中,T J D 为交流电动机的机电时间常数,K KZ 为晶闸管主电路的放大系数,K CF 为测速发电机放大系数,K S 为机械传动装置的比例系数,K JD 为交流力矩电动机的放大系数.其中忽略了电动机的电磁时间常数[1～2].图　电弧炉电极调节系统方框图F T y ff 2　基于BP 网络规则P I D 控制2.1　传统BP 神经网络P I D 控制简介传统B P 神经网络具有逼近任意非线性函数的能力,通过神经网络自身的学习,可以找到某一最优控制规律下的P 、I 、D 参数.基于B P 神经网络的P I D控制系统结构中的控制器由传统的P I D 控制器、神经网络组成图见图2.图2　BP 神经网络的P I D 控制系统结构方框图F i g .2　BP n eur a l ne twor k P I D con tr olsystem str uctur e d i a gr am2.2　规则P I D 控制B P 网络自身因具有不易收敛到全局最小点,收敛速度慢等缺点,即使复合了传统B P 神经网络的P I D 控制,若要在一个较大变化的范围内得到稳定而快速系统响应特性也比较困难.并且当被控系统具有高阶次、时变特性、非线性以及受到随机干扰等因素影响时,传统P I D 控制器就无法达到良好的控制效果了.为了消除由P I D 参数调整不当所引起的系统不停的振荡的现象,应需要对P I D 算法做更进一步的改进.对于工业上许多综合性的问题,可以采用专家系统,专家系统可以作出准确的描述和严格的分析与预测,并找出解决问题的方法,另外专家系统还可以处理带有某些误差或不完善的一类数据.该算法可以表示成以下控制规则,这些简单的专家控制规则是根据当前偏差△e (k )及其变化率△e (k )的大小来决定是否需修改积分时间、修改方式以及比例系数.产生式规则如下规则1):若|△e (k )|<门限1,|e (k )|<门限0,则u (k )=u (k -l ).规则2):假如输出值y (t )趋向设定值,则(1)假如趋向速度高,则采用P I D 1控制器;(2)假如趋向速度中,则采用P I D 2控制器;(3)假如趋向速度低,则采用I D 3控制器规则3)假如输出值y ()离开设定值,则()假如趋向速度高,则采用I D 控制器;152010年4月 黄　亮,等:BP 网络规则P I D 在电弧炉电极调节系统中的实现1i g .1h e e l ec tr od e r egu l a tor s stem o a r c ur na ce d i a gr amP .:t 1P 4(2)假如趋向速度中,则采用P I D 5控制器;(3)假如趋向速度低,则采用P I D 6控制器.以上3条准则中的P I D 1～P I D 6为P I D 参数各不同的P I D 控制器[3～4].2.3　基于BP 网络规则P I D 控制的电弧炉电极调节系统计算机仿真 设B P 神经网络是一个3层的网络结构,其结构如图3所示,有3个输入层节点、5个隐含层节点、3个输出层接点.输入层节点对应所选的系统运行状图3　P I D 控制器神经网络结构图F ig .3　P I D con tr oll er neura l n etwor k str uc tur e d i agram态量(输出层节点对应K P ,K 1,K D 3个可调参数.这3个参数都是非负数,所以输出层神经元的特性函数取非负S 型函数,而隐含层神经元的特性函数取正负对称的S 型函数.输入、输出误差e (k )、P I D 部分的输出u (k )、经过控制对象后的输出量y (k )).根据实际经验,B P 网络的惯性系数α=0.05,学习速率η=0.25,期望误差e =0.001.利用MATLAB 语言神经网络工具箱的函数,建立一个前馈的B P 神经网络模型.为了提高实际系统的控制速率,加快网络的学习速度,本文采用的是Levenbe r 2Marqua r dt 训练算法.根据BP 网络规则P I D 准则结合电弧炉电极调节系统的实际,设计规则PI D 控制器的知识库[425],并运用MAT LAB /Si mulink 软件对闭环控制系统进行仿真,结构框图如图4所示,利用工厂实测数据进行电弧炉电极调节系统B P 神经网络规则P I D 控制控制器的仿真.图4　电弧炉电极调节系统仿真模型F i g .4　Electrode r egula tor s ystem of a r c furna ce si m u l a t i on str uc tur e m odel 由经验法可以确定电弧炉系统的单相电弧弧长与电流的关系曲线类似于一条反比例函数曲线,所以可用下式代替主电路部分[5]:主电路部分f (u)=2.51.25u +0.5放大环节G ()=30.4933+电机模型G ()=55+5+整流环节G (s )=10.5s +1减速机G (s )=0.038s其中P I D 子系统结构[6]见图5.以上的仿真结果表明,结果见图6,与传统B P 神经网络P I D 控制比较,只要改变B 神经网络规则I D 控制的控制器的参数,就能得到较满意的阶跃响应曲线和各项动态特征参数,从而提高其仿真效率对于电弧炉这样的25 天　津　理　工　大　学　学　报 第26卷　第2期s 0.00s 1s 2.40.00042s 20.172s 1P P .复杂系统,B P 神经网络规则P I D 控制的效果还是令人满意的.图5　P I D 控制子系统结构图F i g .5　P I D con tr ol subsystem S tr uctur e d i a gram图6　系统阶跃响应曲线F ig .6　Syste m of step r espon s e cur ve3　结束语本文研究了将BP 神经网络规则P I D 控制引入三相电弧炉电极调节系统中,应用了B P 神经网络规则P I D 在三相电弧炉电极调节系统中建立数学模型的方法,研究结果证明B P 神经网络规则P I D 控制是研究三相电弧炉电极调节系统的一个有效方法.该控制算法能较快地进行在线学习,实验结果表明,采用BP 神经网络规则P I D 控制器对系统施行控制策略可得到很好的控制效果,且效果优于B P 神经网络P I D 控制器[7～8].因此,B P 神经网络规则P I D 控制在三相电弧炉电极调节系统中具有很大的发展潜力.参　考　文　献:[1]　沈文轩,陈剑洪.B P 神经网络用于三相电弧炉弧流控制[J ].自动化与仪器仪表,2000,6(1):62266.[2]　蒯　熔,刘小河.电弧炉电极调节系统的模糊-P I D 控制研究[J ].机床与液压,2008,2(1):12216.[3]　飞思科科技产品研发中心.神经网络理论与MAT LAB7实现[M ].北京:电子工业出版社,2005.[4]　葛哲学,孙志强.神经网络理论与MAT LAB R2007实现[M ].北京:电子工业出版社,2007.[5]　刘　平.三相交流电弧炉智能电极调节器的研究[D ].贵州:贵州大学,2004.[6]　张　好.基于知识的模糊神经网络P I D 控制器的研究[D ].哈尔滨:哈尔滨理工大学,2006.[7]　刘益民,李变侠.基于改进B P 神经网络的P I D 控制方法的研究[D ].北京:中国科学院研究生院,2007.[8]　刘　迪,赵建华.基于神经网络的P I D 控制算法[D ].黑龙江:黑龙江大学,2008.352010年4月 黄　亮,等:BP 网络规则P I D 在电弧炉电极调节系统中的实现。

基于遗传算法改进的BP神经网络加热炉控制系统参数优化本文采用遗传算法改进BP神经网络实现了加热炉控制参数的优化，进一步提高了加热炉的热控制精度和稳定性。

论文的第一部分介绍了加热炉控制系统的基本原理和目标：实现对炉内温度的控制，以达到最佳的生产效果。

同时，本文介绍了BP神经网络的基本原理和遗传算法的基本思路，以此作为后续实验的理论基础。

在第二部分中，本文详细介绍了实现算法的过程。

首先，我们建立了一个基础的BP神经网络模型，并对其进行了训练和优化。

通过数据的反复测试和实验，我们发现这个模型的预测精度和稳定性存在一定的问题，因此需要进一步优化。

接下来，本文采用遗传算法来对BP神经网络的参数进行调节。

我们将网络的参数抽象成“染色体”的形式，通过不断地迭代、进化和选择，找到最优的参数组合。

在实验中，我们设定了适应度函数、交叉概率、变异概率等参数，以获得最佳的实验结果。

最终，通过遗传算法的改进，BP神经网络的预测精度和稳定性得到了大幅提升。

论文的第三部分展示了实验的结果和分析。

我们将实验数据以图表的形式展示，并结合。

图表分析，对实验结果进行了详细的解释和说明。

通过统计分析和对比，我们发现：经过遗传算法的改进，BP神经网络的热控制精度和稳定性得到了显著的提升，其中最高的精度提升达到了50%以上。

这表明，该方法可以在实际应用中发挥出良好的效果，并对提高加热炉的生产效率和控制质量有着积极的推动作用。

最后，在结论部分，本文对实验结果做了总结和讨论，并对未来工作的方向提出了展望。

我们相信，该方法在未来的应用中仍有很大的潜力和挑战，期待更多的研究者投入到这个领域来，一起推动控制技术的发展和进步。

模糊BP神经网络控制在水泥分解炉温度控制系统中的应用水泥烧成系统中分解炉温度的控制是一个典型的多变量、大迟滞、强耦合、非线性的复杂控制对象，很难建立起非常精确的数学控制模型，常规的控制算法几乎都无法取得满意的控制效果。

针对这一问题，文章先分析确定了影响分解炉温度的常量，采用神经网络算法构建预测模型，然后经模糊控制器得到喷煤量并调节这一常量来稳定分解炉内部温度。

经现场实际应用结果表明此温度控制系统响应速度快，实际控制温度与正常值误差较小，具有良好的鲁棒性、可靠性。

标签：分解炉；温度控制；神经网络；预测控制；模糊控制引言随着国内外房地产行业的蓬勃发展和建材行业的加速转型，水泥产业目前正处于产品结构和技术创新调整的重要时期。

，采用预分解技术的新型干法水泥生产工艺及优化控制策略已经成为我国水泥产业的发展趋势。

分解炉是预分解技术的核心模块，承担了预分解系统中煤粉燃烧、气固换热以及碳酸盐的分解等任务，保持炉温的稳定对于保持整个预分解系统的热力分布和热工制度的稳定至关重要。

但分解炉的控制具有非线性、大滞后性、强耦合性等特点，这决定了该系统的控制将会非常复杂。

针对以上问题，根据预测控制具有很强的鲁棒性，不依赖具体数学模型和在线滚动优化的特点，文章采用基于神经网络建模的预测控制并结合模糊控制方法，提出了一种可应用于新型水泥干法烧成系统分解炉温度控制的算法。

1 水泥分解炉工作原理和影响因素分解炉作为水泥烧成系统的第一个环节，其温度的控制对整个烧成系统起到了至关重要的作用，温度过高或过低，都会对系统产生很大的影响甚至停止运行，对生产公司的产销早成很大的影响。

二次风风温、三次风风温、煤粉的成分、预热后生料入炉前的温度、生料的成分以及分解炉自身散热等等都会影响分解炉温度。

在影响分解炉温度的众多因素中，通过对分解炉结构的分析和实际操作人员经验的总结，我们得出影响分解炉参数时变的主要因素有三个，煤粉流量、三次风量和生料流量。

基于遗传算法改进的BP神经网络加热炉控制系统参数优化摘要以加热炉控制系统为研究对象，提出了一种基于遗传算法改进的BP网络优化PID控制参数方法，并与经典的临界比例度―Ziegler-Nichols方法进行比较。

仿真结果表明该算法具有较好的控制效果。

关键词 PID控制；BP神经网络；遗传算法；参数优化1 引言由于常规PID控制具有鲁棒性好，结构简单等优点，在工业控制中得到了广泛的应用。

PID控制的基本思想是将P（偏差的比例），I（偏差的积分）和 D （偏差的微分）进线性组合构成控制器，对被控对象进行控制。

所以系统控制的优劣取决于这三个参数。

但是常规PID控制参数往往不能进行在线调整，难以适应对象的变化，另外对高阶或者多变量的强耦合过程，由于整定条件的限制，以及对象的动态特性随着环境等的变化而变化，PID参数也很难达到最优的状态。

神经网络具有自组织、自学习等优点，提出了利用BP神经网络的学习方法，对控制器参数进行在线调整，以满足控制要求。

由于BP神经网络学习过程较慢，可能导致局部极小点[2]。

本文提出了改进的BP算法，将遗传算法和BP算法结合对网络阈值和权值进行优化，避免权值和阈值陷入局部极小点。

2 加热炉的PID控制加热炉控制系统如图1所示，控制规律常采用PID控制规律。

图1 加热炉控制系统简图若加热炉具有的数学模型为：则PID控制过程箭图可以用图2表示。

其中，采用经典参数整定方法――临界比例度对上述闭环系统进行参数整定，确定PID控制器中 K p=2.259， K i=0.869， K d=0.276。

参考输入为单位阶跃信号，仿真曲线如图3所示。

图2 PID控制系统图3 Z―N整定的控制曲线仿真曲线表明，通过Z―N方法整定的参数控制效果不佳，加上PID参数不易实现在线调整，所以该方法不宜用于加热炉的在线控制。

3 基于遗传算法改进的BP神经网络PID控制器参数优化整定对于加热炉控制系统设计的神经网络自整定PID控制，它不依赖对象的模型知识，在网络结构确定之后，其控制功能能否达到要求完全取决于学习算法。

基于改进BP方法的精炼炉电压和电流软测量建模张艳芬;肖东【摘要】在精炼过程中,精确地测量电弧电流和电弧电压对提高调节器性能、生产优质钢和提高冶炼效率有着重要的理论和实践意义.首先建立基于BP神经网络的电弧电流及电压软测量模型,然后针对BP神经网络收敛速度慢、易陷入局部极小值点的缺点,对模型进行改进,提出基于遗传算法的BP神经网络软测量模型.在MATLAB 仿真平台中对建立的两个模型进行仿真比较,结果表明基于遗传算法的BP神经网络软测量模型在收敛速度、泛化能力等方面都要明显优于单一的基于BP神经网络建立的测量模型.【期刊名称】《黑龙江工程学院学报（自然科学版）》【年(卷),期】2014(028)001【总页数】4页(P54-57)【关键词】精炼炉;BP;软测量;建模【作者】张艳芬;肖东【作者单位】营口职业技术学院,辽宁营口115000;东北大学信息科学与工程学院,辽宁沈阳110004【正文语种】中文【中图分类】TP273钢包精炼方法是把转炉、平炉或者电弧炉中初炼的钢水移到钢包中进行精炼，并加入脱氧剂、合金料，进行脱氧、脱硫、均匀合金成分，是一种以电弧加热、氩气搅拌和渣精炼为核心的钢包精炼生产技术[1]。

精炼炉控制系统中最重要的部分是电极调节系统。

目前常用的电极调节方法主要有恒电流调节策略、恒阻抗调节策略和恒功率调节策略，其中恒阻抗控制在技术上是最先进的，它适合于任何形式的炉子主回路，在一切情况下，都能保证调节过程的高度自动程度[2-3]。

但采用恒阻抗控制策略控制电极，需要实时检测电弧电压和电弧电流作为控制器的输入，检测环节的精度和灵敏度是决定电极调节器性能好坏的重要因素。

电弧电流和电弧电压是变压器二次侧的输出电流和输出电压，是高电流低电压[4]。

电弧电流通常为数万安培，直接测量误差较大。

为了解决测量环节不能准确反映实际电弧电流值的现状，很多研究人员进行了相关的研究工作。

一些学者提出了一种测量电炉变压器二次侧电流的方法，该方法利用电流互感器和连续式触点盘从一次侧直接测量电炉变压器二次侧电流[5-6]。

基于改进的神经网络模型的高炉炼铁预测控制摘要高炉炼铁是钢铁工业的重要组成成分，高炉炉温控制是实际生产中的重要程序，建立可以进行炉温控制的炉温预报模型对实际生产具有重要意义。

本文用铁水含硅量代表高炉炉温，通过建立多个模型并优化，对高炉炼铁铁水含硅量进行了动态预测。

针对问题一，要求建立一步和二步[Si]预测动态数学模型，首先对附件给出的数据进行预处理，修正了异常值。

通过查阅文献得知喷煤量PML和鼓风量FL与铁水含硅量[Si]之间的关系具有滞后性，因而首先建立灰色关联度模型，得出喷煤量PML和鼓风量FL与铁水含硅量[Si]之间的关系皆相差6个炉次即12个小时。

然后建立RBF神经网络模型，选取连续的m个样本学习对后一个样本进行一步预测；在二步预测过程中，以步长为二选取m 个样本对之后第二个样本进行预测。

针对问题二，要求验证问题一建立的模型的预测成功率，自主选取数据编写MATLAB 程序对问题一建立的RBF神经网络模型进行求解。

分别得到各40组的一步预测和两步预测预测值，将预测值与真实值进行比较计算，得到一步预测和二步预测模型的预测数值成功率分别为84.36%和83.04%。

再将铁水含硅量实际升降方向与预测方向比较计算得到一步预测和二步预测的预测方向成功率分别为81.58%和73.68%。

本次建立的RBF神经网络模型验证结果较为良好，可用于高炉炼铁铁水硅含量的动态预测。

针对问题三，要求建立质量指标[S]的优化数学模型，并且讨论优化后的[Si]预测控制的预期效果。

在RBF模型的基础上，建立粒子群模型对质量指标参数[S]进行优化，从而得到满足期望[S]参数。

基于优化后的数据，选取样本编写MATLAB程序对RBF神经网络模型进行求解，将得到的数据与真实值进行比较计算，得到优化后的预测数值成功率达到99.04%，效果较好。

证明经过优化后的质量指标对于[Si]的准确预测控制更加准确。

本文建立多个模型并对预测模型进行优化，得到了合理且准确率高的铁水硅含量预测模型，并且对模型的优缺点进行了合理的评价，对控制高炉炼铁炉温操作具有十分重要的参考价值。

BP神经网络模糊控制在电弧炉电极调节系统中的实现
黄亮;赵辉
【期刊名称】《电气自动化》
【年(卷),期】2010(32)3
【摘要】针对电弧炉电极调节系统,建立其数学模型.分析了电弧炉电极调节系统的非线性,并针对控制对象的复杂性,将具有自学习功能的BP神经网络与模糊控制相结合,提出了基于BP神经网络模糊控制的控制算法.BP神经网络模糊控制的控制算法改善了传统神经网络学习时间长、收敛速度慢的弱点,解决了传统控制未知复杂系统的不足,Matlab6.5软件仿真结果表明,采用BP神经网络模糊控制的控制算法的控制效果是令人满意的.
【总页数】3页(P18-20)
【作者】黄亮;赵辉
【作者单位】天津理工大学自动化学院,天津,300384;天津理工大学自动化学院,天津,300384
【正文语种】中文
【中图分类】TP273
【相关文献】
1.电弧炉电极调节系统的模糊解耦控制器 [J], 鲁军;霍金彪;张广跃
2.基于西门子PLC的模糊控制在电弧炉电极调节中的应用 [J], 刘文远;毛一之;杨子亮
3.模糊控制在电弧炉调节系统中的应用 [J], 刘伟
4.电弧炉电极调节系统模糊自适应PID控制器设计 [J], 鲁军;李亮
5.BP网络规则PID在电弧炉电极调节系统中的实现 [J], 黄亮;赵辉
因版权原因，仅展示原文概要，查看原文内容请购买。

神经网络建模应用于燃烧炉温度控制系统优化在工业生产中，燃烧炉是一种必不可少的加热设备。

其温度控制系统对于炉内物料的加热、热处理等加工工艺有着至关重要的影响。

传统的温度控制方法通常根据炉温变化与时间的关系进行分段控制，但由于炉温受到多种影响因素的综合影响，如环境温度、燃料质量、炉内物料质量、进料速度和导热介质等，传统控制方法往往存在效果不如人意的问题。

针对这一问题，神经网络技术应运而生，并逐渐应用于燃烧炉温度控制系统的优化。

一、神经网络技术介绍神经网络技术是一种模拟人脑结构、能够进行人工智能学习的一种计算机系统。

它的本质是一种复杂的数学模型，由需求方（输入层）、处理层和预测方（输出层）构成，每一层之间都有大量的节点进行信息交互。

当系统接受到数据之后，处理层的节点会按照一定的规则进行计算，最终输出相应的结果。

与传统模型不同的是，神经网络可以通过不断地学习来优化自身的预测能力。

二、神经网络在燃烧炉温度控制的应用神经网络在工业自动化控制中的广泛应用，主要有以下几个优势：1. 对于非线性系统的建模效果极佳神经网络可以通过相对简单的构架对非线性系统进行建模，能够精确地预测出下一个时间段的系统变化情况，并给出相应的控制策略。

在燃烧炉温度控制的场景中，炉温受到多种影响因素的综合作用，使其变得复杂难以处理。

神经网络能够利用其高度的泛化能力对这类非线性系统进行建模，并能够在长时间跨度内有效地控制炉温。

2. 良好的自适应能力神经网络可以通过不断地与环境互动来自我学习，因此它具有良好的自适应能力。

在燃烧炉温度控制系统中，由于环境因素的影响，炉温变化是非常快速的，有时只有几秒钟的时间。

神经网络在与环境不断互动的过程中，能够快速反应、自我调整，对环境的变化做出极佳的响应。

3. 能够处理大量的数据和信息神经网络的处理能力非常强大，能够同时处理大量的数据和信息。

在燃烧炉温度控制系统中，由于需要考虑多种因素的影响，因此需要大量的数据来进行计算。

基于免疫算法的BP神经网络锅炉燃烧系统动态建模摘要：随着工业技术的不断发展，智能化与数字化的时代已经来临。

BP神经网络与免疫遗传算法等生物进化数学已逐步应用于自动化控制系统中。

针对多目标的燃煤火电机组，煤耗直接反应着燃烧水平。

影响煤耗的因素包括锅炉、汽轮机和发电机等设备的结构以及各设备在运行中的实际操作因素等。

其中主要的因素是锅炉的运行参数偏离了此时锅炉所需要的最佳运行工况，使得锅炉效率下降。

燃烧优化技术即根据锅炉对应的燃烧煤种和运行负荷，通过调整锅炉燃料供给和调整锅炉炉膛内部的配风方式等手段，保证吹入炉膛的煤粉能够及时完成热量补给以及连续地燃烧，获得对应最佳燃烧工况下的燃烧方式，以提高锅炉效率，降低发电煤耗。

研究锅炉的燃烧优化问题，通过动态建模及免疫算法择优分析燃烧，有着很大实际意义和工程应用价值。

关键词：免疫遗传算法；动态建模；BP神经网络；燃烧优化；最佳运行工况； 0前言燃煤火电机组是中国电力供应体系的主体。

我国的总装机容量位于世界前列，每年都有1/4的煤炭用于发电，然而相比于发达国家，我国的发电煤耗还比较高，因此在当前国家能源供应十分紧张的情况下，提高机组的锅炉燃烧水平具有十分重要的意义。

锅炉燃烧存在一定的煤种适应范围，但是我国煤种复杂多变，加上设备改造、大范围的变负荷运行、设备老化等情况，使得现实中的机组长期没有在最优工况下运行。

锅炉燃烧是一个复杂的能量转换过程，单纯地通过某一设备改造或者控制逻辑的优化并不能实现整个燃烧系统的优化，但随着大数据技术的广泛应用，数据被赋予了新的生命，通过对锅炉燃烧主要影响参数的建模，挖掘彼此之间的特性关系，分析并获取锅炉燃烧调整策略，可以在很大程度上指导运行人员操作，避免不必要的人为调整导致满足多项经济指标无法得到有效权衡。

目前，锅炉燃烧优化可以分解为两个阶段，一是运行指导阶段，顾名思义，因为建立的模型需要样本数据去验证，去在线不断学习挖掘，获取并修正现有的参数模型，从而保证了算法的准确。

专利名称：基于BP神经网络和遗传算法的高炉多目标优化控制算法
专利类型：发明专利
发明人：周恒,杨春节
申请号：CN201611269284.X
申请日：20161231
公开号：CN106681146A
公开日：
20170517
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于BP神经网络和遗传算法的高炉多目标优化控制算法，属于工业过程监控、建模和仿真领域。

首先，选取模型的输入输出变量，将鼓风动能、热风压力、热风温度、冷风流量、全塔压差、富氧率和煤比等7个状态变量设为输入变量，将铁水硫含量、二氧化碳排放量和焦比这3个目标参数设为输出变量；其次，建立BP神经网络，初始化后训练神经网络；然后，建立NSGA‑II多目标优化算法，将训练好的BP神经网络的预测输出当做NSGA‑II的适应度函数；最后，运用本发明提出的算法对目标变量进行优化，找出其Pareto最优和对应的控制变量的值，可提升高炉运行的效率。

申请人：浙江大学
地址：310058 浙江省杭州市西湖区余杭塘路866号
国籍：CN
代理机构：杭州求是专利事务所有限公司
代理人：林松海
更多信息请下载全文后查看。

Three-section Electric Cooker＇s Temperature Control System Basing on BP Nerve-meshwork＇s
PID Algorithm
作者： 舒展
作者机构： 九江职业大学信息工程学院,江西九江332000
出版物刊名： 九江职业技术学院学报
页码： 21-23页
年卷期： 2011年 第2期
主题词： BP神经网络 PID MATLAB GUI 炉温控制
摘要：三区电加热炉温度微机控制系统的控制软件系统基于MATLAB的GUI界面编制,并将基于BP神经网络参数自学习PID控制器具体应用到炉温控制系统中。

软件使用Mathworks公司的MATLAB 6.1的m语言编写,采用MATLAB的Instrument Control工具箱实现串行通信,通过利用MATLAB与其他外部程序的mex函数接口实现定时功能,并运用其M语言函数编写应用程序,完成计算、曲线绘制、数据储存、界面显示等复杂功能。