基于群体搜索策略的热轧加热炉多模型优化控制研究

论文摘要

加热炉作为钢铁工业轧钢生产线的关键设备和高耗能设备，其自动化水平直接影响到系统的能耗、钢坯烧损率、废钢率、产量和质量等指标。传统的PID控制难以适应多变的加热炉工况，难以满足炉温控制精度和响应速度的要求。为解决燃烧过程的优化控制问题，各种过程建模、炉温控制、炉温优化设定方法相继出现。但由于建立的过程模型是基于热传递过程中能量守恒的线性偏微分方程，建模过程中进行了许多近似和假设，模型精确度不高，且不能反映过程的动态变化特性。炉温的优化控制主要基于这种不精确的静态模型，控制性能难以提高。为了克服上述方法中存在的问题，本文采用智能控制理论的最新研究成果，提出基于群体搜索策略的加热炉优化控制方法，以解决过程的建模、炉温自适应控制和炉温优化设定问题，减小钢坯出炉温度偏差和断面温差，并降低能耗。首先，研究了加热炉的建模问题，建立了三个回归神经网络（RNN）模型和一个传热模型。为了实现燃烧过程的优化控制，建立了1个反向传播（BP）学习RNN模型以预测蓄热式推钢加热炉的炉温分布，该模型考虑了过程的非线性、大时滞和动态变化等特性。通过对BP算法收敛性分析，证明了BP算法不能保证全局最优解，给出了维持BP算法收敛的条件。为了达到炉温优化设定的目的，建立了一个传热模型以预测钢坯温度分布。另一方面，为了实现炉温的实时控制与优化，建立了两个基于径向基函数（RBF）的RNN模型以预测炉温和钢温。该模型采用序贯学习算法实现网络参数的快速调节，节点增删（GAP）算法优化网络结构，扩展Kalman滤波（EKF）对RBF-RNN参数提供高精度学习。综合传热模型和GAP-EKF RNN建立了钢坯温度混合预测器。基于实际运行数据的验证实验，证实了该方法的有效性。其次，提出了多模型控制策略。综合解耦控制、Smith多变量补偿、双交叉限幅和自适应控制技术，提出了炉温解耦自适应PID控制；由于这种控制方法是基于过程的精确线性模型，虽然具有一定的自适应能力，但在工况发生急剧变化时难以获得好的控制效果。针对这一情况，提出了不基于过程模型的炉温模糊专家控制方案，并对模糊控制器的稳定性进行了分析。为了让控制器具有自适应能力，根据神经网络与模糊系统的等价性，提出了模糊神经网络（FNN）控制方法。以二阶线性系统为例，对FNN控制器的稳定性进行了分析，给出了整个系统稳定的条件；基于规则优化、免疫克隆进化（ICE）算法，建立了炉温自适应FNN控制系统，并对免疫算法的全局收敛性进行了分析。最后，综合解耦自适应PID控制在稳定工作条件下的高精度和ICE-FNN自适应控制在工况变化情况下的全局稳定性，提出了炉温的多模型控制方案，仿真和实际系统运行结果证实了其有效性。为了进一步提高控制性能，针对空气煤气阀输入输出特性的时变特性，提出了基于阀门开度的流量跟踪控制方法。基于模糊专家规则，提出了一种空燃比自寻优策略。此外，基于总的空气用量、空气主管道压力与鼓风机速度之间的神经网络模型，提出了智能变频调速控制方法，降低了鼓风机的电能消耗。第三，在分析钢坯加热过程最佳炉温设定的基础上，给出了基于工艺指标和能耗最低要求的多目标优化问题描述，提出了一种混合粒子群优化（HPSO）算法以搜索最佳炉温设定。该算法采用混沌机制产生初始粒子群，融合免疫算法和克隆选择的信息处理机制，提高了算法的搜索精度。基于炉温FNN控制模型、炉温和钢温预测模型以及HPSO算法，通过求解该优化问题，获得了最佳炉温设定值。同时，对粒子群优化算法的稳定性进行了分析。仿真结果证实了该方法的有效性。该优化方法解决了炉温设定中存在的盲目性和随机性问题。第四，采用两级分布式控制系统和监控软件实现了高层信息管理、集中监视、优化控制和基础自动化。将上述过程模型、多模型控制方法和炉温设定HPSO算法嵌入到DCS中，建立了蓄热式推钢加热炉基于群体搜索的多模型优化控制系统，实现了多目标全局优化控制。该智能优化控制方法从整体上提高了加热炉自动控制水平，降低了钢坯的氧化烧损、能耗和环境污染，提高了产品质量，同时加强了信息管理能力。它不仅降低了工人的劳动强度，而且取得了显著的经济效益和社会效益。同时，这种建模、优化和控制方法可为其它复杂工业过程借鉴。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 控制与优化问题
• 1.4 建模、控制与优化思想
• 1.5 论文构成
• 第二章 基于回归神经网络的热轧加热炉建模
• 2.1 加热炉生产过程
• 2.1.1 蓄热式燃烧技术
• 2.1.2 蓄热式推钢加热炉
• 2.1.3 步进式加热炉
• 2.2 回归神经网络模型
• 2.2.1 动态神经网络的结构
• 2.2.2 加热炉回归神经网络模型
• 2.3 回归神经网络的学习算法及其收敛性分析
• 2.3.1 BP学习算法及其收敛性分析
• 2.3.2 GAP-EKF序贯学习算法
• 2.4 钢温预测复合模型
• 2.4.1 传热模型
• 2.4.2 复合模型
• 2.5 仿真分析
• 2.5.1 炉温预测回归神经网络模型
• 2.5.2 钢温预测传热和回归神经网络模型
• 2.6 小结
• 第三章 基于免疫克隆进化算法的燃烧过程多模型控制
• 3.1 炉温解耦自适应PID控制
• 3.1.1 双交叉限幅控制
• 3.1.2 Smith多变量补偿
• 3.1.3 解耦控制
• 3.1.4 自适应机制
• 3.2 炉温模糊神经网络专家控制
• 3.2.1 模糊专家控制
• 3.2.2 基于阀门开度的流量跟踪控制
• 3.2.3 空燃比自寻优控制
• 3.2.4 模糊神经网络控制
• 3.3 炉温模糊神经网络控制器的免疫克隆进化学习算法
• 3.3.1 规则优化算法
• 3.3.2 免疫克隆进化优化算法
• 3.4 炉温多模型控制结构
• 3.5 模糊控制器和模糊神经网络控制器的稳定性分析
• 3.5.1 模糊控制器的稳定性
• 3.5.2 模糊神经网络控制器的稳定性
• 3.6 免疫克隆进化算法的收敛性分析
• 3.7 基于免疫克隆进化算法的模糊神经网络控制仿真分析
• 3.8 小结
• 第四章 基于混合粒子群优化算法的炉温优化设定
• 4.1 炉温优化设定模型
• 4.1.1 稳态优化
• 4.1.2 动态补偿
• 4.1.3 待轧和交接班炉温设定
• 4.2 基于混合粒子群优化算法的炉温稳态优化设定
• 4.2.1 粒子群优化
• 4.2.2 混合粒子群优化
• 4.3 混合粒子群优化算法的稳定性分析
• 4.4 仿真分析
• 4.5 小结
• 第五章 工业实现与运行效果
• 5.1 研究对象
• 5.2 蓄热式推钢加热炉分布式控制系统
• 5.3 系统应用软件
• 5.3.1 应用软件结构
• 5.3.2 基于ICE算法的炉温多模型控制与炉温优化设定实现
• 5.3.3 鼓风机风量变频调节
• 5.4 工业运行效果
• 5.4.1 蓄热式推钢加热炉自适应模糊神经网络专家控制
• 5.4.2 步进式加热炉自适应模糊神经网络专家控制
• 5.5 小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 发表的学术论文
• 科研工作情况