基于神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐模糊控制算法及應(yīng)用

1、基于神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐模糊控制算法及應(yīng)用摘要針對(duì)熱風(fēng)爐燃燒控制的特點(diǎn)，將模糊控制思想與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，提出了一種基于神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐燃燒模糊控制方法。該方法針對(duì)熱風(fēng)爐系統(tǒng)的復(fù)雜性、變量的多樣性、強(qiáng)耦合性的特點(diǎn)，應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)控制參數(shù)進(jìn)行快速學(xué)習(xí)，通過(guò)模糊判斷及反模糊控制，解決了熱風(fēng)爐系統(tǒng)過(guò)于復(fù)雜或難以精確描述的問(wèn)題。關(guān)鍵詞熱風(fēng)爐模糊控制神經(jīng)網(wǎng)絡(luò)智能控制0引言在高爐系統(tǒng)的生產(chǎn)工藝中，熱風(fēng)爐的燃燒控制是非常重要的部分，由于熱風(fēng)爐爐況的復(fù)雜性和多樣性，采用常規(guī)的系統(tǒng)建模分析和控制的方法難以建立精確的數(shù)學(xué)模型。近年發(fā)展起來(lái)了一類(lèi)智能模糊控制的方法，其最大的特點(diǎn)在于不需要對(duì)象精確的定量的參數(shù)建立數(shù)學(xué)模

2、型。智能控制的核心是控制策略，它采用靈活的決策方式迫使控制朝著期望的目標(biāo)逼近，因此智能控制成為解決熱風(fēng)爐燃燒問(wèn)題的主要手段。筆者采用模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式建立智能控制系統(tǒng)，實(shí)現(xiàn)熱風(fēng)爐燃燒空煤比控制，進(jìn)而降低鋼鐵廠的生產(chǎn)成本，節(jié)約能源降低能耗.1熱風(fēng)爐燃燒控制現(xiàn)狀現(xiàn)在世界熱風(fēng)爐燃燒控制方式大體分成傳統(tǒng)的串級(jí)控制、模型控制、尋優(yōu)控制和模糊控制等幾種，其各有優(yōu)缺點(diǎn)。傳統(tǒng)的串級(jí)控制結(jié)構(gòu)簡(jiǎn)單、成本低，但是對(duì)于優(yōu)化燒爐、自動(dòng)燒爐顯然是不符合要求的。模型控制方法則具有更大的優(yōu)勢(shì)，但是除了數(shù)學(xué)模型相當(dāng)復(fù)雜外，更需要分析煤氣的各種成分的分析器，這種儀器不僅昂貴，還需良好的維護(hù)，此外要使數(shù)學(xué)模型有效，必須

3、依靠完善的基礎(chǔ)自動(dòng)化。因此，在國(guó)內(nèi)除寶鋼以外，很少被采用。尋優(yōu)控制主要是針對(duì)熱風(fēng)爐拱頂、廢氣溫度的控制，通過(guò)氣體流量的調(diào)節(jié)使溫度達(dá)到設(shè)定值，但是由于熱風(fēng)爐復(fù)雜性、參數(shù)不確定性、滯后和非線性的特點(diǎn)，控制很難達(dá)到很好的效果。在日本鋼鐵企業(yè)得到了廣泛應(yīng)用了模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的控制方式，這種控制方式減少了檢測(cè)元件的投入，并能夠達(dá)到較高的命中率。這種系統(tǒng)中模糊控制能夠滿(mǎn)足熱風(fēng)爐非線性、大滯后、慢時(shí)變特性的復(fù)雜控制要求，在燃燒工作環(huán)境變化其特性也在不斷發(fā)生變化的情況下，達(dá)到比較精確的控制效果。而神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)并模擬人工的操作運(yùn)行，分布處理，建立計(jì)算模型，將控制過(guò)程，通過(guò)學(xué)習(xí)和訓(xùn)練改變內(nèi)部的權(quán)值，決

4、定控制策略，再通過(guò)模糊控制達(dá)到優(yōu)化燒爐的效果。2前饋神經(jīng)網(wǎng)絡(luò)原理神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性能，在工程控制領(lǐng)域獲得廣泛的應(yīng)用。在實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的知識(shí)，記憶于網(wǎng)絡(luò)的權(quán)值中，根據(jù)這組權(quán)值對(duì)系統(tǒng)進(jìn)行優(yōu)化控制。2.1單層前饋神經(jīng)網(wǎng)絡(luò)單層前饋神經(jīng)網(wǎng)絡(luò)是最簡(jiǎn)單的一種人工神經(jīng)網(wǎng)絡(luò)，其只包含一個(gè)輸出層，輸出層上節(jié)點(diǎn)的值（輸出值）通過(guò)輸入值乘以權(quán)重值直接得到。取出其中一個(gè)元進(jìn)行討論，其輸入到輸出的變換關(guān)系為%-工叼閑一為i'=l力=W=篋上式中，上二的,初支/,是輸入特征向量，叼是到竹的連接權(quán)，輸出量用"二112,一府）是按照不

5、同特征的分類(lèi)結(jié)果。多層前饋神經(jīng)網(wǎng)絡(luò)多層前饋神經(jīng)網(wǎng)絡(luò)有一個(gè)輸入層，中間有一個(gè)或多個(gè)隱含層，有一個(gè)輸出層。多層感知器網(wǎng)絡(luò)中的輸入與輸出變換關(guān)系為二fy肝尸片鏟）二型，嘲7二-d）=0二=1PMM=這時(shí)每一層相當(dāng)于一個(gè)單層前饋神經(jīng)網(wǎng)絡(luò)，如對(duì)第層，它形成一個(gè)a?T維的超平面。它對(duì)于該層的輸入模式進(jìn)行線性分類(lèi)，但是由于多層的組合，最終可以實(shí)現(xiàn)對(duì)輸入模式的較復(fù)雜的分類(lèi)。2.2 RBF網(wǎng)絡(luò)RBF網(wǎng)絡(luò)能夠逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、時(shí)間序列分析、數(shù)據(jù)分類(lèi)、模式識(shí)別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等

6、。RBF網(wǎng)絡(luò)是指隱含層神經(jīng)元由RBF神經(jīng)元組成的前饋網(wǎng)絡(luò)。RBF神經(jīng)元是指神經(jīng)元的變換函數(shù)為RBF（RadialBasisFunction,徑向基函數(shù)）的神經(jīng)元。典型的RBF網(wǎng)絡(luò)由三層組成：一個(gè)輸入層，一個(gè)或多個(gè)由RBF神經(jīng)元組成的RBF層（隱含層），一個(gè)由線性神經(jīng)元組成的輸出層。W產(chǎn)匕）7=1,2,?4v*基”構(gòu)成隱含層空間，這樣就可將輸入矢RBF網(wǎng)絡(luò)的基本思想是：用RBF作為隱單元的量直接（即不需要通過(guò)權(quán)連接）映射到隱空間。根據(jù)Cover定理，低維空間不可分的數(shù)據(jù)到了高維空間會(huì)更有可能變得可分。換句話來(lái)說(shuō)，RBF網(wǎng)絡(luò)的隱層的功能就是將低維空間的輸入通過(guò)非線性函數(shù)映射到一個(gè)高維空間。然后再在

7、這個(gè)高維空間進(jìn)行曲線的擬合。它等價(jià)于在一個(gè)隱含的高維空間尋找一個(gè)能最佳擬合訓(xùn)練數(shù)據(jù)的表面。這點(diǎn)與普通的多層感知機(jī)MLP是不同的。當(dāng)RBF的中心點(diǎn)確定以后，這種映射關(guān)系也就確定了。而隱含層空間到輸出空間的映射是線性的，即網(wǎng)絡(luò)的輸出是隱單元輸出的線性加權(quán)和，此處的權(quán)即為網(wǎng)絡(luò)可調(diào)參數(shù)。由此可見(jiàn)，從總體上看，網(wǎng)絡(luò)由輸人到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對(duì)可調(diào)參數(shù)而言卻又是線性的。這樣網(wǎng)絡(luò)的權(quán)就可由線性方程組直接解出，從而大大加快學(xué)習(xí)速度并避免局部極小問(wèn)題。從另一個(gè)方面也可以這樣理解，多層感知器（包括BP神經(jīng)網(wǎng)絡(luò)）的隱節(jié)點(diǎn)基函數(shù)采用線性函數(shù)，激活函數(shù)則采用Sigmoid函數(shù)或硬極限函數(shù)。而RBF網(wǎng)絡(luò)的隱

8、節(jié)點(diǎn)的基函數(shù)采用距離函數(shù)（如歐氏距離），并使用徑向基函數(shù)（如Gaussian函數(shù)）作為激活函數(shù)。徑向基函數(shù)關(guān)于n維空間的一個(gè)中心點(diǎn)具有徑向?qū)ΨQ(chēng)性，而且神經(jīng)元的輸入離該中心點(diǎn)越遠(yuǎn)，神經(jīng)元的激活程度就越低。隱節(jié)點(diǎn)的這一特性常被稱(chēng)為局部特性2.3 RBF網(wǎng)絡(luò)的設(shè)計(jì)與求解空燃比系數(shù)自動(dòng)控制系統(tǒng)的主要模型即為RBF神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，設(shè)計(jì)原理是根據(jù)現(xiàn)場(chǎng)煤氣壓力波動(dòng)和操作人員的主要調(diào)整方式或手段進(jìn)行RBF網(wǎng)絡(luò)設(shè)計(jì)，使系統(tǒng)能煤氣壓力或是人工調(diào)整參數(shù)進(jìn)行相應(yīng)的相應(yīng)，來(lái)滿(mǎn)足現(xiàn)場(chǎng)需求。下圖為現(xiàn)場(chǎng)系統(tǒng)計(jì)算的空氣壓力與煤氣壓力對(duì)比圖。RBF的設(shè)計(jì)主要包括兩個(gè)方面，一個(gè)是結(jié)構(gòu)設(shè)計(jì)，也就是說(shuō)隱藏層含有幾個(gè)節(jié)點(diǎn)合適。另一個(gè)就

9、是參數(shù)設(shè)計(jì)，也就是對(duì)網(wǎng)絡(luò)各參數(shù)進(jìn)行求解。由上面的輸入到輸出的網(wǎng)絡(luò)映射函數(shù)公式可以看到，網(wǎng)絡(luò)的參數(shù)主要包括三種：徑向基函數(shù)的中心、方差和隱含層到輸出層的權(quán)值。到目前為止，出現(xiàn)了很多求解這三種參數(shù)的方法，主要可以分為以下兩大類(lèi):2.3.1、 方法一：通過(guò)非監(jiān)督方法得到徑向基函數(shù)的中心和方差，通過(guò)監(jiān)督方法（最小均方誤差）得到隱含層到輸出層的權(quán)值。具體如下：（1）在訓(xùn)練樣本集中隨機(jī)選擇h個(gè)樣本作為h個(gè)徑向基函數(shù)的中心。更好的方法是通過(guò)聚類(lèi)，例如K-means聚類(lèi)得到h個(gè)聚類(lèi)中心，將這些聚類(lèi)中心當(dāng)成徑向基函數(shù)的h個(gè)中（2）RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)為高斯函數(shù)時(shí)，方差可由下式求解:V2A式中cmax為所選取中

10、心之間的最大距離，h是隱層節(jié)點(diǎn)的個(gè)數(shù)。擴(kuò)展常數(shù)這么計(jì)算是為了避免徑向基函數(shù)太尖或太平。（3）隱含層至輸出層之間神經(jīng)元的連接權(quán)值可以用最小均方誤差LMS直接計(jì)算得到,計(jì)算公式如下：（計(jì)算偽逆）（d是我們期待的輸出值）十二（丁）小，2.3.2、 方法二：采用監(jiān)督學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)所有的參數(shù)（徑向基函數(shù)的中心、方差和隱含層到輸出層的權(quán)值）進(jìn)行訓(xùn)練。主要是對(duì)代價(jià)函數(shù)（均方誤差）進(jìn)行梯度下降，然后修正每個(gè)參數(shù)。具體如下：（1）隨機(jī)初始化徑向基函數(shù)的中心、方差和隱含層到輸出層的權(quán)值。當(dāng)然了，也可以選用方法一中的（1）來(lái)初始化徑向基函數(shù)的中心。（2）通過(guò)梯度下降來(lái)對(duì)網(wǎng)絡(luò)中的三種參數(shù)都進(jìn)行監(jiān)督訓(xùn)練優(yōu)化。代價(jià)函數(shù)是

11、網(wǎng)絡(luò)輸出和期望輸出的均方誤差：e=-"）2然后每次迭代，在誤差梯度的負(fù)方向已一定的學(xué)習(xí)率調(diào)整參數(shù)。AdE不叼二一dE嬴dEdWi°jfwI+p=T£"(|-XC/|2bji=I產(chǎn)£%G(|X,f|)r=l3：熱風(fēng)爐神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)輸入層：燃燒爐空氣閥門(mén)反饋、煤氣閥門(mén)反饋、煤氣壓力、拱頂溫度、空氣壓力共21一個(gè)輸入數(shù)據(jù)。輸出層：空煤比（空氣壓力/煤氣壓力）4:效果驗(yàn)證相同工況下（分管空氣、分管煤氣、煤氣壓力數(shù)據(jù)相似）的數(shù)據(jù)對(duì)比顯示,從現(xiàn)場(chǎng)實(shí)際燃燒數(shù)據(jù)反饋情況可以發(fā)現(xiàn)投用投入空燃比系數(shù)自動(dòng)控制系統(tǒng)后1:換爐操作時(shí)能有效抑制因煤氣壓力波動(dòng)導(dǎo)致的燃燒爐拱頂

12、溫度劇烈波動(dòng)。2:正常燒爐時(shí)空氣壓力能跟隨煤氣壓力的波動(dòng)，對(duì)穩(wěn)定拱頂溫度起到很好的保護(hù)作用。3:降低了熱風(fēng)爐操作人員勞動(dòng)強(qiáng)度。5結(jié)束語(yǔ)使系統(tǒng)變成由多個(gè)單變?cè)诰哂袕?qiáng)耦合效應(yīng)的多變量系統(tǒng)中引入神經(jīng)網(wǎng)絡(luò)解耦控制算法,量子系統(tǒng)組成的系統(tǒng)，它具有非線性和最優(yōu)控制能力，具有較好的動(dòng)態(tài)和靜態(tài)性能以及較強(qiáng)的抑制干擾的能力，能較好地滿(mǎn)足控制要求。在熱風(fēng)爐燃燒控制系統(tǒng)的實(shí)際應(yīng)用表明，使用該控制策略消除煤氣壓力波動(dòng)對(duì)拱頂溫度的耦合影響，實(shí)現(xiàn)了燃料的最優(yōu)控制和溫度的平穩(wěn)控制，具有很強(qiáng)的實(shí)用性，可以推廣到類(lèi)似的控制系統(tǒng)中。本次日照鋼鐵3號(hào)高爐熱風(fēng)爐空燃比系數(shù)自動(dòng)控制系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)時(shí)間節(jié)點(diǎn)：2015年3月開(kāi)始與現(xiàn)場(chǎng)人員初步交流。孫志軍、趙旭陽(yáng)、焦方進(jìn)、劉文治、聶東東2015年10月現(xiàn)場(chǎng)安裝通信模板進(jìn)行t