一种等离子灰渣熔融炉的控制方法与流程

1.本发明属于等离子灰渣熔融炉技术领域，具体涉及一种等离子灰渣熔融炉的控制方法。


背景技术：

2.等离子灰渣熔融炉的控制是典型的大惯性、大滞后、非线性、时变性复杂过程，很难用数学方法建立精确的数学模型。目前主要的控制方法仅对于温度进行单变量控制，如单变量pid控制、单变量模糊控制等。在实际运行控制过程中，我们会发现影响炉况温度的因素很多，除了温度，其他参数如入料量、入料的溶解热、熔池深度、炉膛压力都会引起炉膛温度的波动。所以仅使用单变量控制在实际运行中无法获得良好的控制效果。


技术实现要素：

3.为解决上述技术问题，本发明提供如下技术方案：
4.一种等离子灰渣熔融炉的控制方法，步骤包括：
5.s1.构建bp神经网络模型，包括输入层、隐含层和输出层，重复收集熔融炉的入料量、入料的溶解热、熔池深度、炉膛压力和炉膛温度作为输入层，偏差率ec作为输出层，根据偏差率ec对应熔融炉功率控制器的输出温度映射关系不断学习调整输入参数的权值，得到学习后的bp神经网络；
6.s2.实时测量熔融炉的入料量、入料的溶解热、熔池深度、炉膛压力和炉膛温度作为bp神经网络的输入层，得到作为输出层的偏差率ec，并将熔融炉功率控制器的输出功率对应的温度与目标设置温度的差值记为偏差量e；
7.s3.根据偏差率ec和偏差量e得到pid控制器的输入值kp、ki和kd；
8.s4.pid控制器同时根据kp、ki、kd和偏差量e输出控制量至熔融炉的功率控制器，熔融炉功率控制器根据所述控制量调整输出功率进而调整炉膛温度；
9.s5.重复步骤s2、s3和s4直至熔融炉炉膛温度达到预设温度。
10.进一步地，步骤s1所述bp神经网络模型隐含层的神经元数量为七个，分别对应输入的7个模糊子集nb，nm，ns，zo，ps，pm，pb。
11.进一步地，步骤s3首先对ec和e通过下述公式进行解模糊，得到分别为
‑
5、
‑
4、
‑
3、
‑
2、
‑
1、0、1、2、3、4和5的等分分布：
[0012][0013]
其中m为c或ec，pv为炉膛温度值，sp为目标设置温度值，rh为仪表量程上限；
[0014]
之后通过ec和e得到kp、ki和kd，如下表所示：
[0015]
kp隶属度变化表：
[0016][0017]
ki隶属度变化表：
[0018][0019][0020]
kd隶属度变化表：
[0021][0022]
进一步地，步骤s4熔融炉功率控制器根据pid控制器输出的控制量计算输出功率p
d
，并通过调整输出电压和输出电流来调节炉膛温度，所述输出电压根据得到，其中电弧点电压u
a
，整流输出电压u
d
，h为系统电抗，r为
系统电阻，k3是常调节系数，所述输出电流i
d
根据得到。
[0023]
本发明的有益效果：通过传统的单回路pid控制和使用本专利提出的控制模型及算法对等离子灰渣熔融炉进行控制实际效果比较如下：
[0024]
(1)传统的单回路pid控制的性能指标：稳定时间ts＝160秒、超调量δ％＝50％、稳态误差5％，抗干扰性差。
[0025]
(2)使用本专利控制和算法，通过2000组样本进行学习后的性能指标：稳定时间ts＝20秒、超调量δ％＝0％、稳态误差1％，抗干扰性强。
[0026]
(3)从以上对比可以得出，使用本算法系统的稳定时间由160秒减少到20秒，超调量和稳态误差几乎没有，抗干扰性强。所以通过调试结果可以验证，本专利提出的控制和算法明显优于传统pid控制。
附图说明
[0027]
图1是本发明实施例的控制方式示意图；
[0028]
图2是本发明实施例的bp神经网络结构图；
[0029]
图3是本发明实施例的bp神经网络
‑
模糊pid算法程序流程图。
具体实施方式
[0030]
以下结合实施例对本发明作进一步的描述，实施例仅用于对本发明进行说明，并不构成对权利要求范围的限制，本领域技术人员可以想到的其他替代手段，均在本发明权利要求范围内。
[0031]
实施例1
[0032]
一种等离子灰渣熔融炉的控制方法，如图1所示，步骤包括：
[0033]
s1.构建bp神经网络模型，包括输入层、隐含层和输出层，重复收集熔融炉的入料量、入料的溶解热、熔池深度、炉膛压力和炉膛温度作为输入层，偏差率ec作为输出层，根据偏差率ec对应熔融炉功率控制器的输出温度映射关系不断学习调整输入参数的权值，得到学习后的bp神经网络，如图3所示，bp神经网络通过梯度下降法，通过学习输入各个参数和输出的映射关系，不断调整输入参数的权值和阀值，使控制点逼近设置点，bp神经网络程序的运行方式为循环运行，设定最大学习次数，首先通过误差函数，判断误差是否满足要求。当达到预设精度或学习次数大于设定的最大次数，则结束算法；
[0034]
s2.实时测量熔融炉的入料量、入料的溶解热、熔池深度、炉膛压力和炉膛温度作为bp神经网络的输入层，得到作为输出层的偏差率ec，并将熔融炉功率控制器的输出功率对应的温度与目标设置温度的差值记为偏差量e；
[0035]
s3.根据偏差率ec和偏差量e得到pid控制器的输入值kp、ki和kd；
[0036]
s4.pid控制器同时根据kp、ki、kd和偏差量e输出控制量至熔融炉的功率控制器，熔融炉功率控制器根据所述控制量调整输出功率进而调整炉膛温度；
[0037]
s5.重复步骤s2、s3和s4直至熔融炉炉膛温度达到预设温度。
[0038]
步骤s1所述bp神经网络模型隐含层的神经元数量为七个，如图2所示，分别对应输入的7个模糊子集nb，nm，ns，zo，ps，pm，pb。
[0039]
步骤s3首先对ec和e通过下述公式进行解模糊，得到分别为
‑
5、
‑
4、
‑
3、
‑
2、
‑
1、0、1、2、3、4和5的等分分布：
[0040][0041]
：为向上取整，其中m为c或ec，pv为炉膛温度值，sp为目标设置温度值，rh为仪表量程上限；
[0042]
之后通过ec和e得到kp、ki和kd，如下表所示：
[0043]
kp隶属度变化表：
[0044][0045]
ki隶属度变化表：
[0046][0047]
kd隶属度变化表：
[0048][0049]
步骤s4熔融炉功率控制器根据pid控制器输出的控制量计算输出功率p
d
，并通过调整输出电压和输出电流来调节炉膛温度，所述输出电压根据得到，其中电弧点电压u
a
，整流输出电压u
d
，h为系统电抗，r为系统电阻，k3是常调节系数，所述输出电流i
d
根据得到。
[0050]
通过传统的单回路pid控制和使用本专利提出的控制模型及算法对等离子灰渣熔融炉进行控制实际效果比较如下：
[0051]
1.传统的单回路pid控制的性能指标：稳定时间ts＝160秒、超调量δ％＝50％、稳态误差5％，抗干扰性差。
[0052]
2.使用本专利控制和算法，通过2000组样本进行学习后的性能指标：稳定时间ts＝20秒、超调量δ％＝0％、稳态误差1％，抗干扰性强。
[0053]
3.从以上对比可以得出，使用本算法系统的稳定时间由160秒减少到20秒，超调量和稳态误差几乎没有，抗干扰性墙。所以通过调试结果可以验证，本专利提出的控制和算法明显优于传统pid控制。应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。