智能控制技术在炼钢电弧炉中的应用研究

论文摘要

电弧炉是利用电弧的能量来熔炼金属的一种电炉。电弧炉控制系统包括基础自动化和过程自动化。它是一个多变量、非线性、强耦合、时变、工作环境恶劣及随机干扰性较强的系统，各种参数的多变使得系统电极位置、电弧长度、电弧电流／电压、系统功率及功率因数很难保持在最佳状态下运行，也一直阻碍着电弧炉过程控制技术的进一步发展。随着电力工业的进步，大型超高功率电炉技术的发展以及炉外精炼技术的采用，使电弧炉炼钢技术有了很大的进步。随着信息技术和计算机技术的相结合，一种以人工智能、控制理论和计算机科学为基础的新型控制技术—智能控制的出现，为控制领域解决传统难题带来了新的生机。而智能控制作为一项关键技术，在钢铁工业的各个生产工序中得到了较多的应用，可用于建模、控制、生产调整、设备诊断、监测和学习等方面，而专家系统、模糊控制、人工神经网络控制是三项发展较快、趋于成熟、应用较多的智能控制技术。本文运用人工智能控制理论的思想方法，对电弧炉控制系统进行了深入的研究。针对交流电弧炉控制系统的复杂、难于建立精确的数学模型等特点，提出了基于模糊逻辑、神经网络及模糊神经网络与专家系统相结合的控制方法，论文以某100吨电弧炉炼钢过程为研究对象，分别建立了电弧炉系统工艺模型、过程控制、电极控制以及控制软件系统，以证明所研究的方法之正确可行性和工程适用性。电弧炉炼钢过程一般是以物料、热量和化学平衡为基础，采用理论与经验相结合的方法，建立的超高功率电弧炉冶炼工艺静态控制模型和动态控制模型，并对主要参数进行了计算。静态模型的建立能确定主要操作参数的计算，并对钢质量影响较大的终点温度及碳的含量进行神经网络预报。结合具体钢种，采用BP和RBF两种神经网络模型预测钢水中主要成分。仿真结果比较理想，说明所建模型的正确性和可行性。而动态模型的建立可以了解电弧炉内的冶金过程，瞬时动态成分的模拟与计算，结果表明与实际结果吻合的较好。在对各种基于知识的诊断方法进行深入的研究和比较之后，根据电弧炉炼钢过程的工艺特点，首先对电弧特性进行了深入研究，主要是三相电弧的弧长。在理论分析的基础上，验证了理论与实际经验参数的一致性。并用BP神经网络进行三相平衡处理，效果很好。其次对基于模糊逻辑推理技术的电弧炉炼钢过程专家系统进行了研究，根据专家经验及炼钢过程特点建立模块化知识库，对于确定性知识，则采用基于层次结构模型的产生式推理方法，至于不确定知识则采用模糊逻辑推理方法，不仅可简化系统结构，而且大大提高系统的工作效率。通过仿真和实际测试进一步验证了所设计的专家系统是正确可行的，但是此系统正确率很大程度上取决于模糊规则库的设计。因此，论文对基于模糊逻辑神经网络(FNN)技术的炼钢过程进行了深入的研究，由仿真验证数据可以证明FNN技术运用在电弧炉中是可行的、成功的，而且网络的泛化能力较强。在三相交流电弧炉炼钢过程中，每相电极都有一个控制器。由于电弧炉的三个电极由一个三相电源分别供电，因此三套电极调节装置构成了一个多变量系统。各被控量之间的关联，使得电弧炉系统不易建立准确的数学模型，并面临着非线性、大时延、时变和强耦合等因素的干扰，而采用常规控制方法如PID加反馈控制很难达到有效控制。基于神经网络的智能控制方法，具有强大的学习能力和定量数据的直接处理能力，通过网络的离线训练和在线自学习，使控制器具有自调整、自适应的能力，从而进一步改变实时控制的效果。建立了ANN调节器和ANN炉况仿真器，并用实际数据进行了训练，得到了网络结构。数据验证表明：运用神经网络控制，完全可以达到很好的效果。开发控制软件系统是整个电弧炉计算机集散控制系统的一个关键环节。目的是将控制系统的分析、建模、仿真和软件设计过程结合起来，完成对控制系统的功能设计予以前期的实现。这样，不仅可以对各种控制算法进行实际的仿真研究，检验控制算法的实时性，有效性和可靠性，保证其对电弧炉实际冶炼控制的可行性，而且可以对控制系统进行仿真实现，以检验整个控制系统设计的合理性和控制策略的可行性。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第1章 概述
• 1.1 引言
• 1.2 电弧炉系统
• 1.2.1 电弧炉炼钢过程简介
• 1.2.2 电弧炉主电路
• 1.2.3 电极自动调节系统
• 1.2.4 电弧炉工作特点
• 1.3 电弧炉智能控制的目的和意义
• 1.4 智能控制技术
• 1.5 智能控制技术存在的不足
• 1.6 研究内容
• 1.6.1 主要内容
• 1.6.2 论文结构
• 第2章 智能控制的基本理论
• 2.1 引言
• 2.2 专家系统
• 2.2.1 专家系统组成
• 2.2.2 新一代专家系统
• 2.3 模糊逻辑系统
• 2.3.1 模糊规则库
• 2.3.2 模糊推理机
• 2.3.3 转化单元
• 2.4 人工神经网络
• 2.4.1 BP神经网络
• 2.4.2 径向基函数（RBF）网络
• 2.5 模糊神经网络
• 2.5.1 神经网络—模糊推理协作系统
• 2.5.2 模糊神经网络学习方法
• 2.6 本章小结
• 第3章 电弧炉工艺模型的建立
• 3.1 主要算法
• 3.1.1 初等代数算法
• 3.1.2 线性规划算法
• 3.1.3 人工神经网络算法
• 3.1.4 迭代动态规划算法
• 3.2 静态控制模型
• 3.2.1 冶金模型
• 3.2.2 能量模型
• 3.2.3 静态模型算法
• 3.3 动态控制模型
• 3.3.1 基于炉气分析的动态控制模型
• 3.3.2 基于迭代动态规划的动态模型
• 3.3.3 基于瞬时反应的动态模型
• 3.4 过程控制策略
• 3.5 仿真实验
• 3.5.1 神经网络预报钢水温度和钢水中碳的含量
• 3.5.2 神经网络预报钢水成份
• 3.5.3 瞬时动态成分模拟计算
• 3.6 本章小节
• 第4章 电弧炉电弧特性及工艺过程的研究
• 4.1 交流电弧
• 4.1.1 电气特性
• 4.1.2 仿真研究
• 4.2 冶炼工艺过程
• 4.3 专家系统
• 4.3.1 数据库设计
• 4.3.2 知识库及推理机的设计
• 4.3.3 模糊推理
• 4.3.4 仿真验证
• 4.4 模糊神经网络（FNN）系统研究
• 4.4.1 知识的获取与学习样本组织
• 4.4.2 FNN系统构造与仿真
• 4.5 本章小结
• 第5章 电弧炉电极控制研究
• 5.1 电极控制的数学模型
• 5.1.1 电弧电压与弧长关系
• 5.1.2 电弧电流与弧长关系
• 5.1.3 实验数据
• 5.2 电极工作原理及性能要求
• 5.2.1 工作原理
• 5.2.2 性能要求
• 5.2.3 传动系统的建模
• 5.3 电极调节策略
• 5.3.1 最大电弧功率点跟踪
• 5.3.2 电能量需求计算
• 5.3.3 输入能量
• 5.3.4 预存冶炼控制方式
• 5.4 电极控制策略
• 5.5 电极控制方法
• 5.5.1 电极PID控制
• 5.5.2 三相电极神经网络控制
• 5.6 本章小结
• 第6章 电弧炉炼钢过程控制软件的研发
• 6.1 控制软件的基本功能
• 6.2 控制软件的结构
• 6.3 控制软件运行环境
• 6.4 控制软件开发工具
• 6.5 优化设定与控制软件的实现
• 6.6 用户界面的设计
• 6.7 操作站设计
• 6.8 管理站（工程师站）软件设计
• 6.9 本章小结
• 第7章 总结
• 参考文献
• 攻读博士期间发表论文、科研及获奖情况
• 致谢
• 附录1: 基础自动化结构图
• 附录2: 加料模块图
• 附录3: 神经网络预测成分含量
• 附录4: 电弧电压原始数据（部分）
• 附录5: 电弧电流原始数据（部分）
• 附录6: 冶炼过程监控画面