基于神经网络的电极调节内模控制

３ ｙｎ ｌ ｔｃ ｏ ｅ Ｃ ｍ ａ ｙＡｎ ａｇ Ｈ ’ａ ５ ０ ４ ． ａｇＥｅ ｒ ｗ ｒ ｏ ｐ ｎ， ｙ ｎ ， ｅｎｎ４ ５ ０ ） Ａｎ ｃ ｉＰ
Ａｂｓｒ ｃ Ｌａ ｅ ｕ ａ ｅ ｌ ｃｒ ｄ ｒ ｇ ａ ｉ ｎ ｙｓｅ ｔａ ｔ ｄｌ ｆ ｍ ｃ ｅｅ ｔｏ ｅ ｅ ｕｌｔｏ ｓ ｔ ｍ ｉ ａ Ｓ ｍｕ ｔ． ｒａ ｌ ，ｓｒ ｎ ｏ ｐｌ ，ａ ｄ ｌｉｖａ ｉｂ ｅ ｔｏ ｇ ｃ ｕ ｉ ｎｇ ｎ ｐ ｒ ｍｅｅ ｉ ． ｒ ｉ ｇ ｎ ｌｎ ａ ｙ ｔ ｍ，ｎｏ ｄ ｙｓ ｔ ｅ ｓ ｔｍ Ｓ ｏｆｅ ｏ ｒ ｌ ｄ ｂ Ｄ ｈ ｔｃ ｕｌ ａ ａ ｔ ｒｔｍｅ ｖａ ｙ ｎ ｏｎ ｉ ｅ ｒ ｓ ｓｅ ｗａ ａ ｈ ｙｓｅ ｉ ｔ ｎ ｃ ｎｔｏｌ ｖ ＰＩ ｔ ａ ｏ ｄ ｅ
ｈ ｒ ｌ ｃ ｉｖ ｄ ａ ｏ ｔｏ ｅｕｔ Ｂａ ｅ ｅ ｒ ｌ ｅｗｏｋ ｔｅｍｏ ｅ ｆ ｈ ｔｒ ａ ｄ ｌ ｏ ｔｏ（ＭＣ） ａｄｙ ａ ｈｅ ｅｉｅ ｌ ｎｒ ｌ ｓ ｌ． ｓｄｎ ｕ ａ ｔ ｒ ｈ ｄ ｌ ｅｉ ｅｎ ｌ ｃ ｒ ｎ ｏｔ ｎ ｍｏ ｅ ｎｒ ｌＩ ｃ
ｎｊ ∑ × ｅ ＝ ｆ ｔ ＋
１
Ｊ １，１ ＝，． ２ ２． ． ，
（） １
隐含 层神 经元节 点 函数为非对 称 型 Ｓｇ ｉ ｉｍｏｄ函
数
。 ）
经 元输入 函数 为
１
（ ２）
输 出层有 三个神 经元 （ ：１ ， ） 其 网络 的神 ｋ ，３， ２
ｎｋ ∑ × （ｔ ＋ ｋ ｌ， （） ｅ ： ｌｎｊ ｔ 厂 ｅ） ＝，３ ３ ２
钢包 精炼 炉是用 三相 电极产 生 电弧加 热钢液 ， 使 钢液 保持在 一定温 度 ， 以进 行相应 的精 炼反应 及 操作。 电极调节 器 的调 节条件 和调 节任务颇 为复 杂 ，
电极 系统视作一个广 义对 象 ， 采用 神经 网络对广 义对 象进 行辨识 。 在系统运行 中 ， 神经 网络辨识器 （ ＮＭ） Ｎ 实时在线从广义对 象的输入和输 出数据 去学 习、 训练
一
得数 据 。 一 ～ 部分用 来利用 网络 本身 的功 能找到输 出 、 输入 的 映射关 系 ，这也就 是 网络训 练 的第 一步 ，另 外 一部分 数据用 来模 型验证 。
在离线建立 了神经 网络 以后 ，我们可 以根据 取得 的权值和 阈值 ，作为对象模型进行在线学 习的初始权 值和阈值 ， Ｐ网络经过在线学习可以达到更好 的效果。 Ｂ
ｊｌ ＝
从 而突 出 了扰动量 ，使控制器 的设计变得较为容 易。 当模型 ＮＮ 与对象 匹配时 ，反馈误差 为零 ，这相当 Ｍ
于系统 开环 。 当模型 与对象 失配时 ， 即实 际电流与网 络 的输 出 电流不相 等时 ， 反馈 回去 的信 息 中， 在 除原
输 出层神经 元节 点 函数采取线 性 函数
技 术 与 应 用
基 于神经 网络 的 电极 调 节 内模 控制
郝全 田 李 嵩２ 高玉荣 ２ 王 鑫 。
（ ． 阳钢 铁股份 有 限公 司，河 南 安 阳 ４ ５ ０ ；２安 阳县 电业管理公 司，河南 安 阳 ４ ５ ０ ； １ 安 ５０４ ． ５ ００
３安 阳供 电公 司，河 南 安 阳 ． ４５０ ５ ０ ４）
图 ２ 神 经 网 络 辨 识 器 模 型
２１ 系统 的构成 ． 电极 调节 内模控 制 的结构如 图 ３所 示 ，广 义对 象 代表精 炼炉 的 电极调节 系统 ， 括液压 传动机 构 、 包 电弧部 分 以及检测 环节 等 。系统运 行 时，如 果系统 的 内部模 型 Ｎ ＮＭ 与被控对 象没有 模型 误差 ，则系 统 相 当于开环 控制 ，说 明 内部模 型准确逼 近对 象模 型 。这 时只要 逆模 型也准 确 ，系统 将实现对 象输 出 跟 踪指令 输入 。如 果 内部模 型 Ｎ ＮＭ 与被 控对象 存 在模 型误 差 ，则将 模型 失配 的信息和 扰动 量作 为反 馈 量 ，而 一 般 反馈系 统反馈 的是系 统 的输 出量 。 一 Ｊ
控 制含有大量不 确定 因素 或未知 因素 的非线性系统 。 即对 于一个非线 性系统 ， 定存在一个合适 的 Ｂ 一 Ｐ网
络 ， 用它可 以辨识 出对象 的模 型；并且在对象逆模 利 型存在 的情况 下 ， 能够 找到 个规模合 适 的 Ｂ 总 Ｐ网 络， 用它构造 出系统 的逆模 型， 这就 是神经 网络在 非 线 性系统控制 中的辨识 与控 制。
ｉ ｓａ ｌｓ ｄ，Ｓｉ ｕ ａ ｉ ｎ ｒ ｓ ｌｓｐ ｏ ｄ ｔ ａ ｈ Ｍ Ｃ ｅｈｏ ｎ ｅｅ ｔｏ ｅ ｕ ａ ｉ ｙ ｔ ｍ ｆｌ ｄ ｅ Ｓ ｅ ｔｈ ｉｈｅ ｍ ｌ ｔｏ ｅ ｕ ｔ ｒ ｖｅ ｈ ｔｔ ｅ Ｉ ｍ ｔ ｄ ｏ ｌｃｒ ｄ ｒ ｇ ｌｔｎｇ ｓ ｓｅ ｏ ａ ｌ ｆ ｍ ａ ｅ ｔａ ｋｉ ｇ ｓ ｔｉ ｇ ｃ ｒｅ ｔｇ ｏ ｄ ｓｕ ｂ ｎｃ Ｓｓｒ ｎ ｕ ｃ ｒ ｃ ｎ ｅｔｎ ｕ ｒ ｎ ｏ ｄ． ｉｔ ｒ ａ ｅ ｉ ｔｏ ｇ． Ｋｅ ｙ ｗｏｒ ： ｅ ｅ ｔｏ ｅｒ ｇ ｌｔｏ ｄｓ ｌ ｃｒ ｄ ｅ ｕ ａ ｉｎ： ＢＰ ｎ ｕ ａ ｅｗ ｏ ｋ ： ｉ ｔ ｒ ｌ ｏ ｅ ｏ ｔｏ ｅ ｒ １ｎ ｔ ｒ ｓ ｎ ｅｎａ ｄ ｌ ｎ ｒ ｌ ｍ ｃ
时刻控 制 器 的输 出、前一 时刻 电弧 电流值 ，三 个
状 态量共 ９个 参数作 为输入 ； 预估 电流值 作为 输 出。
Ｂ Ｐ网络 由一个输 入层 、一个 隐含层 、一 个输 出层组
成 三层 网络 结构 。隐含 层单 元数 的确 定没有 一个 明
确 的表达 式 ， 确定 时可 以参考 一些 定性结论 根据 ， 在
ｌ 基 于神经 网络 电极 调节对 象模 型建立
本研 究项 目将驱 动 电极升 降的液 压传 动系统 及
６ｌ 术 ｏ 年 １ ０电 技 ２１第 １ １ 期
技 术 与 应 用
任 意非线 性 映射 ，因采用 的 是全局 逼近 的方 法 ，故 有较 好 的泛化 能力 】 ；因此 ，在本 文 的控 制对 象 中， 选择 了 Ｂ Ｐ神 经 网络 来对 电极调 节对象 进行建 模 。 此 次动态 模型 参数选 取 ：控制 器 当前输 出 、前
由于引入 内部模 型 Ｎ ＮＭ，与一般 反馈控 制系统 相 比，反馈量 由原来的输 出量 反馈变为扰动量 反馈 ，
图 ２中各 变量含 义与 图 １ 量含 义相 同 。 变
隐含 层有 １ ２个 神经元 （ ＝１ ， ， ） 隐含层 各 Ｊ ， …１ ， ２ ２
神经元 的输入 函数 为
９
摘 要 精炼 炉 电极 调 节 系统是 一个 多变量 、强耦 合 、大滞 后 的非线性 系统 ，多年 以来 大多采 用传 统 ＰＤ 控 制方 式 ，控 制效果不 很理想 。本 文提 出一种基 于神 经 网络 的 电极 调节 内模 控 制方法 ， Ｉ
通过 仿真 证明 了精 炼炉 电极调 节系 统 内模 控 制跟踪 设定 电流 好 、抗扰 动能力 强。 关键 词： 电极 调节 ；Ｂ Ｐ神经 网络 ； 内模控 制
图 ３ 电极 调节 内模控 制系统框 图
２ 第１ 电 技 ０ 年 １ 号 贰ｌ １ １ 期 ６ １
技 术 与应 用
２ 精炼炉 电极 调节 内模控 制
Ｂ Ｐ神经 网络可 以完 成从一个空 间到另一个空 间
经 多次 实验 隐含 层单 元数确 定 为 １ 。 ２个 三相 电极 调
节 系统辨 识器 模型 如 图 ２所示 。
的非线性映射 ， 理论上 已经证 明 一 个三层 的前馈型 网 络 可 以实现任意 非线性 函数 的映射 。 内模控制系统 而 的实现 ，关键在 于寻找对象 的正 向模型和逆 向模型 。 由此 表明基于人 工神经 网络来 设计 内模控制器 ， 以 可
难 以描述 的非线性 映射 关系 ，而 网络离 线训 练 的 目
的就 是要 找 到 合适 的 网络 权值 和 以满 足 这
种 映射关 系 。对 于本 系统 的 Ｂ 网络训练 来说 ，首 Ｐ
先就要找到输入样本“（ ） “（ 一） （ １， Ⅳ 、 妒Ｎ １、 Ｎ－）
与输出样本 （ ） ｜ 的映射域， Ⅳ 这可以在现场实测取
自身 的权值和 阂值 ， 以实现对 广义对 象 的非线性 映 射 。同时 ， 根据 其记忆和 当前输入信号进一步预测 电
弧 电流将 出现 的变 化 ， 提前发 出控制信 号 ， 少或避 减 免炉况变化造成 的影响 。 电极调节对象建模 原理既神 经网络辨识器 的原理如 图 １ 所示 。
于工程实践 中，取得 了 良好 的效果 。 本研究项 目针对精炼过程的工艺参数和工艺过程， 对精炼炉三相电极控制系 统的高度非线性和难 以建立 精确数学模型的问题 ，运用人工智能一神经网络技术 ， 建立 了基于 Ｂ Ｐ神经网络 电极调节 内模控制方法 。
Ｉ ｔ ｒ ａ ｏ ｅ ｎ ｒ ｌ ｎ Ｅｌｃ ｒ ｄ ｇ ｌ ｔ ｒＢａ ｅ ｎ Ｎｅ ｒ ｔ ｋ ｎｅｎ ｌ Ｍ ｄｌ Ｃｏ ｔ ｏ ｅ ｔ ｏ ｅＲｅ ｕ ａ ｏ ｓ ｄ ｏ ｕ ｌ ｏ Ｎｅｗｏ
Ｈａ ｕ ｎｉｎ Ｌ Ｓ ｎ ２ Ｇ ｏＹｒｎ ２ Ｗ ｎ Ｘ ｎ ｏＱ ａ ｔ ｉ ｉ ｏｇ ａ ｕｏ ｇ ａ ａ ｇ ｉ３
采 用先 进 的控 制方 法来 控制 电极升 降成 为 了当前冶 金 科研 工作者们 研究 的热 点…。
神经元 网络 是一 门新兴 的交叉学科 ， 于对人脑 源 神经 系统 的模拟 。 它是大量 简单的处理单元 广泛连接 所 组成 的复杂 网络 ， 以模拟 人类大脑神 经网络结构 用 和行 为 。 内模 控制是一种基 于过程数学模 型进行控制 器设计 的新型控 制策略【，其设计 简单 、控制性 能好 ４ ］ 和 在系统分析 方而的优越性 ， 内模控制和 许多其它控 制方式 相 结合使 内模控 制不 断得 到改进 并广泛 应用
ｆ ｎ ｋ ＝ ｅ （ ｔ１ ｎ 外 ， 还包含模 型失配 的某些信 息 ， 从而有 利于控 制系统 的抗扰 设计 ，增 强了系统的鲁棒性 。 】
Ｂ 网络 的训练 条 件是 除 需提 供足 够 的输 入训 Ｐ
练 样本外 ，还 要有 合理 的与输 入样 本对 应 的输 出 目 标值 ，即输入 与输 出之 间客观 地存 在着用 解析 方法
图 １ 辨识器 原理 图
图 ｌ中的变 量含义如 下 ： ｚ为 电极控 制器 的输 ｆ
出量 ；ｉ 电弧 的 电流 ； ｉ 电弧 的预估 电流 ， 为 为 为 三相 （ ＝ Ａ、Ｂ、Ｃ） Ｎ 为时 间片 ｜，其上一 个时 ； Ⅳ
间片为 Ｎ一１ 下 一个 时间片 Ⅳ＋ ，以此类 推 ， “ ， １ 一 个 时间片 ”是指 电极控 制器的 一个周期 。 神经 网络种类 繁多 ， Ｐ网络 可 以在 任意希 望 的 Ｂ 精 度上 实现任 意 的连 续 函数 ，实现从输 入 到输 出的
（． ｙ ｎ ｏ １ Ａｎ ａ ｇＩ ｎ＆ Ｓｅｌ ｏ，ｔ， ｎ ａ ｇ Ｈｅｎ ｎ ５ ０ ４ ． ｙ ｎ ｘａ ｌ ｔｃＰ ｗｅ ｏ ａｙＡｎ ａｇ Ｈｅｎ ５ ０ ０ ｒ ｔｅ Ｃ ． ｄ Ａ ｙ ｎ ， ’ａ ５ ０ ；２Ａｎ ａ ｇ ｉ Ｅｅ ｒ ｏ ｒ ｍｐ ， ｙ ｎ ， ’ａ ４ ５ ０ ； Ｌ ４ ｎ ｃｉ Ｃ ｎ ｎ