电弧炉电极调节器的优化研究与仿真

第２９卷第５期　文章编号：１００６—９３４８（２０１２）０５—０１９２—０４　计算机仿真　２０１２年５月　电弧炉电极调节器的优化研究与仿真　赵辉　，吴晓辰　，王红君　，岳有军　（１．天津农学院，天津３００３８４；２．天津理工大学天津市复杂控制理论与应用重点实验室，天津３００３８４）　摘要：研究电弧炉电极存在非线性与时变性难以调节的问题，针对目前电弧炉电极调节系统在干扰下容易产生振荡且实时　性差，造成电极反复调节浪费电能的现状。为解决上述问题，提出引入对角递归神经网络与ＰＩＤ控制相结合的ＤＲＮＮ—ＰＩＤ　控制器，解决了传统电极调节系统抗扰性与实时性差的问题。仿真结果表明：ＤＲＮＮ—ＰＩＤ控制器改善了传统电极控制器的　动态性能。提高了动态调节精度与实时性。为调节器设计优化提供了参考。　关键词：电弧炉；电极调节系统；神经网络；调节器　中图分类号：ＴＦ７４１．５　文献标识码：Ｂ　Ｅｌｅｃｔｒｏｄｅ　Ａｄｊｕｓｔｍｅｎｔ　ｏｆ　Ｅｌｅｃｔｒｉｃ　Ａｒｃ　Ｆｕｒｎａｃｅ　Ｂａｓｅｄ　ｏｎ　ＤＲＮＮ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ＰＩＤ　Ｃｏｎｔｒｏｌｌｅｒ　ＺＨＡＯ　Ｈｕｉ　，ＷＵ　Ｘｉａｏ－ｃｈｅｎ　，ＷＡＮＧ　Ｈｏｎｇ－ｊｕｎ　，ＹＵＥ　Ｙｏｕ－ｊｕｎ　（１．Ｔｉａｎｊｉｎ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ　３００３８４，Ｃｈｉｎａ；２．Ｔｉａｎｊｉｎ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｆｏｒ　Ｃｏｎｔｒｏｌ　Ｔｈｅｏｒｙ＆Ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　Ｃｏｍｐｌｉｃａｔｅｄ　Ｓｙｓｔｅｍ，Ｔｉａｎｊｉｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ　３００３８４，Ｃｈｉｎａ）　ＡＢＳＴＲＡＣＴ：Ｂｅｃａｕｓｅ　ｏｆ　ｔｈｅ　ｄｉｓｔｕｒｂａｎｃｅ，ｔｈｅ　ｅｌｅｃｔｒｏｄｅ　ｒｅｇｕｌａｔｏｒ　ｓｙｓｔｅｍ　ｏｆ　ａｌｅｃ　ｆｕｒｎａｃｅ　ｏｆｔｅｎ　ｐｒｏｄｕｃｅｓ　ｔｈｅ　ｏｓｃｉｌｌａｔｉｏｎ　ａｎｄ　ｈａｓ　ｂａｄ　ｒｅａｌ－ｔｉｍｅ，ｗｈｉｃｈ　ｃａｕｓｅｓ　ｔｈｅ　ｒｅｐｅａｔｅｄ　ａｄｊｕｓｔｍｅｎｔｓ　ａｎｄ　ｗａｓｔｅｓ　ｅｌｅｃｔｒｉｃｉｔｙ．Ｔｈｉｓ　ｐａｐｅｒ　ｉｎｔｒｏｄｕｃｅｄ　ａ　ｄｙｎａｍ—　ｉｃ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＰＩＤ　ｃｏｎｔｒｏｌｌｅｒ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ＤＲＮＮ．Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ＤＲＮＮ－ＰＩＤ　ｃｏｎｔｒｏｌｌｅｒ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ｄｙｎａｍｉｃ　ｐｅｒｆｏｒｍａｎｃｅ　ａｎｄ　ｄｙｎａｍｉｃ　ａｄｊｕｓｔｉｎｇ　ｐｒｅｃｉｓｉｏｎ　ｏｆ　ｔｒａｄｉｔｉｏｎａｌ　ｅｌｅｃｔｒｏｄｅ　ｃｏｎｔｒｏｌｌｅｒ，ａｎｄ　ｏｂｔａｉｎｓ　ｇｏｏｄ　ａｄｊｕｓｔｉｎｇ　ｒｅｓｕｌｔｓ．　ＫＥＹＷＯＲＤＳ：Ａｒｃ　ｆｕｒｎａｃｅ；Ｅｌｅｃｔｒｏｄｅ　ｒｅｇｕｌａｔｏｒ　ｓｙｓｔｅｍ　ｏｆ　ａｒｃ　ｆｕｒｎａｃｅ；Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｃｏｎｔｒｏｌｌｅｒ　１　引言　三相交流电弧炉通过电极和炉料间产生的高温电弧熔　节器．解决了原始前向神经网络调节器在电极频繁调节情况　下实时性差的缺点，提高了电极的调节效果。　炼废钢，冶炼出各种成分的钢材和合金，电极调节系统在电　弧炉工作中起关键作用。传统ＰＩＤ调节器在系统受到外界　干扰时．参数难以匹配容易产生振荡，造成三相电极反复调　２　电弧炉电极调节系统的解耦控制模型　电弧炉熔炼废钢是通过调节电极与熔料之间的距离使　电弧稳定，进而控制炉内温度。电极的高度调节通过支撑电　极的液压油缸实现。液压系统中根据比例阀输入的电信号　节．既增加损耗又降低电能利用率。通过对三相电极的电路　分析得出电极处于不平衡情况下重新恢复平衡所需要的调　节量，结合神经网络ＰＩＤ调节器，实现电极的优化调节，进而　使电极调节高效、稳定。目前大部分神经网络ＰＩＤ调节器实　的正负与大小调节液压油缸的移动方向与速度。这个电信　号就是电极调节器的输出，它决定了电极调节量的大小。　Ｉ　Ｒｉ　Ｘｌ　ｒｉ，　ｌ　时性抗扰性差，无法满足电极频繁调节时对精度与快速性的　要求。本文引人了ＤＲＮＮ动态神经网络，与ＰＩＤ控制器结合　实时调节ＰＩＤ参数，利用ＤＲＮＮ神经网络的结构简单且实时　性强，快速性与精度有很大提高的优势，对比传统ＢＰ—ＰＩＤ调　卜ｌ　＿＿＿亡＝卜一＿／、　，　－　Ｉ　图１电弧炉电极电路　图１为电弧炉电极等效电路，其中Ｒ；为电路的等效电　基金项目：天津市自然科学基金项目（０９ＪＣＺＤＪＣ２３９００，　阻：ｘ　为电路的等效阻抗；ｒ。为电路的等效电弧电阻，ｉ＝１，２，　３．表示三相电路。　当某一相的弧长变化即弧电阻变化时，其相电流的变化　为：　１０ＪＣＺＤＪＣ２３１００）：天津市科技支撑计划　（１０ＺＣＥＣＪＤ４３０８０）　收稿日期：２０１１—０５一ｌ９修回日期：２０１１—０７—２８　—１９２一　ａＲ　—０１—爿　ｚｒ　，　因为：　ＡＩｉ×ｒ。＋Ａｒ　×ｌｉ＝ＪＢ×△￡　（２）　△　＝　×△　（３）　△　×△。　×等　５　：丝　一ｒＯ　＿Ｌ　：Ｍ　△Ｌ　ｉ　△　＝　×　＝Ｚｌ×　（６）　＝　㈩　ＡＵ２１＝　Ｆ镬Ｉ　Ｚ１Ｍｌ　Ｚ１ＭＩ３１　ＡＬｔ　根据以上推导过程．在知道三相电流变化量ＡＩｉ的情况　电流的变化量，可得出三相电极的调节量。实现电极高度的　３　ＤＲＮＮ神经网络简介　ＤＲＮＮ（Ｄｉａｇｏｎａｌ　Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）神经网络是　一种回归神经网络，网络结构共有三层，其中隐层为回归　层。其神经网络的结构如图２所示。　图２为一个多输人多输出的ＤＲＮＮ神经网络．图中，＝　（　ｌ　：　‘（七）　图２　ＤＲＮＮ神经网络结构　［，　，２…　】为网络的输入量，Ｉｉ（ｋ）为输入层第ｉ神经　元的输入，网络回归层第　神经元的输出为　（ｋ），ｓ，（ｋ）为第　个回归神经元输入总和　・）为．ｓ函数，０（ｋ）为ＤＲＮＮ网络　的输出。　ＤＲＮＮ神经网络的算法为：　Ｄ（　）＝∑　（　）　（１０）　（ｋ）＝，（ｓ　（ｋ））　（１１）　ｓｔ（ｋ）＝　ｘｊ（ｋ一１）＋∑　（　）　（１２）　式中，　和　分别为网络回归层和输出层的权值向　量，　为网络输人层的权值向量。以　为例，可表示为：　＝【　，；　ｆ；　…；　】　（１３）　ＤＲＮＮ神经网络的学习过程由正向传播和反向传播组　成。正向传播是输入信号从输入层经隐层传向输出层。若输　出层得到了期望的输出，则学习算法结束；否则，转至反向传　播。反向传播就是将误差信号（理想输出与实际输出之差）　按连接通路反向计算．由梯度下降法挑战各层神经元的权值　和阈值，使误差信号减小。　ＤＲＮＮ网络的学习算法具体如下：　１）正向传播　网络回归层的输人为：　ｓｓ（ｋ）：　ｘｊ（ｋ一１）＋∑　（．ｊ｝）　（１４）　网络回归层的输出为：　（ｋ）：　ｓ　（ｋ））　（１５）　其中，（・）取双Ｓ函数，　１　一　）＝　（１６）　网络输出层的输出为：　ｙ　（　）＝０（　）＝∑　（　）　（１７）　实际输出与网络输出之间的误差为：　ｅ（ｋ）：Ｙ（ｋ）一Ｙ　（ｋ）　（１８）　式中，Ｙ（ｋ）为实际输出，Ｙ　（ｋ）为网络输出。　性能指标取：　１　Ｅ（ｋ）＝÷ｅ（ｋ）　（１９）　二　２）反向传播　采用带动量项的梯度下降法。调整各层问的权值。权值　的学习算法如下：　一１９３—　△　㈤＝一　（２０）　＝ｅ（　）　Ｏｙｍ＝ｅ（　）　（　）　（　）＝　（　一１）＋＂７０Ａ　（　）＋　（２１）　（　（　一１）一　（ｋ一２））　一　尼）　（２２）　＿ｅ（　）甏蔫．ｅ（　（　）＝　（ｋ一１）＋　，△　（　）＋　（２３）　（　Ｉ（　一１）一　（ｋ一２））　一　）　（２４）　＝ｅ（　）　Ｏｙｍ　ＯＸｊ＝ｅ（　）　（　）　（　）＝　Ｄ（　一１）＋＂０ｏＡ　Ｄ（　）＋　（２５）　（　（ｋ一１）一　（ｋ一２））　其中：　ＰＪ（　）＝　＝厂（　）　（　一１）　（２６）　Ｑ　（　）＝　　）　＝厂（ｓ　。厂（５ｊ）　・（　）　）　（２７）（２７）　式中，叼，，　。，ｒ／。分别为输入层、回归层和输出层的学习速　率，Ｏ／为动量因子。　对象的Ｊａｃｏｂｉａｎ信息为：　ａｙＯ　ｕ　Ｏｕ　＝∑咿（｜Ｊ、｜　）‘ｑ　　（２、　８）　在一个复杂的动态系统中，若能将ＰＩＤ控制的三项系　数ｋ　，ｋ　，ｋ。采用ＤＲＮＮ神经网络进行整定，则将大大的改　善控制效果。基于此，提出一种基于ＤＲＮＮ神经网络的ＰＩＤ　控制方法，应用于电弧炉电极调节控制中。　４神经网络ＰＩＤ调节器　本神经网络ＰＩＤ电极调节器由两部分组成，即可由三相　电流变化量计算出三相电极高度调节量的电极控制模型部　分和神经网络整定ＰＩＤ参数的调节器部分。控制模型部分　根据三相电流的每相变化量解耦得到三相电极的高度调节　量，送入神经网络ＰＩＤ调节器，调节器根据相应的算法进行　ＰＩＤ参数自整定，使电极快速、精确地调节到目标位置。　其中神经网络ＰＩＤ调节器，分别选用了ＢＰ神经网络和　ＤＲＮＮ神经网络，并对二者进行仿真。　使用比例阀截面积为５０２４０ｍｍ　与立柱油缸截面积为　２００９６０ｍｍ　的电弧炉电极调节系统为对象．结合神经网络　ＰＩＤ调节器。电弧炉电极调节高度归一化，最大调节高度为　１。当输人为０．９的阶跃信号时ＢＰ—ＰＩＤ调节器与ＤＲＮＮ—　ＰＩＤ调节器输出曲线如图４。　一】９４一　甄　图３电极调节器结构　（Ｉ）ＢＰ・ＰＩＤ调节动态特性　ｔｉｍ￣／ａ　（ｂ）ＤＲＮＮ－ＰＩＤ调节动态特性　图４两种方法调节器输出动态曲线　从图４中可以看出，ＢＰ—ＰＩＤ调节器输出超调量为０．１，　ＤＲＮＮ－－ＰＩＤ调节器输出超调量为０．０５。按照误差带为１．　５％到２％的工程标准，ＢＰ—ＰＩＤ调节器输出进入稳态的时间　为０．１２ｓ．ＤＲＮＮ—ＰＩＤ调节器进入稳态的时间为０．０７ｓ，从对　比中可以看出ＤＲＮＮ—ＰＩＤ调节器在静态输入信号下得到了　高于传统ＢＰ－－ＰＩＤ调节器的调节精度与快速性，实现了电极　调节的高效与准确。　当输人信号为跟随时间变化的正弦信号时，两种方法调　节器输出动态曲线如图５所示。　从图５中可看出，在动态输入信号的情况下，ＤＲＮＮ－ＰＩＤ　调节器的调节误差仅为０．００２６远远小于ＢＰ—ＰＩＤ调节器的　还是随时间变化的动态正弦信号，输出的曲线都能快速的跟　随输入变化并且精度高，得到优于ＢＰ－－ＰＩＤ调节器的调节效　果，解决了电极调节的抗扰性与实时性差的问题，并提高了　调节精度，适用于电极频繁调节，减小了电极损耗和电能的　浪费。　・　参考文献：　［１］　庄璐．大功率交流电弧炉智能解耦控制器的研究［Ｄ］．西安理　工大学．２００８—１０．　［２］顾学群，赵青．基于ＢＰ神经网络的电弧炉炼钢过程的终点预　ｔｉｍｎ／ｓ　（Ｉ】ＢＰ－ＰＩＤ误差曲线　报［Ｊ］．南通职业大学学报，２００８，（１）．　『３］　沈翠凤．基于ｓ７—３００的两电机系统ＤＲＮＮ神经网络ＰＩＤ控制　［Ｊ］．电气自动化，２０１０，（３）．　［４］　黄亮，赵辉．ＢＰ网络规则ＰＩＤ在电弧炉电极调节系统中的实　现［Ｊ］．天津理工大学学报，２０１０，（２）．　［５］　关新民，于斌，李新勤．电弧炉电极调节系统Ｆｕｚｚ—ＰＤ控制器　的仿真研究［Ｊ］．计算机仿真，２００２，（９）．　『６］　黄亮，赵辉．ＢＰ神经网络模糊控制在电弧炉电极调节系统中　的实现［Ｊ］．电气自动化，２０１０，（３）．　［作者简介］　赵辉（１９６３一），男（汉族），天津人，博士，硕士研　（ｂ）ＤＲＮＮ－Ｐｍ误麓曲线　究生导师，天津大学博士生导师，天津农学院副校　圈５两种调节器仿真误差曲线图　长．教授，从事智能控制理论及应用、网络控制理论　与技术等方面的研究工作；　输出误差０．０６。说明ＤＲＮＮ—ＰＩＤ调节器在变化实时信号下　吴晓辰（１９８８一），男（汉族），天津人，硕士研究生，　研究方向：基于神经网络的智能电弧炉炼钢控制系统；　可以获得远高于传统ＢＰ—ＰＩＤ调节器的调节效果与实时性，　王红君（１９６３一），女（汉族），天津人，硕士研究生导师，副教授，主要　在电弧炉电极的频繁调节下对于减小电极的损耗与节约电　研究领域为流程工业先进控制技术，微机控制，智能控制；　能有很大的意义。　岳有军（１９７０一）男（汉族），天津人，硕士研究生导师，副教授，研究　方向：智能控制。　／　５结束语　仿真结果表明，ＤＲＮＮ—ＰＩＤ无论是输入静态阶跃信号，　（上接第１３５页）　［６］　Ｈｕ　Ｙｉ，ｅｔ　１ａ．Ａ　ｎｅｗ　ｈｉｅｒａｒｃｈｉｃａｌ　ｃｏｎｃｅｐｔｕａｌ　ｇｒａｐｈ　ｆｏｒｍａｌｉｓｍ　ａｄａｐ—　［１０］　Ｊ　Ｓｒｉｖａｓｔａｖａ，ｅｔ　ａ１．Ｗｅｂ　ｕｓａｇｅ　ｍｉｎｉｎｇ：Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　ａｐｐｌｉｃａ－　ｔｅｄ　ｆｏｒ　Ｃｈｉｎｅｓｅ　ｄｏｃｕｍｅｎｔ　ｒｅｔｒｉｅｖａｌ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｆｏｕｒｔｈ　ｔｉｏｎｓ　ｏｆ　ｕｓａｇｅ　ｐａｔｔｅｒｎｓ　ｆｒｏｍ　ｗｅｂ　ｄａｔａ［Ｊ］．ＳＩＧＫＤＤ　Ｅｘｐｌｏｒａｔｉｏｎｓ，　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｆｕｚｚｙ　Ｓｙｓｔｅｍｓａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　２０００，１（２）：１２－２３．　（ＦＳＫＤ　２００７），２００７－２：６５３—６５７．　［７］刘士新，宋健海，唐加福．蚁群最优化模算法及应用综述［Ｊ］．　系统工程学报，２００４，１９（５）：４９６—５０２．　［８］　Ｖ　Ｅ　Ｆｒｉａｓ—Ｍａｒｔｉｎｅｚ，Ｋａｒａｍｃｈｅｔｉ．Ａ　ｃｕｓｔｏｍｉｚａｂｌｅ　ｂｅｈａｖｉｏｒ　ｍｏｄｅｌ　ｆｏｒ　ｔｅｍｐｏｒａｌ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｗｅｂ　ｕｓｅｒ　ｓｅｑｕｅｎｃｅｓ［ｃ］．ＷＥＢＫＤＤ，　２００２：６６—８５．　［９］　凌海峰，刘业政，杨善林．基于蚁群行为的动态挖掘用户导航　．硕士研究生导师．主要研究领域为分布式虚拟现　模式兴趣模型［Ｊ］．计算机工程与应用，２００８，４４（１７）：２４—２６．　＿　［实，地理信息系统。研技刘授王　究术娅厚生：森　泉。主（１９要８６研３一究），领女男域（作汉为者族分简）布，介江式］苏虚　省拟徐现州实市，兴人趣人，硕管，士理教　一１９５—