袁 港 陶文華 李 天

(遼寧石油化工大學(xué)信息與控制工程學(xué)院1，遼寧 撫順 113001；遼寧石油化工大學(xué)自動(dòng)化研究所2，遼寧 撫順 113001)

焦?fàn)t立火道溫度的ANFIS建模與模糊控制的研究

袁 港1陶文華2李 天1

(遼寧石油化工大學(xué)信息與控制工程學(xué)院1，遼寧 撫順 113001；遼寧石油化工大學(xué)自動(dòng)化研究所2，遼寧 撫順 113001)

針對(duì)焦?fàn)t立火道溫度系統(tǒng)的復(fù)雜多變等特性，采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)方法中所具有的模糊經(jīng)驗(yàn)知識(shí)和神經(jīng)網(wǎng)絡(luò)中的自學(xué)習(xí)功能等優(yōu)點(diǎn)，解決焦?fàn)t溫度模型高耦合性、多變性和不確定性問題，進(jìn)而建立ANFIS辨識(shí)模型。同時(shí)，在模糊控制器中引進(jìn)遺傳優(yōu)化算法,實(shí)時(shí)調(diào)整模糊隸屬度規(guī)則,以達(dá)到平穩(wěn)、快速、準(zhǔn)確的控制要求。Matlab仿真證明了該方案的可行性和有效性。所設(shè)計(jì)的方案將為以后焦?fàn)t立火道溫度的控制優(yōu)化的研究提供理論性的指導(dǎo)。

焦?fàn)t ANFIS 遺傳算法 模型建立 模糊控制 Matlab仿真

0 引言

模糊邏輯與神經(jīng)網(wǎng)絡(luò)近些年發(fā)展較快，神經(jīng)網(wǎng)絡(luò)雖然具有自學(xué)習(xí)功能，但不能很好地表達(dá)人腦的推理功能；模糊推理系統(tǒng)適用于表示模糊的經(jīng)驗(yàn)和知識(shí)，缺乏有效的學(xué)習(xí)機(jī)制?；谧赃m應(yīng)神經(jīng)模糊推理系統(tǒng)(adaptive neural fuzzy inference system,ANFIS)將兩者有機(jī)結(jié)合，取其優(yōu)勢(shì)，去其劣勢(shì)[1]。將ANFIS理論應(yīng)用于焦?fàn)t溫度控制系統(tǒng)當(dāng)中，研究和設(shè)計(jì)一種新型智能控制器，可以在模型不確定的情況下，對(duì)焦?fàn)t溫度進(jìn)行自動(dòng)控制，并利用 Matlab仿真軟件進(jìn)行仿真研究。

本文分為三大部分展開。第一部分，采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)建立焦?fàn)t立火道辨識(shí)模型。ANFIS具有模糊的經(jīng)驗(yàn)知識(shí)和神經(jīng)網(wǎng)絡(luò)中自學(xué)習(xí)功能的優(yōu)點(diǎn)，能更好地解決模型的多變性和不確定性。第二部分，在模糊控制的基礎(chǔ)上，引進(jìn)遺傳算法，對(duì)模糊控制器的參數(shù)和模糊規(guī)則進(jìn)行自適應(yīng)調(diào)整。第三部分是仿真實(shí)現(xiàn)，與常規(guī)的控制方案進(jìn)行對(duì)比，驗(yàn)證該方案的可行性。

1 焦?fàn)t燃燒過程

焦?fàn)t是最復(fù)雜的冶金工業(yè)爐，包括多個(gè)燃燒室和多個(gè)炭化室，多個(gè)相間的結(jié)構(gòu)交錯(cuò)排列[2]。焦?fàn)t燃燒過程如圖1所示。

圖1 焦?fàn)t燃燒過程

首先,空氣與煤氣按照一定的比例混合，然后送入燃燒室中燃燒，通過爐墻向兩側(cè)的炭化室提供熱量;并對(duì)炭化室中的入爐煤進(jìn)行高溫干餾，最終得到產(chǎn)品。燃燒過程中所釋放的廢氣會(huì)在蓄熱室中收集余熱，最后釋放出來，單次交換空氣、煤氣和廢氣流向所需的時(shí)間約為20 min[3]。圖1中所示燃燒室中，進(jìn)入的箭頭代表煤氣和空氣混合，出去的箭頭代表廢氣的流向，炭化室中的箭頭代表煤氣的走向。國外研究焦?fàn)t控制開始于20世紀(jì)70年代后期，目前形成了供熱量前饋控制系統(tǒng)、爐溫反饋控制系統(tǒng)和前-反饋結(jié)合等幾類控制方式[5]?，F(xiàn)在我國的焦?fàn)t控制系統(tǒng)在智能控制以及數(shù)學(xué)模型基本達(dá)到國外水平，并且在國內(nèi)一些大型的焦?fàn)t煉化廠已經(jīng)有了一定的實(shí)際應(yīng)用[6]。

2 建立ANFIS辨識(shí)模型

查閱相關(guān)文獻(xiàn)及試驗(yàn)測(cè)試證明，影響焦?fàn)t立火道溫度的因素主要是煤氣流量的變化、煤氣成分及溫度的變化、外界環(huán)境和大氣壓力等因素的變化等。其中煤氣流量是影響火道溫度的主因，外界環(huán)境會(huì)導(dǎo)致焦?fàn)t溫度和壓力制度的變化，使煙道吸力變化，引起燃燒煤氣的空氣噪聲系數(shù)變化，燃燒室的溫度也會(huì)產(chǎn)生波動(dòng)[7]。本文以煤氣的流量為主要影響因子來建立焦?fàn)t的立火道溫度系統(tǒng)模型。

在焦?fàn)t生產(chǎn)過程中，焦?fàn)t裝置加熱的主要原料是高爐煤氣、焦?fàn)t煤氣或者是按照標(biāo)準(zhǔn)所要求的兩種煤氣的混合煤氣[8]。本文所研究的焦?fàn)t系統(tǒng)的燃料選擇為焦?fàn)t煤氣和高爐煤氣這兩種。其中，焦?fàn)t煤氣中含有的可燃物質(zhì)比較多，所以在其燃燒過程中會(huì)釋放出較高的熱量，有助于燃料的充分燃燒。從經(jīng)濟(jì)角度來講，焦?fàn)t煤氣的價(jià)格相對(duì)來說比較高，生產(chǎn)成本增加，還會(huì)因?yàn)闊崃窟^高而對(duì)裝置有強(qiáng)烈的腐蝕性。高爐煤氣則恰恰相反，它燃燒時(shí)產(chǎn)生的熱值會(huì)低于焦?fàn)t煤氣，還會(huì)排放出大量的燃燒廢氣，雖然價(jià)格成本比較誘人，但當(dāng)進(jìn)入量過大時(shí)會(huì)影響產(chǎn)品的質(zhì)量。據(jù)估算，相同的兩種煤氣所釋放的熱量的比值約為4∶1，從結(jié)焦程度上來看，相同時(shí)間內(nèi)高爐煤氣所產(chǎn)生的結(jié)焦量是焦?fàn)t煤氣的5.2倍[9]。兩者的流量大小都會(huì)影響立火道溫度的變化。在運(yùn)行過程中煤氣的投放量是不變的，當(dāng)焦?fàn)t煤氣所占的比例較大時(shí)，立火道溫度顯著提升；相反則溫度會(huì)下降。在不同工況下，動(dòng)態(tài)模擬焦?fàn)t立火道溫度曲線變化可以使輸入到輸出呈現(xiàn)一種動(dòng)態(tài)的非線性映射：

Y(k+1)=Φ[Y(k),fg(k),fj(k)]=

Φ[F(k),Y(k)]

(1)

2.1 焦?fàn)t立火道溫度辨識(shí)算法

焦?fàn)t立火道溫度系統(tǒng)的ANFIS辨識(shí)模型結(jié)構(gòu)如圖2所示。

圖2 焦?fàn)t立火道系統(tǒng)工作的ANFIS辨識(shí)模型

圖2主要包括ANFIS辨識(shí)模型、TDL多路時(shí)域延時(shí)環(huán)節(jié)和焦?fàn)t被控對(duì)象等。該算法所應(yīng)用的神經(jīng)網(wǎng)絡(luò)是RBF神經(jīng)網(wǎng)絡(luò)，它具有以任意程度來精確地逼近任何一種線性或非線性函數(shù)的功能，同樣具有收斂速度快、誤差小、所需訓(xùn)練樣本少等特征[10]。這使得ANFIS可應(yīng)用到非線性系統(tǒng)辨識(shí)中。設(shè)模糊系統(tǒng)共有M條規(guī)則，即：

式中：l=1，2，3，…，M為規(guī)則序數(shù)；P為輸入量個(gè)數(shù)；F為模糊前件集合；G為模糊輸出集合。

典型的ANFIS模型一般存在五層節(jié)點(diǎn)：①隸屬度函數(shù)節(jié)點(diǎn)；②模糊規(guī)則前件節(jié)點(diǎn)；③歸一化節(jié)點(diǎn)；④模糊規(guī)則后件節(jié)點(diǎn)；⑤模糊系統(tǒng)的輸出節(jié)點(diǎn)[12]。當(dāng)模型擁有n個(gè)輸入、1個(gè)輸出的M條規(guī)則時(shí)，ANFIS辨別模型結(jié)構(gòu)如圖3所示。

圖3 ANFIS辨識(shí)模型結(jié)構(gòu)

(2)

圖4 高斯函數(shù)模糊隸屬度

ANFIS模型輸出表達(dá)式為：

(3)

2.2 焦?fàn)t立火道溫度系統(tǒng)的ANFIS辨識(shí)

ANFIS辨識(shí)結(jié)果如圖5所示。

圖5 辨識(shí)結(jié)果

采用ANFIS辨識(shí)模型對(duì)焦?fàn)t的立火道溫度系統(tǒng)進(jìn)行辨識(shí)，并通過調(diào)整相關(guān)的隸屬度參數(shù)，使得辨識(shí)器精確、快速地模擬出焦?fàn)t立火道溫度的動(dòng)態(tài)響應(yīng)，誤差大約不超過10 K。圖5給出了焦?fàn)t立火道在三種[fg(k)fj(k)]不同條件下的辨識(shí)結(jié)果。其中，曲線代表試驗(yàn)數(shù)據(jù)，加號(hào)代表模型輸出，各曲線對(duì)應(yīng)的[fg(k)fj(k)]參數(shù)值分別為：曲線1為[0.6 0.3 ]、曲線2為[0.3 0.8]、曲線3為[0.1 0.9]。

3 焦?fàn)t立火道溫度系統(tǒng)的ANFIS設(shè)計(jì)

3.1 溫度控制器的設(shè)計(jì)

焦?fàn)t溫度控制器的控制結(jié)構(gòu)圖如圖6所示。

圖6 焦?fàn)t溫度控制器

ANFIS中的模糊集合的設(shè)定與單純的模糊控制設(shè)定方式相同[11]。在ANFIS系統(tǒng)中的模糊部分，系統(tǒng)的輸入為設(shè)定值溫度即目標(biāo)火道溫度，其中模糊控制器的輸入為設(shè)定值與實(shí)際輸出值之差e和誤差變化量Δe，連帶著相應(yīng)的量化因子ke和kc。在運(yùn)行過程中，相應(yīng)地按照比例因子ku的大小來使其適應(yīng)辨識(shí)模型的相關(guān)要求。目標(biāo)火道溫度為(1 220±20)℃，將所輸入的立火道溫度的論域定在[1 100 1 300]，溫度變化的誤差要求小于10 K。

在溫度高于目標(biāo)溫度時(shí)，增加高爐煤氣的流量并且保證所進(jìn)入的煤氣總流量保持不變。相反，當(dāng)溫度低于所設(shè)定溫度一定數(shù)量時(shí)，需要相應(yīng)的增加焦?fàn)t煤氣流量，以增加高爐煤氣。同時(shí)在溫度誤差調(diào)節(jié)方面，為滿足控制精度的要求，當(dāng)溫度誤差變化大于10 K時(shí)，對(duì)所進(jìn)入的煤氣流量進(jìn)行微調(diào)，使系統(tǒng)穩(wěn)定運(yùn)行。

在模糊集合設(shè)定選取中分成七個(gè)語言等級(jí)，從負(fù)的最大到正的最大依次為：負(fù)大(NB)、負(fù)中(NM)、負(fù)小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PB)。基于RBF方法自適應(yīng)模糊規(guī)則的建立要滿足以上要求。

為了達(dá)到自適應(yīng)的要求，需要對(duì)隸屬函數(shù)(MF)參數(shù)和模糊規(guī)則進(jìn)行綜合調(diào)整和更新。為此，引進(jìn)遺傳算法來調(diào)節(jié)參數(shù)，達(dá)到隨著環(huán)境的不斷變化而產(chǎn)生適合當(dāng)前狀態(tài)的模糊規(guī)則[11]。

3.2 控制算法的研究

本文中的自適應(yīng)神經(jīng)模糊控制器由基于Mamdani模糊推理的模糊控制系統(tǒng)與前饋RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合而成，模糊系統(tǒng)的過程是單值模糊化、規(guī)則庫(主要以高斯隸屬度函數(shù)為例)、乘積推理、解模糊(質(zhì)心平均反模糊化)。但是在系統(tǒng)運(yùn)行過程中，為達(dá)到最佳的參數(shù)要求，需要引入遺傳算法進(jìn)行再次優(yōu)化，以改變傳統(tǒng)的初始參數(shù)不變的情況，最終真正達(dá)到自適應(yīng)的目的[12-13]。

該控制算法的步驟如下。

① 尋找相關(guān)參數(shù)(如量化因子、比例因子及隸屬度函數(shù)等)，并對(duì)編碼進(jìn)行初始化，生成初始群體，隨機(jī)產(chǎn)生一個(gè)個(gè)體，形成種群X(t)={Xt1,…,Xti,…}。

② 計(jì)算適應(yīng)值Fitnessf(Xti)，并對(duì)所產(chǎn)生的個(gè)體適應(yīng)度進(jìn)行相應(yīng)的評(píng)價(jià)。

③ 調(diào)用模糊控制器，使其輸出Pc和Pm時(shí)判斷是否滿足終止條件。如果不滿足，則執(zhí)行步驟④，否則轉(zhuǎn)步驟⑥。

④ 開始進(jìn)入遺傳操作，依次對(duì)種群實(shí)施復(fù)制、交叉、變異等基本操作，并產(chǎn)生下一群體。

⑤ 再次對(duì)所產(chǎn)生的群體的適應(yīng)值進(jìn)行評(píng)價(jià)，計(jì)算出相應(yīng)的規(guī)則度，同時(shí)執(zhí)行操作步驟③。

⑥ 評(píng)價(jià)過后產(chǎn)生最佳的模糊規(guī)則。

⑦ 尋優(yōu)結(jié)束并返回ANFIS操作。

由以上步驟可知，Pc和Pm是按照遺傳尋優(yōu)的結(jié)果不斷變化的，可提高遺傳算法的收斂速度和尋優(yōu)質(zhì)量，最終得到想要的隨著工況不斷變化的最佳的模糊控制規(guī)則，這樣也達(dá)到了自適應(yīng)的目的。

4 仿真試驗(yàn)

基于以上設(shè)計(jì)部分的內(nèi)容，運(yùn)用Matlab數(shù)學(xué)仿真軟件對(duì)其進(jìn)行實(shí)現(xiàn)。系統(tǒng)的對(duì)象模型采用第一部分所得出的焦?fàn)t立火道溫度系統(tǒng)的辨識(shí)模型，而控制器按照第二部分的ANFIS溫度模型來設(shè)計(jì)。控制器的輸入為焦?fàn)t溫度的設(shè)定溫度與上一個(gè)時(shí)刻輸出溫度的差值，溫度計(jì)算時(shí)間間隔為0.1 s。控制器輸出u為辨識(shí)模型的輸入。

在自適應(yīng)環(huán)節(jié)中，模糊遺傳算法尋找最佳控制隸屬度與遺傳算法的迭代效果對(duì)比如圖7所示，實(shí)線代表純遺傳的迭代，虛線代表模糊遺傳迭代。

本文仿真是對(duì)PID控制算法、模糊控制算法與改進(jìn)的控制算法進(jìn)行比較，算法比較結(jié)果如圖8所示。從圖8可以看出，改進(jìn)的方法能夠平穩(wěn)、快速地控制焦?fàn)t溫度。因?yàn)樵摲椒m然犧牲了遺傳算法的迭代次數(shù)，但是能夠隨著焦?fàn)t生產(chǎn)過程中工況的變化而不斷更新最適應(yīng)當(dāng)前狀態(tài)的模糊隸屬度及其規(guī)則。因此該方法具有一定的優(yōu)勢(shì)。

圖7 迭代效果對(duì)比

圖8 控制效果比較

5 結(jié)束語

本文首先采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)中所具有的模糊經(jīng)驗(yàn)知識(shí)和神經(jīng)網(wǎng)絡(luò)中自學(xué)習(xí)功能的優(yōu)點(diǎn)，建立焦?fàn)t立火道辨識(shí)模型。然后，引進(jìn)遺傳算法對(duì)模糊控制器的參數(shù)和模糊規(guī)則進(jìn)行自適應(yīng)調(diào)整，以達(dá)到最佳控制狀態(tài)。最后，在Matlab數(shù)學(xué)軟件中進(jìn)行相應(yīng)的仿真實(shí)現(xiàn)。仿真結(jié)果證明該方案具有很好的控制效果，對(duì)后期的控制優(yōu)化的研究提供了理論指導(dǎo)。

[1] 張志紅.基于ANFIS交通流實(shí)時(shí)預(yù)測(cè)及在MATLAB中的實(shí)現(xiàn)[J].重慶交通大學(xué)學(xué)報(bào),2007,26(3):112-115.

[2] 葉鳳華,洪海波.基于廣義預(yù)測(cè)算法的焦?fàn)t立火道溫度控制系統(tǒng)[J].安徽工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,27(2):191-194.

[3] 沈立春,林紅,鄧欣.自動(dòng)語音提示系統(tǒng)在焦?fàn)t生產(chǎn)中的應(yīng)用[J].測(cè)控技術(shù),2012,31(9):141-143.

[4] 李貴君,何峰.焦?fàn)t燃燒火道溫度智能優(yōu)化設(shè)定方法[J].可編程控制器與工廠自動(dòng)化,2010(4):93-96.

[5] 李江寧,高憲文.焦?fàn)t火道溫度的多目標(biāo)優(yōu)化與控制方法研究[D].沈陽:東北大學(xué),2011.

[6] 吳敏.基于多工況分析的焦?fàn)t加熱過程火道溫度模糊控制[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版,2008,39(1):155-161.

[7] 郭軍,寧芳青,韻金虎,等.焦?fàn)t立火道溫度變化規(guī)律的探討[J].燃料與化工,2012,43(4):19-21.

[8] 趙志杰,蔣國璋.焦?fàn)t立火道溫度的智能控制模型及仿真研究[D].武漢：武漢科技大學(xué),2008.

[9] 何艷麗.焦?fàn)t火道溫度智能優(yōu)化控制算法的研究與應(yīng)用[D].長(zhǎng)沙:中南大學(xué),2006.

[10]Cao Zhengcai,Deng Jijie,Liu Min,et al.Bottleneck prediction method based on improved adaptive network-based fuzzy inference system(ANFIS) in semiconductor manufacturing system[J].Chinese Journal of Chemical Engineering,2012,20(6):1081-1088.

[11]戚志東.基于ANFIS的DMFC溫度建模和改進(jìn)模糊控制[J].南京理工大學(xué)學(xué)報(bào):自然科學(xué)版,2008,32(6):750-752.

[12]Li Tie.Temperature field analysis and adaptive neuro-fuzzy inference system for mg0 single crystal production[J].Journal of Wuhan University of Technology Mater,2012(27):1093-1095.

[13]馬永杰,云文霞.遺傳算法研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究,2012,29(4):1201-1205.

ANFIS Modeling for Coke Oven Flame Path Temperature and Research on Fuzzy Control

In view of the complex and changeable characteristics of the vertical flame path in coke oven, by adopting the fuzzy experience knowledge in adaptive neural fuzzy inference system (ANFIS) and the self-learning function in neural network, the strong coupling, variability and uncertainty of the temperature model of coke oven can be solved, and then the ANFIS recognition model is established. In addition, the genetic optimization algorithm is introduced in fuzzy controller, to adjust the fuzzy membership rules in real time to achieve smooth, rapid and accurate control. The Matlab simulation proves that the scheme is feasible and effective. Finally the scheme designed will provide theoretical guidance for optimization research of coke oven vertical flame path temperature control.

Coke oven ANFIS Genetic algorithms Model-building Fuzzy control Matlab simulation

國家自然科學(xué)基金資助項(xiàng)目(編號(hào)：61203021)。

袁港(1990-)，男，現(xiàn)為遼寧石油化工大學(xué)控制理論與控制工程專業(yè)在讀碩士研究生；主要從事工業(yè)智能控制算法及優(yōu)化的研究。

TP273

A

10.16086/j.cnki.issn1000-0380.201504020

修改稿收到日期：2014-09-19。