干熄焦提升機定位系統智能控制策略應用

陳冬玲 劉有冠

(1.柳州職業技術學院機電工程系，廣西 柳州 545006；2. 廣西柳州鋼鐵集團公司焦化廠，廣西 柳州 545006)

干法熄焦是目前國內焦化行業大力倡導的一項先進技術，提升機作為干熄焦系統的關鍵工藝設備，其穩定運行是干熄焦系統能夠生產質量穩定的焦炭和發電用蒸汽的首要條件[1]，目前提升機定位系統的正常運行完全依賴于定位檢測編碼器的數據。提升機電機的大電流特性使其控制通信網絡極易受到電磁干擾的影響，導致數據采集誤差大，甚至丟失數據，引起程序執行混亂，造成控制失常等嚴重后果。傳統硬件和軟件整改方法由于自身特點和生產環境的特殊性很難徹底杜絕電磁干擾的影響，而人工神經網絡具有自組織、自適應和自學習的功能[2]，并具有強大的非線性補償能力[3]，可以自動適應控制對象在運行過程中因擾動引起的參數或數學模型發生變化的情況，因此在解決工業控制中的電磁干擾方面具有巨大的潛力[4]。針對電磁干擾的復雜情況，筆者提出一種基于RBF神經網絡的實時在線辨識方法，構建了提升機系統軌跡數學模型，并引入相應的切換策略，使定位系統能夠在編碼器數據模型與神經網絡數學模型之間動態切換，從而實現提升軌跡的精準預測與控制。

1 提升機控制系統原理與提升過程①

提升機控制系統主要由定位檢測編碼器、全數字交流調速裝置6SE70及其整流回饋單元、冗余PLC及人機畫面HMI等單元組成。PLC控制系統和網絡通信示意圖如圖1所示。

圖1 PLC控制系統和網絡通信示意圖

提升機在整個運行過程中主要完成焦罐的提升、走行、下降和裝入動作。提升機的操作正常情況要求動作全部自動完成，并要保持一定的生產節奏。提升機在提升和走行運行過程中，采用分段速度控制的方法，既可以減小設備的沖擊，又可以保證定位的精度與設備的安全。提升過程中速度矢量由PLC根據提升機定位系統所提供的位置信號來確定，提升速度運行曲線如圖2所示。

圖2 提升速度運行曲線

2 雙模型智能控制系統

2.1 系統結構設計

雙模型智能控制系統中既有編碼器數據模型，也有RBF辨識器數學模型，分別對應于正常工況與電磁干擾工況，采用如圖3所示的雙模型切換控制設計方案。

圖3 基于雙模型切換的系統結構框圖

在正常工況下，提升機的調速信號由編碼器數據模型發出，并傳給提升機逆變器驅動提升機正常運作；同時，RBF辨識器根據位置辨識數據對提升機定位進行在線辨識訓練；而當出現電磁干擾擾亂定位編碼器數據的非正常工況下，提升機的調速信號則切換到由RBF辨識器模型發出，并傳給提升機逆變器驅動提升機正常運作，此時RBF辨識器則停止訓練。

2.2 基于RBF神經網絡辨識器設計

筆者以RBF神經網絡作為辨識器對提升機的定位進行系統辨識，辨識學習后的神經網絡輸出可以很好地逼近實際的編碼器數據模型輸出，因此當定位系統受到電磁干擾時，可以把神經網絡輸出近似看作實際的編碼器數據模型輸出[5]。將實際編碼器數據模型輸出與RBF神經網絡輸出之間的預測誤差用作神經網絡的訓練信號，RBF在線辨識器控制框圖如圖4所示。

圖4 RBF在線辨識器控制框圖

設X=[x1，x2，…，xn]T為網絡的輸入向量，H=[h1，h2，…，hs]為RBF的徑向基向量，徑向基函數采用高斯函數，即[6]：

(1)

式中bj——隱節點j的基寬帶參數，且均大于零；

Cj——第j個隱節點的中心矢量，Cj=[cj1，cj2，…，cji,…，cjs]T，j=1，2，…，s；

hj——第j個隱層節點的輸出；

X——n維輸入向量。

RBF神經網絡的輸出為隱層節點輸出的線性組合，即：

(2)

式中wj——輸入層第j個隱單元到輸出單元的權重；

θ——輸出單元閾值。

定義辨識網絡的性能指標J為：

(3)

式中y(k+1)——RBF神經網絡的輸出；

yout(k+1)——系統實際輸出。

根據梯度下降法修正網絡輸出權系數、隱節點中心和隱節點基寬帶參數[7]：

wj(k)=wj(k-1)+η[yout(k)-y(k)]hj+α[wj(k-1)-wj(k-2)]

(4)

(5)

(6)

其中，α為慣性系數，η為學習率，且α、η的值均在(0，1)上選取。

對象的輸出對控制輸入的靈敏度為[8]：

(7)

其中，x1=Δu(k)。

2.3 雙模型切換策略

正常工況時，編碼器數學模型根據定位編碼器的采樣數據，計算出來的提升機位置應是高度不超過初始位至走行位之間的真實高度H1，跨度不超過走行位至前進位之間的真實跨度L1，因此兩模型間的切換策略就以當前的提升機定位編碼器數據與速度矢量作為設計依據。當理論高度值大于H1或理論跨度值大于L1時，定位編碼器肯定存在電磁干擾，系統工作方式切換到RBF辨識器模型的控制方式；當理論高度值介于(0，H1)或理論跨度值介于(0，L1)時，如果速度矢量已經發出，而相對應的理論高度值或理論跨度值在較小的時段內沒有發生變化，則定位編碼器肯定存在故障，系統工作方式仍然切換到RBF辨識器模型的控制方式。

3 應用結果

雙模型切換控制策略具有較高的魯棒性和動態響應能力，可以實現精確定位。采用該控制策略對柳鋼焦化廠1#干熄焦提升機進行控制系統設計。在系統硬件搭建、軟件編程和人機畫面HMI設計完成后，首先對編碼器數據模型控制方式進行系統測試，再投入RBF辨識器模型進行自學習。設計RBF神經網絡辨識器時，由于提升機有高度和跨度兩個輸出值，因此輸出層的神經元節點為2；以時間為自變量，采樣周期為0.5s；通過實驗數據對比，最終確定隱含層神經元節點數為7，閾值取為0.215 6。根據上述算法設置，系統在離線訓練完成后就可以投入智能控制模式。

系統經過調試后其可靠性得到很大提高，提升機運行平穩，在定位編碼器受到強電磁干擾后，提升機依然能夠按照原有的軌跡正常運行。圖5

圖5 提升機一個運行周期的RBF神經 網絡辨識運行曲線

為提升機一個運行周期的RBF神經網絡辨識運行曲線，可以發現RBF神經網絡在線辨識器能夠很好地辨識提升機位置，表明該智能控制系統具有很好的控制效果和很強的魯棒性。

圖6給出了神經網絡辨識與實際數據之間的殘差，從圖6可以看出：RBF神經網絡辨識數據具有高精度的特性，滿足生產工藝需求。

圖6 神經網絡辨識與實際數據之間 的殘差數據曲線

4 結束語

針對干熄焦提升機的定位系統容易受到電磁干擾的特點，設計了基于RBF神經網絡的雙模型智能控制系統，有效避免各種類型的電磁干擾，使提升機能夠正常工作，既節約了投資成本，又突破了傳統的軟、硬件濾波法的限制。該系統在柳鋼焦化廠自2013年投入使用以來，運行穩定，有效保障了生產正常運行。

[1] 佘林林.干熄焦控制系統實現高效生產的優化措施[J].新疆鋼鐵，2010，(1)：25～28.

[2] 陳雅群，郭雷，張樹生，等.基于兩種神經網絡的管內沸騰汽液兩相流型識別[J].化工機械，2010，37(6)：763～766.

[3] 石純芳.基于神經網絡的高溫壓力管道渦流檢測信號的溫度補償研究[J].化工機械，2012，39(2):174～176.

[4] 勵紅英，李曉霞，楊海燕，等.自動化控制中曲線擬合的應用及研究[J].微計算機信息，2007,23(4)：58～59,75.

[5] 唐家德.基于MATLAB的非線性曲線擬合[J].計算機與現代化，2008，(6):15～19.

[6] 張世峰，童德華，薛紅宇，等.焦化鼓風機系統智能控制策略研究及應用[J].儀器儀表學報，2009，30(11)：2309～2315.

[7] 吳衛兵. 基于RBF在線辨識的神經網絡PID控制及其應用[J].冶金動力，2006，(4)：84～86.

[8] 夏長亮，李志強，王明超，等. 基于RBF神經網絡在線辨識的永磁無刷直流電機單神經元PID模型參考自適應控制[J].電工技術學報，2005，20(11)：65～69.