一种基于神经网络解耦的矿热炉电极升降控制方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108445745A(43)申请公布日2018.08.24(21)申请号201810212034.5(22)申请日2018.03.15(71)申请人中南大学地址410083湖南省长沙市麓山南路932号(72)发明人贺建军朱琦党伟然陈东阳景满德于景定(74)专利代理机构长沙朕扬知识产权代理事务所(普通合伙)43213代理人马家骏(51)Int.Cl.G05B13/02(2006.01)G05B13/04(2006.01)G05D3/12(2006.01)权利要求书3页说明书9页附图3页(54)发明名称一种基于神经网络解耦的矿热炉电极升降控制方法及系统(57)摘要本发明公开了一种基于神经网络解耦的矿热炉电极升降控制方法及系统，该方法通过建立矿热炉电极电流-位置解耦模型，基于RBF神经网络算法辨识出电极电流-位置解耦模型中的广义外界干扰项，基于矿热炉电极电流-位置解耦模型、广义外界干扰项以及跟踪误差，推导出电极升降位移量，跟踪误差为电极电流实时值与电极电流设定值的偏差以及基于电极升降位移量控制矿热炉电极升降，解决了矿热炉生产过程中由于存在严重的耦合作用和随机干扰，导致电极控制不稳定，进而出现产品质量不稳定以及耗电量增加的技术问题，且通过对系统进行实时解耦能获得精准的三相电极升降位移量，从而提高冶炼效率，达到节能减耗、降低成本。CN108445745ACN108445745A权利要求书1/3页1.一种基于神经网络解耦的矿热炉电极升降控制方法，其特征在于，所述方法包括：建立矿热炉电极电流-位置解耦模型；基于RBF神经网络算法辨识出所述电极电流-位置解耦模型中的广义外界干扰项；基于所述矿热炉电极电流-位置解耦模型、所述广义外界干扰项以及跟踪误差，推导出电极升降位移量，所述跟踪误差为电极电流实时值与电极电流设定值的偏差；基于所述电极升降位移量控制矿热炉电极升降。2.根据权利要求1所述的基于神经网络解耦的矿热炉电极升降控制方法，其特征在于，建立矿热炉电极电流-位置解耦模型包括：基于电极位移和电极电流变化量，建立矿热炉的电极电流-位置模型为：△I(k+1)＝Φ(k)△h(k)其中△I(k+1)＝I(k+1)-I(k)为电极电流变化量，△h(k)＝h(k)-h(k-1)为电极位移，ITT(k)＝[I1(k),I2(k),I3(k)]为三相电极电流，h(k)＝[h1(k),h2(k),h3(k)]为三相电极位TT置，为电流位移反应系数矩阵，且I(k)＝[I1(k),I2(k),I3(k)]为ITT(k)＝[I1(k),I2(k),I3(k)]的转置，h(k)＝[h1(k),h2(k),h3(k)]为h(k)＝[h1(k),h2(k),h3(k)]的转置；根据随机逼近算法，估算电流位移反应系数矩阵为：其中为的转置，η是步长序列，μ为权重因子，||△h(k-1)||＝|△h1(k-1)|+|△h2(k-1)|+|△h3(k-1)|为△h(k-1)＝[△h1(k-1),△h2(k-1),△h3(k-TT1)]的欧式范数，|△hi(k-1)|i＝1,2,3为△hi(k-1)的绝对值，△I(k)＝[△I1(k),△I2TT(k),△I3(k)]为△I(k)＝[△I1(k),△I2(k),△I3(k)]的转置，△h(k-1)＝[△h1(k-1),△Th2(k-1),△h3(k-1)]为△h(k-1)＝[△h1(k-1),△h2(k-1),△h3(k-1)]的转置；将所述电极电流-位置模型转化为电极电流-位置解耦模型为：其中fdi'(k)为系统的广义外界干扰，为的估计值，为的估计值，为φ33(k)的估计值，且fdi'(k)的计算公式为：fdi'(k)＝εii(k)△hi(k)+fdi(k)2CN108445745A权利要求书2/3页其中为电流位移反应系数的估算误差，fdi(k)为电极间的耦合作用，且fdi(k)的计算公式为：3.如权利要求2所述的基于神经网络解耦的矿热炉电极升降控制方法，其特征在于，基于RBF神经网络算法辨识出所述电极电流-位置解耦模型中的广义外界干扰项包括：建立第i相电极的广义外界干扰量与电极电流和电极位移的RBF神经网络模型，其中，RBF神经网络的隐含层节点函数选择高斯函数，且令RBF神经网络的径向基向量为H＝[h1,Th2,…,hm]，m为隐含层节点数，其中TT其中Xk＝[xk1,xk2,xk3,xk4]为Xk＝[xk1,xk2,xk3,xk4]的转置，且xk1＝△Ii(k)，xk2＝△IiT(k-1)，xk3＝△hi(k-1)，xk4＝△hi(k-2)，第j个节点的中心向量为Cj＝[cj1,cj2,cj3,cj4]，bj为第j个节点的基宽参数,||Xk-Cj||