CN103024959B - 一种电极智能调节器及电极智能控制方法 - Google Patents

Abstract

本发明为一种电极智能调节器及电极智能控制方法，用于电弧炉及精炼炉等领域的电极调节。电极智能调节器装配有智能调节器设备和热备PLC设备，智能调节器设备的工控机中设有ANN控制模块和PID电极控制模块，ANN控制模块采用反向传播神经网络实现ANN炉况仿真器和ANN调节器，用于预测炉况信号和电极升降的控制信号，PID电极调节器中增加控制信号的微调环节，输出最优控制信号。电极智能控制方法在正常情况下先进行ANN炉况仿真器的在线训练，然后通过ANN调节器进行在线调节，ANN控制模块异常时，由PID电极控制模块输出的控制信号。本发明具有电弧控制稳定、降低电耗、减少电极消耗、增加控制过程的平稳性等优点。

Description

一种电极智能调节器及电极智能控制方法

技术领域

本发明适用于电弧炉及精炼炉等电极调节领域，具体涉及一种电极智能调节器及电极智能控制方法。

背景技术

电弧炉及钢包精炼炉在采用电极产生的电弧加热过程中，由于吹氩搅拌、加料等干扰因素会导致电弧长度随机变化，使得弧电压和弧电流不停地变动，供电电能大比例地消耗在变压器中，这就需要在工作过程中，及时调节电弧长度，使电弧功率保持在设定数值。而电极调节器就是主要用来完成上述任务的，在加热过程中，通过对电极棒位置的调节和对电弧电阻的控制来调节电弧长度。

对于交流EAF（电弧炉）或LF(钢包精炼炉)，目前采用的PID（比例积分微分）进行电极调节，所用的调节器称为PID电极调节器，但PID电极调节器以如下的前提条件为基础：

1）三相之间是相互解耦的，也即认为三相之间无关联，每一相的输入/输出与其它项无关；

2）除输入电流（幅值）影响调节输出外，其它因素（如吹氩搅拌）均不考虑；

3）调节输出建立在PID算法的基础上。

但是，在实际生产中，上述三个前提条件是不成立的，因而传统的PID电极调节技术的实际效果并不令人满意，存在电弧控制稳定效果不好，电耗也比较大、以及不易控制过程的平稳性等问题。

发明内容

本发明针对现有单纯PID电极调节器在实际使用存在的电弧控制稳定效果不好，电耗也比较大等问题，提供了一种电极智能调节器及电极智能控制方法。

本发明的电极智能调节器包括电极升降控制柜、变压器副边电流采集线圈和二次匹配箱，电极升降控制柜中装配有智能调节器设备和热备PLC设备，安装在变压器二次侧导电铜管上的变压器副边电流采集线圈检测二次电流，将检测的二次电流发送给安装在变压器室内的二次匹配箱，二次匹配箱检测二次电压，并对二次电压进行滤波处理，将滤波处理后的二次电压和接收到二次电流转接成电气标准信号传送给智能调节器设备和热备PLC设备。热备PLC设备采用西门子PLC S7-400模板进行电极升降控制，当智能调节器设备故障时，热备PLC设备替代智能调节器设备进行电极升降控制。智能调节器设备采用含高速输入和输出采集卡的工控机进行电极升降控制，工控机中包括ANN（artificial neural network，人工神经网络）控制模块和PID电极控制模块。工控机根据接收到的信号判断当前是否存在异常情况，若存在异常情况，直接进行异常处理，以最快的速度升降电极，若不存在异常情况，则进一步判断接收的信号中的二次电流是否出现剧烈振荡，且剧烈振荡持续时间超出预设值，若是ANN控制模块存在异常，由PID电极控制模块根据接收的信号输出电极升降的控制信号，等二次电流稳定后，再启用ANN控制模块，若不存在异常，ANN控制模块根据接收的信号输出电极升降的控制信号。

所述的ANN控制模块中，采用BP（Back Propagation，反向传播）神经网络实现了ANN炉况仿真器和ANN调节器。ANN炉况仿真器模拟电弧炉或钢包精炼炉的实际炉况信号，输出预测炉况信号。ANN调节器包括离线调节和在线调节两种方式，用于模拟PID电极调节器输出电极升降的控制信号。在电极智能调节器正式运行前，训练好ANN炉况仿真器和ANN调节器。

ANN炉况仿真器的训练方法为：首先将在时间片N作用于电弧炉或钢包精炼炉的控制信号和时间片N时的实际炉况信号作为神经网络的输入，输出下一时间片N+1的预测炉况信号，然后将下一时间片的控制信号作用于电弧炉或钢包精炼炉产生的实际炉况信号，与得到的预测炉况信号相比，根据相比产生的误差来调整ANN炉况仿真器的神经网络中的权值，经过训练，使得ANN炉况仿真器输出的预测炉况信号逼近实际炉况信号。

ANN调节器的离线训练方法为：将历史采集的作用于电弧炉或钢包精炼炉的控制信号、实际炉况信号以及电流设定点，作为神经网络的输入，根据输入分别得到PID电极调节器输出的控制信号和ANN调节器输出的控制信号，将得到的两个控制信号相比，根据相比产生的误差来调整ANN调节器的神经网络中的权值，直至ANN调节器输出的控制信号与PID电极调节器输出的控制信号一致。

ANN调节器的在线训练方法是：将离线训练好的ANN调节器输出的控制信号输入训练好的ANN炉况仿真器，ANN炉况仿真器输出的预测炉况信号，将得到预测炉况信号和电流设定点相比，根据相比产生的误差修改ANN调节器的神经网络中的权值，使得ANN调节器输出的控制信号达到所要求的预测精度。

PID电极控制模块在时间片N内接收到的信号，先该信号用于对ANN炉况仿真器进行训练，并启动PID电极调节器得到控制信号U(N+1)，对控制信号U(N+1)进行微调，微调方法是：将控制信号U(N+1)输入ANN炉况仿真器，得到预测炉况信号，将得到的预测炉况信号中的预测电流与电流设定点相比得到误差，根据得到的误差调整控制信号，公式为：

U^T+1(N+1)＝U^T(N+1)＋KU×^E^T(N+1)

其中，T表示微调次数，T＞0，KU为微调系数，KU＞0，^E^T(N+1)表示第T次微调时预测电流与电流设定点相比得到误差，U^T+1(N+1)表示第T次微调后得到的控制信号，U^T(N+1)表示第T次微调的控制信号，初始为PID电极调节器得到的控制信号U(N+1)；然后对将微调后的控制信号再进行微调，直到误差^E^T(N+1)满足所设定的精度或微调次数T达到所设定的上限值，最后得到的控制信号就是最优控制信号^U(N+1)，将该控制信号^U(N+1)输出。

本发明基于所述的电极智能调节器的电极智能控制方法，具体步骤是：

步骤1：工控机根据当前接收的信号判断是否存在异常情况，若是，输出异常处理的控制信号，以最快的速度升降电极，否则执行步骤2；所述的异常情况包括电流过负荷和短路保护；

步骤2：判断采集的二次电流是否出现剧烈振荡，且剧烈振荡持续时间超出预设值，若是，则ANN控制模块出现故障，执行步骤5，否则执行步骤4；

步骤4：启动ANN控制模块进行电极升降控制，具体是：首先进行ANN炉况仿真器的在线训练，当ANN炉况仿真器满足设定的精度要求时，设置ANN控制模块有效，通过ANN调节器进行在线调节，输出控制信号；

步骤5：启动PID电极控制模块进行电极控制，具体是：先将在时间片N内接收到的信号，用于对ANN炉况仿真器进行训练，然后启动PID电极调节器得到控制信号U(N+1)，对控制信号U(N+1)进行微调，得到最优的控制信号并输出。

本发明的优点和积极效果在于，本发明的电极智能调节器及电极智能控制方法，结合了神经元网络技术与PID电极控制的优点，并根据设定的冶炼曲线获得稳定的熔炼弧流，通过神经元网络的自学习功能实现了设定点的寻优，与单纯的PID电极调节器相比，本发明所使用的电极智能调节器及电极智能控制方法具有电弧控制稳定、降低电耗、减少电极消耗、增加控制过程的平稳性等优点。

附图说明

图1是本发明的电极智能调节器的整体组成框架图；

图2是本发明的工控机中的模块进行电极升降控制的示意图；

图3是实现ANN炉况仿真器的原理示意图；

图4是ANN调节器离线训练的原理示意图；

图5是ANN调节器在线训练的原理示意图；

图6是本发明PID电极控制模块输出控制信号的示意图；

图7是本发明的电极智能控制方法的流程图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明所采用的电极智能调节器，如图1所示，整体包括：电极升降控制柜1、变压器副边电流采集线圈2和二次匹配箱3。

电极升降控制柜1中装配有智能调节器设备4和热备PLC（Programmable LogicController，可编程逻辑控制器）设备5。电极升降控制柜1的高*宽*厚为2200*800*800mm，为双面控制柜，外层门为玻璃门，内层门带由显示仪表和显示屏组成的LCD显示器42，显示仪表用来显示二次短网电流、电压参数，显示屏用来显示冶炼状态和调整冶炼参数。

变压器副边电流采集线圈2安装在变压器二次侧导电铜管上，用于检测二次电流。

二次匹配箱3安装在变压器室内，用于检测二次电压，并对二次电压进行滤波，以及将的二次电流和二次电压信号转接成电气标准信号传送给智能调节器设备4和热备PLC设备5。

智能调节器设备4包括如下组成部分：含高速I/O(输入和的输出)采集卡的工控机41、LCD显示器42、数据采集卡辅助设备43、第一电量变送器44、第一输出信号转换器45和信号模拟装置46。第一电量变送器44的功能将采集来的变压器原边和副边的电压信号及电流信号，转换成工控机41中高速I/O采集卡能接受的炉况信号，并通过数据采集卡辅助设备43隔离后传到工控机41，工控机41根据接收的信号输出控制电极升降的控制信号。第一输出信号转换器45接收工控机41的输出信号发送到控制设备。信号模拟装置46用于对工控机41输出的控制信号的仿真。

热备PLC设备5包含：西门子PLC S7-400模板51、第二电量变送器52和第二输出信号转换器53。第二电量变送器52将采集来的变压器原边和副边的电压信号及电流信号转换成热备PLC设备5的西门子PLC S7-400模板51能接受的炉况信号；西门子PLC S7-400模板51根据接收的信号输出控制电极升降的控制信号；第二输出信号转换器53接收热备PLC设备5的输出信号发送到控制设备。

智能调节器设备4故障时，热备PLC设备5自动替代智能调节器设备4进行电极升降控制，保障正常生产。热备PLC设备5是一套独立的电极升降控制系统，采用阻抗控制或电流控制方式，控制算法为现有PID电极调节方法，调节速度为100～200ms。

如图2所示，本发明的工控机41包括ANN控制模块411和PID电极控制模块412。工控机41根据接收到的信号判断当前是否存在异常情况，若存在异常情况，直接进行异常处理，以最快的速度升降电极，若不存在异常情况，则进一步判断采集的二次电流是否出现剧烈振荡，且剧烈振荡持续时间超出预设值，若是，则ANN控制模块411存在异常，由PID电极控制模块412根据接收的信号输出电极升降的控制信号，等二次电流稳定后，再启用ANN控制模块412，若不存在异常，则ANN控制模块411根据接收的信号中输出电极升降的控制信号。在本发明中，根据设定的冶炼曲线获得稳定的熔炼弧流，进一步寻到到最优设定点，将最优设定点输入ANN控制模块411和PID电极控制模块412进行控制信号的输出，能够降低电耗。

ANN控制模块411采用神经元网络调节电极，该模块中实现了ANN炉况仿真器和ANN调节器。ANN炉况仿真器和ANN调节器均采用BP神经网络实现。

如图3所示，ANN炉况仿真器就是用ANN来模拟实际的EAF或LF的动态响应，输出EAF或LF的模拟炉况信号。EAF或LF的炉况信号主要有如下变量：二次电压（三相）；二次电流（三相）；二次功率因数（三相）；二次泊松弧稳定因子（三相）；加热时间等等。

图3中的变量含义如下：Reg表示ANN调节器输出的控制信号（三相）；N代表第N个时间片，N的上一个时间片为N-1，下一个时间片为N+1；S表示EAF或LF的实际炉况信号，S(N)表示时间片N时的实际炉况信号；^S表示ANN炉况仿真器输出的炉况信号；Error表示的是偏差值。一个时间片是指ANN炉况仿真器的一个控制周期，即200ms。

由于ANN调节器根据时间片N的输入信号算出的控制信号要在下一个时间片N+1才产生作用，因此用Reg(N+1)表示时间片N时的ANN调节器输出的控制信号。

在电极智能调节器正式运行前，需要训练好ANN炉况仿真器，将采集的历史控制信号Reg(N),Reg(N-1)……和实际炉况信号S(N),S(N-1)…作为输入进行训练。ANN炉况仿真器的训练方法是：将EAF或LF在时间片N的实际炉况信号S(N)和在时间片N作用于EAF或LF的控制信号Reg(N)作为输入，输出EAF或LF在时间片N+1时的预测炉况信号^S(N+1)，将在时间片N+1时的控制信号Reg(N+1)作用于EAF或LF产生实际炉况信号S(N+1)，将时间片N+1的实际炉况信号S(N+1)和预测炉况信号^S(N+1)相比，根据相比产生的误差来调整ANN炉况仿真器的神经网络中的权值。通过对大量样本的学习将使得ANN炉况仿真器输出的预测炉况信号逼近EAF或LF输出的实际炉况信号，从而在控制过程中可以提前预测控制信号Reg(N+1)对EAF或LF的控制效果。ANN炉况仿真器的BP神经网络根据ANN炉况仿真器的预测信息来优化神经网络中的控制参数（权值）。

决定第N+1个时间片EAF或LF的炉况的因素有：

a：当前时间片N和前面几个时间片的炉况及相应的ANN调节器输出；

b：随机干扰（如加料）；

c：有规律的干扰（如炉底吹氩）。

ANN炉况仿真器可以学习EAF或LF对因素a和c的响应特性。因为因素a是明确的输入信号，因素c尽管不是明确的输入，但它有规律的作用还是很容易被ANN炉况仿真器识别并逼近。而如果输入信号能反映出随机干扰的迹象，ANN炉况仿真器也能提前作出预测。

ANN调节器有离线调节和在线调节两种方式。

ANN调节器离线训练的原理如图4所示。本发明实施例中图4中的变量SP代表电流设定点，^Reg表示ANN调节器输出的控制信号，其它变量的含义与图3中的相同。

SP(N)表示的是在时间片N给出的电流设定点，指示的是下一个时间片N+1要达到的电流值，因此，SP(N)是下一个时间片炉况的理想值。本发明实施例中的电流设定点的设定方法是：根据设定的冶炼曲线获得稳定的熔炼弧流，然后通过神经元网络的自学习功能寻找到最优的电流设定点。设定点也可以是电压设定点或者功率设定点，具体由用户决定。

ANN调节器用来模拟现有PID电极调节器输出的电极升降的控制信号。在电极智能调节器投入运行前，离线训练ANN调节器，将历史采集的控制信号Reg(N),Reg(N-1)……和实际炉况信号S(N),S(N-1)……，以及时间片N的电流设定点SP(N)，作为ANN离线调节器的BP神经网络的输入来进行训练，使ANN离线调节器输出的控制信号与现有PID电极调节器的响应情况一致。具体如图4所示，将在时间片N时作用于EAF或LF的控制信号Reg(N)和实际炉况信号S(N)，以及电流设定点SP(N)分别输入ANN调节器和PID电极调节器，得到ANN调节器输出的控制信号^Reg(N+1)和PID电极调节器输出的控制信号Reg(N+1)，相比得到的两个信号，根据相比产生的误差来调整ANN调节器的神经网络中的权值，如此不断进行训练，直至ANN调节器输出的控制信号与PID电极调节器输出的控制信号基本一致，或者达到了所要求的预测精度。对ANN调节器进行离线训练是一种安全措施，保证神经元网络一开始就能输出合理的控制信号。在线运行时，ANN调节器的神经网络中的权值可通过在线学习机制进行实时优化。

ANN调节器在线训练的原理如图5所示，在线调节时，ANN调节器由训练好的ANN炉况仿真器和离线训练好的ANN调节器组合而成的网络实现的。离线训练好的ANN调节器产生的控制输出Reg(N+1)作用于ANN炉况仿真器，使其输出控制效果——预测炉况信号^S(N+1)，^S(N+1)与电流设定点SP(N)相比产生的误差用作修改ANN调节器神经网络中的权值，使得ANN调节器输出的控制信号作用于ANN炉况仿真器后得到的预测炉况信号达到所要求的预测精度。

ANN调节器在线训练的前提是：ANN炉况仿真器已达到足够的预测精度，它输出的炉况预测值^S(N+1)与Reg(N+1)作用于实际的电弧炉或精炼炉所可能产生的输出基本一致。

ANN炉况仿真器的预测精度对ANN调节器的在线训练质量有关键影响。ANN炉况仿真器的不精确将直接导致训练误差的不精确甚至不正确，从而导致ANN调节器越训练越坏。因此，在每个时间片内，都要先保证ANN炉况仿真器的在线训练满足精度要求，再训练ANN调节器。如果在整个时间片内，ANN炉况仿真器都未能达到精度要求，那么就不进行ANN调节器的在线训练。换言之，保持ANN调节器的权值。一般情况下，保持ANN调节器的权值同样能得到比较理想的控制结果。因为，ANN调节器在离线训练时已达到了很高的预测精度。即使因为炉况的异常造成了控制结果的无效，工控机41中的PID电极控制模块也会采取补救措施，确保电极控制的安全与可靠。

ANN控制模块411出现不可用的情况时，就调用PID电极控制模块412进行保驾。ANN调节器会因为ANN炉况仿真器的预测错误而产生错误的电极升降控制信号，实际的控制信号与理想的控制信号之间的巨大差距将使二次电流与电流设定点之间的差距拉大，进而引起二次电流的剧烈振荡，如果振荡持续时间过长，就认为ANN控制模块411已不能靠自身的调节脱离振荡，在这种情况下，就要调用PID电极控制模块412运行。等经PID电极控制模块412的控制使二次电流稳定后，再启用ANN控制模块411。

PID电极控制模块412将在时间片N内接收到的信号，先将该信号进行ANN炉况仿真器的在线训练，然后，启动PID电极调节器，得到控制信号U(N+1)，U(N+1)并不马上送出，而是经过一个微调环节。如图7所示，微调环节把U(N+1)送入ANN炉况仿真器，使之得到一个预测炉况信号，其中预测电流为^I(N+1)，预测电流^I(N+1)与电流设定点SP(N)形成误差^E(N+1)，利用误差^E(N+1)调整控制信号U(N+1)，然后将调整后的控制信号输入ANN炉况仿真器，如此循环，直到误差^E(N+1)满足所设定的精度或微调次数达到所设定的上限值，最后得到的控制信号就是最优控制信号^U(N+1)，将该控制信号^U(N+1)输出。

根据误差^E(N+1)微调控制信号U(N+1)的公式为：

U^T+1(N+1)＝U^T(N+1)＋KU×^E^T(N+1)

T表示微调次数，T≥0，U^T+1(N+1)表示第T次微调后得到的控制信号，U^T(N+1)表示第T次微调的控制信号，初始为PID电极调节器得到的控制信号U(N+1)；KU为微调系数，可根据控制效果调整取值，KU＞0，KU不可取得太大，以便保证微调算法的收敛性。

PID电极控制模块412的工作原理和ANN控制模块411的工作原理有相似之处：利用ANN炉况仿真器预测控制效果，根据预测结果调整控制信号，最后再将预测控制效果最好的控制信号送出。主要的不同点在于：（1）ANN调节器通过在线学习可以不断改变控制参数（权值），而PID电极控制模块412不改变PID电极调节器中PID算法的参数，而只是对PID电极调节器给出的控制信号进行微调。因此，PID电极控制模块412不能像ANN调节器逐渐优化控制参数，但也不会把由ANN炉况仿真器的错误预测引起的不良影响带入下一时间片的PID计算中。（2）PID电极控制模块412对控制信号的微调方法是简单的比例调节，并且是三相分离进行的。而ANN调节器则是根据BP神经网络算法进行的梯度调节，考虑“三相敏感性”，综合调节三相控制信号。（3）由于少了一个BP神经网络，并且微调方法极为简单，PID电极控制模块412执行一次控制的时间要比ANN控制模块411少的多，从而可以留出更多的时间供ANN仿真器进行在线学习，以达到更高的预测精度。

PID电极控制模块412在现场试运行，也取得了较好的效果。

如图7所示，本发明基于所述的电极智能调节器提供了一种电极智能调节方法，包括如下步骤：

步骤1：工控机根据当前接收的信号判断是否存在异常情况，若是，输出异常处理的控制信号，以最快的速度升降电极，否则执行步骤2；所述的异常情况包括电流过负荷和短路保护；

步骤2：判断采集的二次电流是否出现剧烈振荡，且剧烈振荡持续时间超出预设值，若是，则ANN控制模块出现故障，执行步骤5，否则执行步骤4；

步骤4：启动ANN控制模块411进行电极升降控制，具体是：首先进行ANN炉况仿真器的在线训练，当ANN炉况仿真器满足设定的精度要求时，设置ANN控制模块有效，通过ANN调节器进行在线调节，输出控制信号；

步骤5：启动PID电极控制模块412进行电极控制，具体是：先将在时间片N内接收到的信号，用于对ANN炉况仿真器进行训练，然后启动PID电极调节器得到控制信号U(N+1)，对控制信号U(N+1)进行微调，得到最优的控制信号并输出。

本发明的电极智能调节器能够在有些异常情况下，需要快速做出反应，例如起弧，电流过负荷，短路保护等。也能够实现在线故障诊断，根据判断控制设备运行情况，并在画面上给出输入输出模板、计算机、网络通讯是否正常的信息。在电极智能调节器上有从电量输入到控制信号输出的各个环节的逻辑关系和定量关系，便于智能调节器的维护和检修。电极智能调节器与服务器间通过以太网进行通讯，电极智能调节器与PLC之间的通讯采用工业以太网，连接到原交换机上。

本发明的电极智能调节器通过检测钢包炉变压器原边、副边的电压瞬时值，每周波（20ms）采样100～110次，能得到反映钢包炉冶炼的非正弦、畸变波形；利用高速采集的电量瞬时值，可得到电压电流的有效值、相角、有功功率、无功功率、弧压、弧长、弧功率、电耗等重要电气参数；根据弧压、弧长、弧功率等电气参数计算，与服务器预测值相匹配，在保证升温速度的前提下，实现合理控制弧长；也可在ANN控制模块411投入运行时，同时运行PID电极控制模块412，然后综合判断控制信号的输出，以确保电弧炉及钢包精炼炉在电弧加热过程运行的安全可靠。

本发明所采用的ANN控制，相对于现有的PID控制，考虑了三相之间的耦合性,方法具有三相敏感性，通过检测电流电压的瞬时值,能真实的反映实际的电流电压波形,从而得到控制所需的各种信息，并可基于动态优化的设定点，可预测炉况的变化,从而防患于未然，并能根据炉况,不断调整ANN权值,从而得到优化的控制性能，能够控制电弧稳定性。

Claims (2)

1.一种电极智能调节器，包括电极升降控制柜、变压器副边电流采集线圈和二次匹配箱，电极升降控制柜中装配有智能调节器设备和热备PLC设备，PLC表示可编程逻辑控制器，安装在变压器二次侧导电铜管上的变压器副边电流采集线圈检测二次电流，将检测的二次电流发送给安装在变压器室内的二次匹配箱，二次匹配箱检测二次电压，并对二次电压进行滤波处理，将滤波处理后的二次电压和接收到二次电流转接成电气标准信号传送给智能调节器设备和热备PLC设备；其特征在于，所述的智能调节器设备采用含高速输入和输出采集卡的工控机进行电极升降控制，工控机中包括ANN控制模块和PID电极控制模块，PID表示比例积分微分，ANN表示人工神经网络；工控机根据接收到的信号判断当前是否存在异常情况，若存在异常情况，直接进行异常处理，以最快的速度升降电极，若不存在异常情况，则进一步判断接收的信号中的二次电流是否出现剧烈振荡，且剧烈振荡持续时间超出预设值，若是，则ANN控制模块存在异常，由PID电极控制模块根据接收的信号输出电极升降的控制信号，等二次电流稳定后，再启用ANN控制模块，若不存在异常，ANN控制模块根据接收的信号输出电极升降的控制信号；

ANN控制模块采用反向传播神经网络实现了ANN炉况仿真器和ANN调节器；ANN炉况仿真器模拟电弧炉或钢包精炼炉的实际炉况信号，输出预测炉况信号；ANN调节器包括离线调节和在线调节两种方式，用于模拟PID电极调节器输出电极升降的控制信号；在电极智能调节器正式运行前，训练好ANN炉况仿真器和ANN调节器；ANN炉况仿真器的训练方法为：首先将在时间片N作用于电弧炉或钢包精炼炉的控制信号和时间片N时的实际炉况信号作为神经网络的输入，输出下一时间片N+1的预测炉况信号，然后将下一时间片的控制信号作用于电弧炉或钢包精炼炉产生的实际炉况信号，与得到的预测炉况信号相比，根据相比产生的误差来调整ANN炉况仿真器的神经网络中的权值，经过训练，使得ANN炉况仿真器输出的预测炉况信号逼近实际炉况信号；ANN调节器的离线训练方法为：将历史采集的作用于电弧炉或钢包精炼炉的控制信号、实际炉况信号以及电流设定点，作为神经网络的输入，根据输入分别得到PID电极调节器输出的控制信号和ANN调节器输出的控制信号，将得到的两个控制信号相比，根据相比产生的误差来调整ANN调节器的神经网络中的权值，直至ANN调节器输出的控制信号与PID电极调节器输出的控制信号一致；ANN调节器的在线训练方法是：将离线训练好的ANN调节器输出的控制信号输入训练好的ANN炉况仿真器，ANN炉况仿真器输出预测炉况信号，将得到的预测炉况信号和电流设定点相比，根据相比产生的误差修改ANN调节器的神经网络中的权值，使得ANN调节器输出的控制信号达到所要求的预测精度；

PID电极控制模块在时间片N内接收到的信号，先将该信号用于对ANN炉况仿真器进行训练，然后启动PID电极调节器得到控制信号U(N+1)，对控制信号U(N+1)进行微调，微调方法是：将控制信号U(N+1)输入ANN炉况仿真器，得到预测炉况信号，将得到的预测炉况信号中的预测电流与电流设定点相比得到误差，根据得到的误差调整控制信号，公式为：

U^T+1(N+1)＝U^T(N+1)+KU×^E^T(N+1)

其中，T表示微调次数，T＞0，KU为微调系数，KU＞0，^E^T(N+1)表示第T次微调时预测电流与电流设定点相比得到误差，U^T+1(N+1)表示第T次微调后得到的控制信号，U^T(N+1)表示第T次微调的控制信号，初始为PID电极调节器得到的控制信号U(N+1)；然后对将微调后的控制信号再进行微调，直到误差^E^T(N+1)满足所设定的精度或微调次数T达到所设定的上限值，最后得到的控制信号就是最优控制信号^U(N+1)，将该控制信号^U(N+1)输出；

所述的热备PLC设备采用西门子PLC S7-400模板进行电极升降控制，当智能调节器设备故障时，热备PLC设备替代智能调节器设备进行电极升降控制。

2.一种应用权利要求1所述的电极智能调节器的电极智能控制方法，其特征在于，该方法由智能调节器设备中的工控机实施，具体步骤是：

步骤1：工控机根据当前接收的信号判断是否存在异常情况，若是，输出异常处理的控制信号，以最快的速度升降电极，否则执行步骤2；所述的异常情况包括电流过负荷和短路保护；

步骤2：判断采集的二次电流是否出现剧烈振荡，且剧烈振荡持续时间超出预设值，若是，则ANN控制模块出现故障，执行步骤5，否则执行步骤4；

步骤4：启动ANN控制模块进行电极升降控制，具体是：首先进行ANN炉况仿真器的在线训练，当ANN炉况仿真器满足设定的精度要求时，设置ANN控制模块有效，通过ANN调节器进行在线调节，输出控制信号；

步骤5：启动PID电极控制模块进行电极控制，具体是：先将在时间片N内接收到的信号，用于对ANN炉况仿真器进行训练，然后启动PID电极调节器得到控制信号U(N+1)，对控制信号U(N+1)进行微调，得到最优的控制信号并输出。