[本篇论文由上帝论文网为您收集整理，上帝论文网http://paper.5var.com将为您整理更多优秀的免费论文，谢谢您的支持]
摘要：针对焦炉集气管压力这类多变量非线性系统，提出一种基于模糊神经网络的智能协调控制方案。应用遗传算法对模糊神经网络结构和参数进行优化，并采用PLC的逻辑梯形图语言编程实现智能协调运算。工程应用表明了系统设计的有效性。

    关键词：可编程控制器 模糊神经网络 智能控制

焦炉集气管压力控制是焦炉控制的关键之一。压力大时焦炉冒烟严重，近距离不能看清设备，大量焦炉媒气进入空气中，污染环境；压力小时空气吸入严重，影响焦炉寿命和焦炉煤气质量。因此，采用先进控制手段，对焦炉焦气管压力进行长期稳定控制，对于改善环境、提高煤气回收量和质量、提高焦炉辅助产品产量和质量，具有重要的意义。焦炉集气管控制系统的主要问题有：

（1）焦炉集气管压力系统是一个耦合严重、具有严重非线性、时变特性、扰动变化激烈的多变量系统，一般的PID调节很难满足要求。

（2）当媒质较好、鼓风机后媒气负荷稳定时，自动控制效果较好；当媒质较差、鼓风机后压力变化大时，常常出现振荡现象，迫使系统无法投入自动控制。

（3）作为控制机构之一的鼓风闸阀存在严重的非线性、滞后大，常规伺服放大器加执行结构很难适应。

近年来，神经网络、模糊技术和遗传算法已成为智能计算的三大信息科学，是智能控制领域的三个重要基础工具，将三者有机地结合起来，取长补短，不仅在理论上显示出诱人的前景，在实际应用也取得了突破。本系统采用一种基于遗传算法和模糊神经网络的智能模糊控制器，实现了模糊规则的在线修改和隶属函数的自动更新，使模糊控制具有自学习和自适应能力。本文将系统的硬件高可靠性、软件灵活性与现代智能控制相结合，在分析控制对象的基础上采智能协调解耦控制方案，应用PLC的逻辑梯形图语言编程实现，保证了集气管压力稳定在工艺要求范围内。

1 工艺简介

图1是焦炉集气管系统的结构。焦炉媒气从各炭化室通过上升管时被循环氨气冷却到80～90℃，然后进入集气管。焦炉某气从焦炉到初冷器分为两个吸气系统，即1号和2号焦炉为一个系统，3号焦炉为一个系统。1号和2号焦炉的煤气从各自的集气管进入共用吸气管后，在初冷器前与3号焦炉的煤气会合后进入初冷器。通过初冷器被冷却到35～40℃，然后由鼓风机送往下道工序。

2 系统硬件结构及系统功能

焦炉集气管压力控制系统采用高可靠性的两级计算机集散控制系统，由监控、控制器和通讯网及仪表系统构成，如图2所示。监控站由研华工业控制计算机和高性能工业控制软件构成，完成对焦炉集气管压力系统的监视和操作，对历史数据进行存档，是控制系统的主要机界面。控制器采用日本三菱公司推出的A2A拟量输入模块、数字量输入输出模块和基板组成，通过智能控制算法对三座焦炉的集气管压力和鼓风机压力进行控制。仪表系统由变送器、配电器、隔离器、调节器和执行器等构成，主要完成压力信号的获取和阀门的控制执行。

系统主要功能为：

（1）实现3焦炉集气管压力的解耦控制，实现初冷器前和鼓风机前及鼓风后压力智能协调控制，保证4台鼓风机安全稳定运行。在推焦装媒及鼓风机后负荷变化等扰动较大的情况下，集气管压力稳定在设定值±20Pa内。

（2）实现过程的实时数据采集、数据处理、显示、报警、故障监测及诊断功能，手、自动无扰切换和设定操作，对历史趋势数据进行存储（存储240天的历史数据）和显示。具备报表打印功能和与上位机（管理系统）联网功能。

3 控制原理

针对焦炉集气管系统的结构和特点，本文提出一种基于模糊神经网络的智能协调控制方案。控制系统的结构如图3所示。它分为两级：专家智能控制协调级（虚线框内）和基本实时智能控制级。专家智能控制协调级在线实时监测被控系统过程，根据不同炉况，协调控制策略，进行有效控制。基本实时智能控制级分为单输入单输出（SISO）模糊神经网络控制器FNC1～FNC4和多变量解耦控制器FNC5两部分，由径向基函数网络（RBFN）逼近过程模型。此模型用于计算过程输出对过程输入的一阶偏导数ay/au和离线寻优，由多量解耦控制器根据解耦参考模型2进行解耦控制，与被控对象一道构成解耦后的广义被控对象，在此基础上分别采用SISO模糊神经网络控制器控制被控对象的动态特性：采用智能协调模糊神经网络控制器FNC4，以鼓风机闸阀开度为控制量，控制初冷器前吸力；采用模糊神经网络控制器FNC1～3，以各焦炉集气管蝶阀开度为控制量，控制相应焦炉集气管压力。

3.1 模糊神经网络结构

3座焦炉集气管压力和初冷器前压力控制算法FNC1～FNC4采用同样的模糊神经网络结构，取误差e、误差变化率Δe及其导数Δ2e作为模糊推理控制器输入，e为Δe分别划分为7个模糊子集，Δ2e划分为3个模糊子集，模糊子集隶属度采用高斯型函数表示。上述的模糊推理控制器可用一个如图4所示的初始神经网络构成。初始神经网络共有四层：输入层、隶属函数生成层、推理层和去模糊化层。输入节点数n为3，第一层隐含节点（模糊化）为17，第二层隐含节点（推理）L为7×7×3=147，一个输出点节。模糊化到推理连接权重为1。

多变量解耦控制器FNC5采用T-S模糊模型[4]，

[1] [2]  下一页