焦爐立火道溫度的ANFIS建模與模糊控制的研究

袁 港 陶文華 李 天

(遼寧石油化工大學信息與控制工程學院1，遼寧 撫順 113001；遼寧石油化工大學自動化研究所2，遼寧 撫順 113001)

焦爐立火道溫度的ANFIS建模與模糊控制的研究

袁 港1陶文華2李 天1

(遼寧石油化工大學信息與控制工程學院1，遼寧 撫順 113001；遼寧石油化工大學自動化研究所2，遼寧 撫順 113001)

針對焦爐立火道溫度系統的復雜多變等特性，采用自適應神經模糊推理系統(ANFIS)方法中所具有的模糊經驗知識和神經網絡中的自學習功能等優點，解決焦爐溫度模型高耦合性、多變性和不確定性問題，進而建立ANFIS辨識模型。同時，在模糊控制器中引進遺傳優化算法,實時調整模糊隸屬度規則,以達到平穩、快速、準確的控制要求。Matlab仿真證明了該方案的可行性和有效性。所設計的方案將為以后焦爐立火道溫度的控制優化的研究提供理論性的指導。

焦爐 ANFIS 遺傳算法 模型建立 模糊控制 Matlab仿真

0 引言

模糊邏輯與神經網絡近些年發展較快，神經網絡雖然具有自學習功能，但不能很好地表達人腦的推理功能；模糊推理系統適用于表示模糊的經驗和知識，缺乏有效的學習機制。基于自適應神經模糊推理系統(adaptive neural fuzzy inference system,ANFIS)將兩者有機結合，取其優勢，去其劣勢[1]。將ANFIS理論應用于焦爐溫度控制系統當中，研究和設計一種新型智能控制器，可以在模型不確定的情況下，對焦爐溫度進行自動控制，并利用 Matlab仿真軟件進行仿真研究。

本文分為三大部分展開。第一部分，采用自適應神經模糊推理系統(ANFIS)建立焦爐立火道辨識模型。ANFIS具有模糊的經驗知識和神經網絡中自學習功能的優點，能更好地解決模型的多變性和不確定性。第二部分，在模糊控制的基礎上，引進遺傳算法，對模糊控制器的參數和模糊規則進行自適應調整。第三部分是仿真實現，與常規的控制方案進行對比，驗證該方案的可行性。

1 焦爐燃燒過程

焦爐是最復雜的冶金工業爐，包括多個燃燒室和多個炭化室，多個相間的結構交錯排列[2]。焦爐燃燒過程如圖1所示。

圖1 焦爐燃燒過程

首先,空氣與煤氣按照一定的比例混合，然后送入燃燒室中燃燒，通過爐墻向兩側的炭化室提供熱量;并對炭化室中的入爐煤進行高溫干餾，最終得到產品。燃燒過程中所釋放的廢氣會在蓄熱室中收集余熱，最后釋放出來，單次交換空氣、煤氣和廢氣流向所需的時間約為20 min[3]。圖1中所示燃燒室中，進入的箭頭代表煤氣和空氣混合，出去的箭頭代表廢氣的流向，炭化室中的箭頭代表煤氣的走向。國外研究焦爐控制開始于20世紀70年代后期，目前形成了供熱量前饋控制系統、爐溫反饋控制系統和前-反饋結合等幾類控制方式[5]。現在我國的焦爐控制系統在智能控制以及數學模型基本達到國外水平，并且在國內一些大型的焦爐煉化廠已經有了一定的實際應用[6]。

2 建立ANFIS辨識模型

查閱相關文獻及試驗測試證明，影響焦爐立火道溫度的因素主要是煤氣流量的變化、煤氣成分及溫度的變化、外界環境和大氣壓力等因素的變化等。其中煤氣流量是影響火道溫度的主因，外界環境會導致焦爐溫度和壓力制度的變化，使煙道吸力變化，引起燃燒煤氣的空氣噪聲系數變化，燃燒室的溫度也會產生波動[7]。本文以煤氣的流量為主要影響因子來建立焦爐的立火道溫度系統模型。

在焦爐生產過程中，焦爐裝置加熱的主要原料是高爐煤氣、焦爐煤氣或者是按照標準所要求的兩種煤氣的混合煤氣[8]。本文所研究的焦爐系統的燃料選擇為焦爐煤氣和高爐煤氣這兩種。其中，焦爐煤氣中含有的可燃物質比較多，所以在其燃燒過程中會釋放出較高的熱量，有助于燃料的充分燃燒。從經濟角度來講，焦爐煤氣的價格相對來說比較高，生產成本增加，還會因為熱量過高而對裝置有強烈的腐蝕性。高爐煤氣則恰恰相反，它燃燒時產生的熱值會低于焦爐煤氣，還會排放出大量的燃燒廢氣，雖然價格成本比較誘人，但當進入量過大時會影響產品的質量。據估算，相同的兩種煤氣所釋放的熱量的比值約為4∶1，從結焦程度上來看，相同時間內高爐煤氣所產生的結焦量是焦爐煤氣的5.2倍[9]。兩者的流量大小都會影響立火道溫度的變化。在運行過程中煤氣的投放量是不變的，當焦爐煤氣所占的比例較大時，立火道溫度顯著提升；相反則溫度會下降。在不同工況下，動態模擬焦爐立火道溫度曲線變化可以使輸入到輸出呈現一種動態的非線性映射：

Y(k+1)=Φ[Y(k),fg(k),fj(k)]=

Φ[F(k),Y(k)]

(1)

2.1 焦爐立火道溫度辨識算法

焦爐立火道溫度系統的ANFIS辨識模型結構如圖2所示。

圖2 焦爐立火道系統工作的ANFIS辨識模型

圖2主要包括ANFIS辨識模型、TDL多路時域延時環節和焦爐被控對象等。該算法所應用的神經網絡是RBF神經網絡，它具有以任意程度來精確地逼近任何一種線性或非線性函數的功能，同樣具有收斂速度快、誤差小、所需訓練樣本少等特征[10]。這使得ANFIS可應用到非線性系統辨識中。設模糊系統共有M條規則，即：

式中：l=1，2，3，…，M為規則序數；P為輸入量個數；F為模糊前件集合；G為模糊輸出集合。

典型的ANFIS模型一般存在五層節點：①隸屬度函數節點；②模糊規則前件節點；③歸一化節點；④模糊規則后件節點；⑤模糊系統的輸出節點[12]。當模型擁有n個輸入、1個輸出的M條規則時，ANFIS辨別模型結構如圖3所示。

圖3 ANFIS辨識模型結構

(2)

圖4 高斯函數模糊隸屬度

ANFIS模型輸出表達式為：

(3)

2.2 焦爐立火道溫度系統的ANFIS辨識

ANFIS辨識結果如圖5所示。

圖5 辨識結果

采用ANFIS辨識模型對焦爐的立火道溫度系統進行辨識，并通過調整相關的隸屬度參數，使得辨識器精確、快速地模擬出焦爐立火道溫度的動態響應，誤差大約不超過10 K。圖5給出了焦爐立火道在三種[fg(k)fj(k)]不同條件下的辨識結果。其中，曲線代表試驗數據，加號代表模型輸出，各曲線對應的[fg(k)fj(k)]參數值分別為：曲線1為[0.6 0.3 ]、曲線2為[0.3 0.8]、曲線3為[0.1 0.9]。

3 焦爐立火道溫度系統的ANFIS設計

3.1 溫度控制器的設計

焦爐溫度控制器的控制結構圖如圖6所示。

圖6 焦爐溫度控制器

ANFIS中的模糊集合的設定與單純的模糊控制設定方式相同[11]。在ANFIS系統中的模糊部分，系統的輸入為設定值溫度即目標火道溫度，其中模糊控制器的輸入為設定值與實際輸出值之差e和誤差變化量Δe，連帶著相應的量化因子ke和kc。在運行過程中，相應地按照比例因子ku的大小來使其適應辨識模型的相關要求。目標火道溫度為(1 220±20)℃，將所輸入的立火道溫度的論域定在[1 100 1 300]，溫度變化的誤差要求小于10 K。

在溫度高于目標溫度時，增加高爐煤氣的流量并且保證所進入的煤氣總流量保持不變。相反，當溫度低于所設定溫度一定數量時，需要相應的增加焦爐煤氣流量，以增加高爐煤氣。同時在溫度誤差調節方面，為滿足控制精度的要求，當溫度誤差變化大于10 K時，對所進入的煤氣流量進行微調，使系統穩定運行。

在模糊集合設定選取中分成七個語言等級，從負的最大到正的最大依次為：負大(NB)、負中(NM)、負小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PB)。基于RBF方法自適應模糊規則的建立要滿足以上要求。

為了達到自適應的要求，需要對隸屬函數(MF)參數和模糊規則進行綜合調整和更新。為此，引進遺傳算法來調節參數，達到隨著環境的不斷變化而產生適合當前狀態的模糊規則[11]。

3.2 控制算法的研究

本文中的自適應神經模糊控制器由基于Mamdani模糊推理的模糊控制系統與前饋RBF神經網絡相結合而成，模糊系統的過程是單值模糊化、規則庫(主要以高斯隸屬度函數為例)、乘積推理、解模糊(質心平均反模糊化)。但是在系統運行過程中，為達到最佳的參數要求，需要引入遺傳算法進行再次優化，以改變傳統的初始參數不變的情況，最終真正達到自適應的目的[12-13]。

該控制算法的步驟如下。

① 尋找相關參數(如量化因子、比例因子及隸屬度函數等)，并對編碼進行初始化，生成初始群體，隨機產生一個個體，形成種群X(t)={Xt1,…,Xti,…}。

② 計算適應值Fitnessf(Xti)，并對所產生的個體適應度進行相應的評價。

③ 調用模糊控制器，使其輸出Pc和Pm時判斷是否滿足終止條件。如果不滿足，則執行步驟④，否則轉步驟⑥。

④ 開始進入遺傳操作，依次對種群實施復制、交叉、變異等基本操作，并產生下一群體。

⑤ 再次對所產生的群體的適應值進行評價，計算出相應的規則度，同時執行操作步驟③。

⑥ 評價過后產生最佳的模糊規則。

⑦ 尋優結束并返回ANFIS操作。

由以上步驟可知，Pc和Pm是按照遺傳尋優的結果不斷變化的，可提高遺傳算法的收斂速度和尋優質量，最終得到想要的隨著工況不斷變化的最佳的模糊控制規則，這樣也達到了自適應的目的。

4 仿真試驗

基于以上設計部分的內容，運用Matlab數學仿真軟件對其進行實現。系統的對象模型采用第一部分所得出的焦爐立火道溫度系統的辨識模型，而控制器按照第二部分的ANFIS溫度模型來設計。控制器的輸入為焦爐溫度的設定溫度與上一個時刻輸出溫度的差值，溫度計算時間間隔為0.1 s。控制器輸出u為辨識模型的輸入。

在自適應環節中，模糊遺傳算法尋找最佳控制隸屬度與遺傳算法的迭代效果對比如圖7所示，實線代表純遺傳的迭代，虛線代表模糊遺傳迭代。

本文仿真是對PID控制算法、模糊控制算法與改進的控制算法進行比較，算法比較結果如圖8所示。從圖8可以看出，改進的方法能夠平穩、快速地控制焦爐溫度。因為該方法雖然犧牲了遺傳算法的迭代次數，但是能夠隨著焦爐生產過程中工況的變化而不斷更新最適應當前狀態的模糊隸屬度及其規則。因此該方法具有一定的優勢。

圖7 迭代效果對比

圖8 控制效果比較

5 結束語

本文首先采用自適應神經模糊推理系統(ANFIS)中所具有的模糊經驗知識和神經網絡中自學習功能的優點，建立焦爐立火道辨識模型。然后，引進遺傳算法對模糊控制器的參數和模糊規則進行自適應調整，以達到最佳控制狀態。最后，在Matlab數學軟件中進行相應的仿真實現。仿真結果證明該方案具有很好的控制效果，對后期的控制優化的研究提供了理論指導。

[1] 張志紅.基于ANFIS交通流實時預測及在MATLAB中的實現[J].重慶交通大學學報,2007,26(3):112-115.

[2] 葉鳳華,洪海波.基于廣義預測算法的焦爐立火道溫度控制系統[J].安徽工業大學學報：自然科學版,2010,27(2):191-194.

[3] 沈立春,林紅,鄧欣.自動語音提示系統在焦爐生產中的應用[J].測控技術,2012,31(9):141-143.

[4] 李貴君,何峰.焦爐燃燒火道溫度智能優化設定方法[J].可編程控制器與工廠自動化,2010(4):93-96.

[5] 李江寧,高憲文.焦爐火道溫度的多目標優化與控制方法研究[D].沈陽:東北大學,2011.

[6] 吳敏.基于多工況分析的焦爐加熱過程火道溫度模糊控制[J].中南大學學報：自然科學版,2008,39(1):155-161.

[7] 郭軍,寧芳青,韻金虎,等.焦爐立火道溫度變化規律的探討[J].燃料與化工,2012,43(4):19-21.

[8] 趙志杰,蔣國璋.焦爐立火道溫度的智能控制模型及仿真研究[D].武漢：武漢科技大學,2008.

[9] 何艷麗.焦爐火道溫度智能優化控制算法的研究與應用[D].長沙:中南大學,2006.

[10]Cao Zhengcai,Deng Jijie,Liu Min,et al.Bottleneck prediction method based on improved adaptive network-based fuzzy inference system(ANFIS) in semiconductor manufacturing system[J].Chinese Journal of Chemical Engineering,2012,20(6):1081-1088.

[11]戚志東.基于ANFIS的DMFC溫度建模和改進模糊控制[J].南京理工大學學報:自然科學版,2008,32(6):750-752.

[12]Li Tie.Temperature field analysis and adaptive neuro-fuzzy inference system for mg0 single crystal production[J].Journal of Wuhan University of Technology Mater,2012(27):1093-1095.

[13]馬永杰,云文霞.遺傳算法研究進展[J].計算機應用研究,2012,29(4):1201-1205.

ANFIS Modeling for Coke Oven Flame Path Temperature and Research on Fuzzy Control

In view of the complex and changeable characteristics of the vertical flame path in coke oven, by adopting the fuzzy experience knowledge in adaptive neural fuzzy inference system (ANFIS) and the self-learning function in neural network, the strong coupling, variability and uncertainty of the temperature model of coke oven can be solved, and then the ANFIS recognition model is established. In addition, the genetic optimization algorithm is introduced in fuzzy controller, to adjust the fuzzy membership rules in real time to achieve smooth, rapid and accurate control. The Matlab simulation proves that the scheme is feasible and effective. Finally the scheme designed will provide theoretical guidance for optimization research of coke oven vertical flame path temperature control.

Coke oven ANFIS Genetic algorithms Model-building Fuzzy control Matlab simulation

國家自然科學基金資助項目(編號：61203021)。

袁港(1990-)，男，現為遼寧石油化工大學控制理論與控制工程專業在讀碩士研究生；主要從事工業智能控制算法及優化的研究。

TP273

A

10.16086/j.cnki.issn1000-0380.201504020

修改稿收到日期：2014-09-19。