CN104020672B - 一种直流中空电极电石炉智能控制方法 - Google Patents

Abstract

一种直流中空电极电石炉智能控制方法，借助于BP神经网络的非线性映射能力和泛化能力来实现电石炉电极升降控制和粉料加料速度的调节，采用直流电流互感器测量直流电极上的超大电流，采用数字油缸实现对电极升降的精确控制，本发明通过建立一个多输入输出的BP神经网络，利用经验数据对BP神经网络进行训练，误差足够小时，训练结束，将BP神经网络投入系统中运行；运行中，不管BP神经网络接收的输入出现在训练数据中或者没有出现过，BP神经网络都可以输出一个精确合理的控制输出；本发明提出的控制方法用于电极的升降控制盒粉料加料速度的调节，解决了传统手动控制中电极软硬断事故频发、炉况不稳定、能耗高这三个问题。

Description

一种直流中空电极电石炉智能控制方法

技术领域

本发明属于自动控制技术领域，特别涉及一种直流中空电极电石炉智能控制方法。

背景技术

现有的大型密闭矿热炉由于模型复杂难以建模，常用的如PID等工业控制方法效果非常不理想等原因，普遍采用工人根据测量仪表显示的工况数据结合工人的工作经验，手动的控制电极的升降，同时块状原料间接触面积小，无法充分利用能源。这种控制方法的控制精度低，容易引发电极软硬断事故，同时也造成炉况不稳定、能耗居高不下。这些问题提高了企业的生产成本，直接影响企业的经济效益。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种直流中空电极电石炉智能控制方法，主要解决了背景技术中工人手动控制无法解决的电极软硬断事故频发、炉况不稳定、能耗高这三个问题。

为了实现上述目的，本发明采用的技术方案是：

一种直流中空电极电石炉智能控制方法，所述电石炉中设置有直流中空电极6，直流中空电极6外部设置控制其升降的升降数字油缸3，粉料料斗12通过带有流量传感器9和粉料料斗阀门11的粉料输料管10连接直流中空电极6中空部分的顶端向其中供料，在直流中空电极6上设置直流电流互感器5获取直流中空电极6上的实时电流I，同时利用温度传感器获取电石炉内的实时温度T，通过选择若干隐层节点，建立BP神经网络，利用经验数据对神经网络进行训练，当误差足够小时，完成训练过程，训练好的神经网络载入控制器，然后将电流I和温度T送入控制器内进行神经网络的运算或者查表得到直流中空电极6的升降长度L和粉料加料速度G两个控制输出，最终控制器通过向升降数字油缸驱动器4发送相应指令使得升降数字油缸3控制直流中空电极6升降指定的长度从而实现对升降长度L的调节，通过向粉料料斗阀门11发送相应指令控制其开度从而实现对粉料加料速度G的调节。

本发明隐层节点的选择没有固定的方法，需要根据应用要求的精度和样本数对隐层节点的个数进行选择。在本发明的应用中，BP网络逼近的是一个变化不是很剧烈的控制系统经验数据，因此本发明在应用中采用的方法是初始时选择足够多的隐层节点数，如20个。在网络完成训练之后，将权值太小以至于所起作用小于预期的隐层节点删除后得到的网络投入使用。

所述BP神经网络的训练过程是：

建立输入输出样本，其中输入为电流I和温度T，输出为升降长度L和粉料加料速度G；

向样本中输入事先已知的大量经验数据，计算各层的输出

计算各层输出之间的误差；

调整各层权值直至误差小于指定的值。

在BP神经网络投入使用前，将可能的输入离散化为网格点，并算出每个网格点的输出做成表格保存在控制器中，控制器在线工作时，直接将输入对应查表得到控制输出。

所述直流中空电极6外还设置有下摩擦带7和上摩擦带8，并在下摩擦带7和上摩擦带8直接设置压放数字油缸1，下摩擦带7松开而上摩擦带8抱紧后，压放数字油缸1通过泄油带动整个电极下降指定的距离；而下摩擦带7抱紧上摩擦带8松开后，压放数字油缸1通过将油压入带动上摩擦带8回到原来的位置，为下一次压放做好准备。压放数字油缸驱动器2是连接控制器和压放数字油缸1的部件，对控制器传来的数字指令进行解析并精确控制压放数字油缸的动作。

所述控制器可为PLC。

与现有技术相比，本发明的有益效果是：

1.采用直流电流互感器替代电流表实现对直流电极的超大电流的精确测量。

2.采用的数字油缸实现对电极升降的精确控制。

3.把传统的手动控制升降操作改成PLC控制，避免工人操作失误引起的安全问题。

4.引入一种智能控制方法，在对象模型难以建立的情况下实现精准的控制。

5.引入一种稳定高效的控制实现策略，极大减小对PLC性能和资源的要求。

6.粉料原料的精确使用，极大的提高了生产效率。

7.根据实时工况调节粉料加料速度，可以有效防止粉料堆积，同时很好的维持炉温，提高能源利用率。

附图说明

图1是本发明中与电石炉电极控制相关的传感器与执行器安装部署示意图。

图2是本发明用于直流中空电极电石炉智能控制的BP神经网络结构图。

图3是用于直流中空电极电石炉智能控制的BP神经网络训练流程图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

首先对本发明控制方法基于的基础原理进行介绍。

在直流中空电极电石炉系统中，变压器二次电压维持恒定，电极与位于炉子底部的底电极之间的距离直接影响电极电流的大小，两者呈负相关的关系，电极与底电极之间的距离越大，通过电极的电流越小，电极与底电极之间的距离越小，通过电极的电流越大。例如，在70KVA的大型直流中空电极电石炉中，理论和实践经验都证明，维持电极电流为16WA将使得电石炉生产稳定高效节能的进行。过高的电流将会使得频繁的开堵炉和热能耗散，导致能耗增加和设备寿命减短。过小的电流会导致反应变慢，产能低下。

根据基本的化学原理，反应的速度与参与反应的物质间接触面积有正相关的关系，因此中空直流电极电石炉生产高效的一个主要因素是粉料的使用。粉料加料系统根据当前的工况调节粉料的加料速度。粉料加料的速度等于当前的工况最充分利用能量的情况下，粉料被消耗的速度，在这个加料速度下，能量被充分的利用而且粉料也不会因为未能完全消耗而引起堆积。

综上，电石炉智能控制的目标是维持电极电流恒定在指定的值附近，允许小范围波动，并且根据当前工况，提供最合适的粉料加料速度。控制输入是直流中空电极6上的电流I和电石炉内的炉温T，控制输出是电极升降的长度L和最优粉料加料速度G。由于电石炉是一个非线性大滞后的复杂系统，电石炉准确的数学模型无法建立或者难以建立，所以可以采用基于神经网络的智能控制系统。

本发明控制系统实现的是电极电流I、炉温T与电极升降长度L和粉料加料速度G之间的映射，记为(L,G)＝f(I,T)，借助于BP神经网络的非线性映射能力和泛化能力来实现这个控制系统。使用历史经验数据对这个神经网络进行训练，当误差降到指定的范围内时，停止训练过程，这个神经网络便可以投入实际应用，实现精准控制。为提高系统实时性和降低对PLC性能的要求，可以离线的将I、T网格化并算出每个离散点的输出做成一张表格保存在PLC中。PLC在线工作时，直接将输入对应查表得到控制输出，这样可极大地减少对PLC资源和性能的要求。

进一步地，对本发明的实现过程以及必要硬件进行详细描述。

如图1所示，为实现本发明控制方法所需要的传感器与执行器安装部署结构，其中，直流中空电极6是电石炉中的关键设备，在其外部设置控制其升降的升降数字油缸3，粉料料斗12通过带有流量传感器9和粉料料斗阀门11的粉料输料管10连接直流中空电极6中空部分的顶端向其中供料，在直流中空电极6上设置用以获取直流中空电极6上实时电流I的直流电流互感器5，以及用以获取电石炉内实时温度T的温度传感器。

直流中空电极6外还设置有下摩擦带7和上摩擦带8，并在下摩擦带7和上摩擦带8直接设置压放数字油缸1，下摩擦带7松开而上摩擦带8抱紧后，压放数字油缸1通过泄油带动整个电极下降指定的距离；而下摩擦带7抱紧上摩擦带8松开后，压放数字油缸1通过将油压入带动上摩擦带8回到原来的位置，为下一次压放做好准备。压放数字油缸驱动器2是连接控制器和压放数字油缸1的部件，对控制器传来的数字指令进行解析并精确控制压放数字油缸的动作。

根据图2，选择8到10个隐层节点，建立BP神经网络，利用经验数据作为样本，经验数据时熟练工人高效手动控制的数据。熟练工人根据仪表显示的当前电流值和炉温数据做出电极是否应该升降以及升降长度的决定，同时也决定是否应该对粉料下料速度进行调节，数据可以组织为如下表格:

表格中的数据项(x,y)中，x是电极升降数据，取提升电极为正，下降电极为负，数值的绝对值为对应的升降长度；y为对粉料阀门开度的调节数据，正为增大阀门开度，负为减小阀门开度，数值的绝对值对应于阀门开度改变的量。

对神经网络进行训练，当误差足够小时，完成训练过程，将训练好的神经网络载入控制器投入使用。其中，控制输入A是由直流电流互感器测量得到的电极电流I，控制输入B是由温度传感器测量得到的炉温T，控制输出A’是电极升降的长度L，控制输出B’是粉料加料速度G，用于调节粉料料斗阀门11的开度。神经网络的泛化和非线性映射能力将使得对于训练中没有出现过的输入，控制系统也会得到合适精确的输出。

BP神经网络训练的过程就是为网络选择合适的权值矩阵的过程，使用足够多的经验控制数据作为输入对这个神经网络进行训练知道误差达到指定的范围。BP神经网络的具体训练流程如图3所示，建立输入输出样本。

其中输入为电流I和温度T，输出为升降长度L和粉料加料速度G；向样本中输入事先已知的大量经验数据，计算各层的输出，过程如下：

首先作出如下约定：

输入向量:X＝(x₁,x₂,..,x_i,...,x_n)^T，其中n是输入的个数，本发明中为2；

隐层输出向量:Y＝(y₁,y₂,...,y_j,...y_m)^T，其中m为隐层节点的个数；

输出向量:O＝(o₁,o₂,...,o_k,...,o_l)^T，其中l是输出的个数，本发明中为2；

输入到隐层之间的权值矩阵:V＝(V₁,V₂,...,V_j,...,V_m)；

隐层节点到输出的权值矩阵:W＝(W₁,W₂,...,W_k,...W_l)；

选择sigmoid函数作为神经元的作用函数，f(x)＝1/(1+e^-x)，输出在区间(0,1)之间。因此经验的控制数据需要在投入使用前进行缩放处理。

隐层的输出计算为: $y_j=f\left(V_j^{T}X\right),j=\mathrm{1,2},..,m;$

输出的计算为: $o_k=f\left(W_j^{T}Y\right),k=\mathrm{1,2},...,l;$

然后计算各层输出之间的误差；

再调整各层权值直至误差小于指定的值，调整方法如下：

(1)初始化V,W,E_min,η；其中η为训练步长，一般选0.3，E_min为指定的误差阈值；

(2)根据每一组输入样本，计算各层输出：

$y_j=f\left(V_j^{T}X\right),j=\mathrm{1,2},...,m,o_k=f\left(W_j^{T}Y\right),k=\mathrm{1,2},...,l;$

(3)计算误差：

$E=\frac{1}{2}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{(d_k-o_k)}^2,$

其中P为样本的总数，d_k是针对该组输入的期望输出。如果E<E_min,训练结束；

(4)计算各层误差信号：

${\mathrm{\&delta;}}_k^o=(d_k-o_k)(1-o_k)o_k,k=\mathrm{1,2},...,l,{\mathrm{\&delta;}}_j^y=\left(\underset{k=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_k^o{w}_{\mathrm{jk}}\right)y_j(1-y_j),j=\mathrm{1,2},...,m$

(5)根据各层误差信号调整各层权值：

$w_{\mathrm{jk}}=w_{\mathrm{jk}}+{\mathrm{\&eta;\&delta;}}_k^o{y}_i,k=\mathrm{1,2},...,l,j=\mathrm{1,2},...,m;$

$V_{\mathrm{ij}}=V_{\mathrm{ij}}+{\mathrm{\&eta;\&delta;}}_j^y{x}_i,j=\mathrm{1,2},...,m,x=\mathrm{1,2},...,n;$

(6)返回继续训练过程直至误差小于指定的值。

本发明选择西门子S7400系列PLC作为控制器。直流电流互感器5的量程是5WA到25WA，其输出是一个模拟量，通过AD转换器，完成模拟量到数字量的转换，转换后的数字数据在50000到250000之间。位于电石炉内的温度传感器测量得到实时的炉温T。电极电流I和炉温T数据实时传送至PLC中。PLC在得到直流电极电流和炉温后，送到CPU内进行神经网络的运算或者查表得到电极升降长度L和粉料加料速度G这两个控制输出。最终PLC通过向升降数字油缸驱动器4发送相应指令使得升降数字油缸3控制直流中空电极6升降指定的长度从而实现对L的精确调节，通过向粉料料斗阀门11发送相应指令控制其开度从而实现对G的调节。

为减小对PLC资源和性能的要求，可以事先将控制输入细粒度的网格化然后计算每一个网格点的输出并存储成表格，在控制系统投入运行时，直接使用表格将系统输入映射到合理的控制输出上。如直流中空电极电流在[140000,180000]A之间，以1000A为一个单位进行离散化，炉温在[2000,2500]摄氏度，以50摄氏度为一个单位进行离散化。在PC机上，离散化的网格点送入BP神经网络计算出控制输出。计算完成后，将这样的输入输出关系制作成表格存储到PLC的存储器中，PLC运行时，直接使用表格将系统输入映射到合理的控制输出上。

Claims (8)

1.一种直流中空电极电石炉智能控制方法，所述电石炉中设置有直流中空电极(6)，直流中空电极(6)外部设置控制其升降的升降数字油缸(3)，粉料料斗(12)通过带有流量传感器(9)和粉料料斗阀门(11)的粉料输料管(10)连接直流中空电极(6)中空部分的顶端向其中供料，其特征在于，在直流中空电极(6)上设置直流电流互感器(5)获取直流中空电极(6)上的实时电流I，同时利用温度传感器获取电石炉内的实时温度T，通过选择若干隐层节点，建立BP神经网络，利用经验数据对神经网络进行训练，当误差足够小时，完成训练过程，训练好的神经网络载入控制器，然后将电流I和温度T送入控制器内进行神经网络的运算或者查表得到直流中空电极(6)的升降长度L和粉料加料速度G两个控制输出，最终控制器通过向升降数字油缸驱动器(4)发送相应指令使得升降数字油缸(3)控制直流中空电极(6)升降指定的长度从而实现对升降长度L的调节，通过向粉料料斗阀门(11)发送相应指令控制其开度从而实现对粉料加料速度G的调节。

2.根据权利要求1所述的直流中空电极电石炉智能控制方法，其特征在于，所述隐层节点的选择依据是：初始时选择足够多的隐层节点数，在网络完成训练之后，将权值太小以至于所起作用小于预期的隐层节点删除，然后将得到的网络投入使用。

3.根据权利要求1所述的直流中空电极电石炉智能控制方法，其特征在于，所述BP神经网络的训练过程是：

建立输入输出样本，其中输入为电流I和温度T，输出为升降长度L和粉料加料速度G；

向样本中输入事先已知的大量经验数据，计算各层的输出；

计算各层输出之间的误差；

调整各层权值直至误差小于指定的值。

4.根据权利要求3所述的直流中空电极电石炉智能控制方法，其特征在于， 所述各层的输出计算过程如下：

首先作出如下约定：

输入向量:X＝(x₁,x₂,..,x_i,...,x_n)^T，其中n是输入的个数；

隐层输出向量:Y＝(y₁,y₂,...,y_j,...y_m)^T，其中m为隐层节点的个数；

输出向量:O＝(o₁,o₂,...,o_k,...,o_l)^T，其中l是输出的个数；

输入到隐层之间的权值矩阵:V＝(V₁,V₂,...,V_j,...,V_m)；

隐层节点到输出的权值矩阵:W＝(W₁,W₂,...,W_k,...W_l)；

选择sigmoid函数作为神经元的作用函数，f(x)＝1/(1+e^-x)，输出在区间(0,1)之间，经验的控制数据在投入使用前先进行缩放处理；

隐层的输出计算为:

输出的计算为: 。

5.根据权利要求3所述的直流中空电极电石炉智能控制方法，其特征在于，所述调整各层权值直至误差小于指定的值的过程如下：

(1)初始化V,W,E_min,η；其中η为训练步长，取0.3，E_min为指定的误差阈值；

(2)根据每一组输入样本，计算各层输出：

(3)计算误差：

其中P为样本的总数，d_k是针对该组输入的期望输出，如果E<E_min,训练结束；

(4)计算各层误差信号：

(5)根据各层误差信号调整各层权值：

(6)返回继续训练过程直至误差小于指定的值。

6.根据权利要求1所述的直流中空电极电石炉智能控制方法，其特征在于，在BP神经网络投入使用前，将可能的输入离散化为网格点，并算出每个网格点的输出做成表格保存在控制器中，控制器在线工作时，直接将输入对应查表得到控制输出。

7.根据权利要求1所述的直流中空电极电石炉智能控制方法，其特征在于，所述直流中空电极(6)外还设置有下摩擦带(7)和上摩擦带(8)，并在下摩擦带(7)和上摩擦带(8)直接设置压放数字油缸(1)，下摩擦带(7)松开而上摩擦带(8)抱紧后，压放数字油缸(1)通过泄油带动整个电极下降指定的距离；而下摩擦带(7)抱紧上摩擦带(8)松开后，压放数字油缸(1)通过将油压入带动上摩擦带(8)回到原来的位置，为下一次压放做好准备。

8.根据权利要求1所述的直流中空电极电石炉智能控制方法，其特征在于，所述控制器为PLC。