电渣炉控制系统设计与控制方法研究

论文摘要

电渣重熔技术是上世纪三十年代发展起来的一种新兴的冶炼技术。由于其在提纯钢的品质与改善合金内部结晶组织方面的巨大优势,在短短的几十年里得到了巨大的发展。由于社会与科学技术的迅猛发展,对于新型的、高品质的合金钢的需求日益增多,因此,研究有效的电渣炉控制系统对提高生产率、改善产品质量和节约能源方面有着举足轻重的意义。本文以国内某钢厂电渣炉的改造为背景,以基于数据驱动的方法建立电流预测模型,并且将预测模型引入到控制器中,提高了控制器的性能,主要研究内容如下：1)深入分析了该厂电渣炉的结构与工艺流程,结合当前国内外电渣炉智能控制系统现状的基础上,因地制宜的设计了一套实用的控制系统。2)工业炉建模是一个历久不衰的话题。本文以现场采集回来的数据为背景,利用RBF神经网络技术对系统建立预测模型。为了提高模型的精度,将次胜者受罚竞争学习算法与改进型粒子群算法引入到RBF神经网络权值的优化中,得到了一个精度较高的模型。3)针对传统PID控制适应性差、参数不易改变的特点,本文提出了基于和声搜索预测PID的控制方法,用和声搜索优化PID的三个控制参数,将RBF电流预测模型的输出作为反馈值,并对这种算法做出了仿真,通过比较得出和声搜索预测PID在理论上是一种优异的控制方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国外和国内研究现状
• 1.2.1 国外电渣炉发展历史及现状
• 1.2.2 国内电渣炉发展历史及现状
• 1.3 电渣重熔工艺介绍
• 1.3.1 电渣重熔工艺介绍
• 1.3.2 本文所设计电渣炉工艺介绍
• 1.4 本课题要研究的主要内容
• 第2章 电渣炉控制系统设计
• 2.1 电渣炉的控制要求
• 2.2 电渣炉控制系统设计
• 2.2.1 计算机监控软件功能设计
• 2.2.2 下位机控制系统主要功能程序设计
• 2.3 本章小结
• 第3章 基于RBF神经网络的电渣炉建模
• 3.1 人工神经网络的概述
• 3.1.1 人工神经网络的起源与发展
• 3.1.2 人工神经网络的分类
• 3.1.3 人工神经网络的发展前景
• 3.2 径向基函数网络（RBF）
• 3.2.1 RBF神经网络结构
• 3.2.2 RBF神经网络特点
• 3.2.3 RBF神经网络的训练的算法
• 3.3 次胜者受罚竞争学习算法
• 3.3.1 标准竞争学习算法（CL）
• 3.3.2 频率敏感竞争学习算法（FSCL）
• 3.3.3 次胜者受罚竞争学习算法（RPCL）
• 3.4 粒子群优化算法简介
• 3.4.1 标准粒子群优化算法
• 3.4.2 改进型的粒子群优化算法
• 3.5 电渣炉的建模与仿真
• 3.5.1 基于RBF神经网络的电渣炉预测模型
• 3.5.2 基于PSO-RBF神经网络的电渣炉预测模型
• 3.5.3 基于改进型PSO-RBF神经网络的电渣炉预测模型
• 3.6 本章小结
• 第4章 基于和声搜索的预测PID控制方法研究
• 4.1 PID控制原理简介
• 4.2 和声搜索算法
• 4.2.1 和声搜索算法简介
• 4.2.2 和声搜索算法流程
• 4.3 基于最小二乘的被控对象模型辨识
• 4.3.1 CARMA模型简介
• 4.3.2 最小二乘辨识方法
• 4.3.3 被控对象模型的确定
• 4.4 基于和声搜索的预测PID控制算法仿真
• 4.4.1 PID控制算法仿真
• 4.4.2 基于和声搜索的PID控制仿真
• 4.4.3 基于和声搜索的预测PID控制仿真
• 4.5 本章小结
• 第5章 结束语
• 参考文献
• 致谢