烧透点递阶智能控制系统的研究与实现

论文摘要

进入二十一世纪后，我国钢铁产量由1.2亿吨上升到3亿多吨，其在国民经济中的地位尤为凸显，集约化经营思想和社会环保意识迫使我国钢铁企业必须提高劳动生产率、降低能耗和延长设备生命周期。由此可见，提高烧结工业自动化水平，研发具有自主知识产权的烧结递阶智能控制系统具有十分重要的意义。烧结过程是一个工艺流程长、影响因数多、激励复杂的动态系统，采用传统的控制理论和方法难以解决全局控制问题。近年来，以专家系统、模糊控制、人工神经网络为代表的人工智能技术被引入烧结领域，为烧结计算机控制提供了一条有效的途径。烧透点控制是烧结冶铁过程中非常重要的环节，它完成从固态、熔融态和气态的传质和控制水碳及成分的主要过程，但由于其存在着大滞后性、时变性和耦合性，一直需要看火工去人工观察和控制，严重制约了整个烧结过程的自动化水平。本人在经过十六年研究烧结机理和烧结机、泥辊、带冷机、抽风机和鼓风机等大型设备联调的基础上，综合运用烧结理论、计算机技术、控制技术、系统工程和人工智能技术等多学科知识，在此提出和建立了烧透点递阶智能控制系统及其相关的方法和技术。1．针对烧透点过程信息、工艺流程和操作调度的层次性，提出烧透点递阶智能控制系统的系统结构，分全局优化级、局部优化级和现场控制级。2．针对多传感器获取的不确定、非平稳和低噪比的信号，如温度、压力、流量、电量、位移和速度等，采用数据融合的方法进行数据加工处理和集成，使之有机地综合起来，取长补短，共同构划出被控对象的本质特征。3．针对模糊控制与神经网络融合的特点，从理论上和方法上分析和比较了正向和逆向网络、反馈和复合控制、分析预测和在线控制的集成技术。对烧透点大滞后的工艺过程，采用自适应模式聚类神经网络，通过烧结机机头参数实现对机尾烧透点位置的预测，并将该预测值动态修正模糊控制器隶属函数的λ值，以改变模糊控制器的输出，实现对烧结机速度的调节，稳定烧透点位置，从而有效地解决了烧透点大滞后性的难题。4．针对烧透点预测和控制的多变量耦合性特点，提出用主成分制原理对多变量多样本的样本集进行正交化处理的思想，使主成分在系统的预测和控制中发挥主导作用。选择烧结机速度为主控量，层厚及风箱温度压力为辅控量，建立烧结机速度调节的主模糊控制器，实现烧透点位置的有效、快速调节。5．针对烧透点预测和控制中状态参量时变性和多模态性等特点，建立烧透点过程参量的辅助推理机制。该推理机制是用模糊诊断和反向推理方法去实现整体目标，用前向推理方法预测异常情况和给出控制决策。这些方法和控制功能可以增强人们修正和控制烧透点位置的能力，以及限制人为因素的影响和提高整个烧结控制水平。对一些有因果关系但很难定量表述的过程参量去定性描述或转化为相应的模糊推理系统，尤其在系统出现堆切换等原料波动较大或外部干扰较大的环境下，能快速地诊断并给出调整措施，保证烧透点主回路的有效调节。6．用Vc＋＋作为系统程序，以SQL server2000作为数据库，系统采用多线程工作模式，即神经网络训练为一个线程，数据库及相应调用为一个线程，系统运算和界面各为一个线程。由此开发了烧透点递阶智能控制系统，并应用到马钢300m~2大型烧结机过程控制中，提高了作业率和一级品率，取得了明显的经济效益和社会效益。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 烧结复杂工艺过程
• 1.1.1 冶金工艺流程
• 1.1.2 烧结工艺流程
• 1.1.3 烧透点工艺特点
• 1.2 烧透点复杂过程数学模型研究现状
• 1.2.1 过程模拟模型
• 1.2.2 参数优化模型
• 1.2.3 过程控制模型
• 1.3 烧透点人工智能技术的研究现状
• 1.3.1 人工智能发展
• 1.3.2 人工智能技术在烧透点预测控制中的应用
• 1.4 烧透点控制中存在的问题
• 1.5 本文的选题和主要内容
• 1.5.1 选题与意义
• 1.5.2 本文内容安排
• 第二章 递阶智能控制系统的数据处理和融合
• 2.1 递阶智能控制系统的信息的层次和特征
• 2.1.1 信息的层次
• 2.1.2 信息的特征
• 2.2 智能系统的信息处理
• 2.2.1 基本概念
• 2.2.2 基本方法
• 2.3 智能系统的数据处理
• 2.3.1 分解与综合
• 2.3.2 数据融合
• 2.4 本章小结
• 第三章 递阶智能控制系统的基本模型和算法
• 3.1 神经网络的结构分析
• 3.2 神经网络的算法分析
• 3.2.1 NN的信息流
• 3.2.2 BP算法及其改进
• 3.2.3 基于数值优化的网络训练算法
• 3.2.4 多种算法性能比较
• 3.2.5 算法仿真
• 3.3 遗传算法的优化策略
• 3.3.1 简单SGA基本概念
• 3.3.2 操作算子
• 3.3.3 GA的运行过程
• 3.4 模糊系统的理论分析
• 3.4.1 模糊集合的运算
• 3.4.2 模糊控制器
• 3.4.3 模糊系统的通用逼近性
• 3.5 智能推理机制的分析
• 3.5.1 发展过程
• 3.5.2 知识表示
• 3.5.3 推理机
• 3.5.4 推理机制建立的具体过程
• 3.6 系统的优化结构
• 3.7 本章小结
• 第四章 烧透点的自适应神经网络预测
• 4.1 遗传神经网络的原理
• 4.2 遗传神经网络的自适应性分析
• 4.2.1 以指数形式实现交叉和变异
• 4.2.2 以平均适应度形式实现交叉和变异
• 4.2.3 仿真试验与结果分析
• 4.3 混合型遗传神经网络
• 4.3.1 不同混合方法的论述
• 4.3.2 仿真试验
• 4.3.3 结果分析
• 4.4 变结构神经网络
• 4.4.1 BP网络结构参数的编码
• 4.4.2 基于GA的变结构神经网络
• 4.4.3 变结构与其它算法的仿真比较
• 4.5 自适应聚类遗传神经网络
• 4.5.1 预测模型建立
• 4.5.2 自适应模式聚类
• 4.5.3 实例仿真
• 4.6 多种遗传神经网络的比较
• 4.7 本章小结
• 第五章 烧透点的模糊神经网络控制
• 5.1 烧透点工艺的复杂性
• 5.2 模糊神经网络
• 5.2.1 FC与NN的关系
• 5.2.2 FC与NN的融合结构
• 5.2.3 隶属函数对控制性能作用
• 5.3 烧透点模糊神经网络控制系统分析
• 5.3.1 FNN控制系统
• 5.3.2 实例仿真与结果分析
• 5.4 本章小结
• 第六章 烧透点的智能辅助推理系统
• 6.1 烧透点的多变量耦合性
• 6.1.1 烧透点控制中的一些重要参数
• 6.1.2 烧结过程状态与参数间的关系
• 6.2 烧透点辅助推理系统的建立
• 6.2.1 递阶智能推理系统结构
• 6.2.2 推理方式的确定
• 6.2.3 冲突消解
• 6.2.4 知识库的管理
• 6.3 烧透点辅助推理系统的自学习
• 6.3.1 基于规则的自学习控制系统
• 6.3.2 烧透点参数偏离子空间
• 6.3.3 烧透点辅助推理系统的优化推理模型
• 6.4 本章小结
• 第七章 烧透点递阶智能控制系统的开发与实现
• 7.1 烧透点递阶智能控制系统的开发过程
• 7.1.1 开发环境
• 7.1.2 开发过程
• 7.2 系统的设计
• 7.2.1 系统框架设计
• 7.2.2 烧透点ANN预测与FNN控制的集成
• 7.2.3 推理机制的实现
• 7.3 系统的调试与运行
• 7.4 本章小结
• 第八章 结论与展望
• 8.1 主要结论
• 8.2 今后的展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的学术论文及承担的科研项目
• 1. 学术论文
• 2. 科研项目