一种加热炉低氧燃烧的多变量控制系统的制作方法

本发明涉及自动控制领域，具体是指一种加热炉低氧燃烧的多变量控制系统。

背景技术：

1、采用自动控制技术是提高加热炉在整个运行周期内平均热效率的有效途径，也是现代化生产过程控制系统发展和科技水平不断进步的必然趋势。加热炉生产控制中，主要针对热风供风量和烟气引风量进行控制，现有控制技术绝大部分还停留在人工操作调节的落后状态，无法及时准确地捕捉和响应快速变化的控制需求，导致控制效果不佳；现有非线性多变量控制系统的计算复杂度较高，影响系统进行实时控制，同时对参数的准确性要求较高，参数误差可能导致系统性能下降；采用常规仪表的单回路pid调节控制方式，无法提供足够的稳定性，加热炉低氧燃烧控制系统属于多输入多输出系统，无法提供理想的控制效果。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种加热炉低氧燃烧的多变量控制系统，针对现有控制技术绝大部分还停留在人工操作调节的落后状态，无法及时准确地捕捉和响应快速变化的控制需求，导致控制效果不佳的问题，本发明采用自动控制技术对热风供风量和烟气引风量进行控制，日常操作和维护工作简单，具有很好的适应性和容错性，使加热炉保持最理想的炉内气氛条件；针对现有非线性多变量控制系统的计算复杂度较高，影响系统进行实时控制，同时对参数的准确性要求较高，参数误差可能导致系统性能下降的问题，本发明采用人工智能算法对lamda模型创建自适应方法，将一阶t-s函数与lamda模型融合，利用模糊推理处理模糊性和不确定性，使控制系统能灵活应对各种复杂情况，提高系统的适应能力；针对采用常规仪表的单回路pid调节控制方式，无法提供足够的稳定性，加热炉低氧燃烧控制系统属于多输入多输出系统，无法提供理想的控制效果的问题，本发明采用双pid控制器进行控制，可以实现对热风供风量和烟气引风量的独立调节，使整个控制系统更加稳定和高效。

2、本发明采取的技术方案如下：本发明提供了一种加热炉低氧燃烧的多变量控制系统，所述一种加热炉低氧燃烧的多变量控制系统包括加热炉数据采集模块、热效率模拟模块、热风供风量和烟气引风量控制模块、阀门开度调节模块；

3、所述加热炉数据采集模块，分别使用氧气浓度检测仪、激光co在线分析仪、差压表和高温传感器实时测量加热炉低氧燃烧时的燃烧数据，所述燃烧数据包括氧气浓度、一氧化碳浓度、辐射室负压和温度；

4、所述热效率模拟模块使用多变量逆神经网络，对人工神经网络进行反求得到加热炉多变量目标函数，使用加热炉多变量目标函数对加热炉低氧燃烧时的状态进行模拟；

5、所述热风供风量和烟气引风量控制模块使用基于模糊逻辑的人工智能算法创建lamda模型自适应方法，对加热炉多变量目标函数进行求解，得到加热炉低氧燃烧的热风供风量和烟气引风量的控制量；

6、所述阀门开度调节模块包括主控制器、热风供风量pid控制器和烟气引风量pid控制器，主控制器实时监测热风供风量和烟气引风量控制模块输出的热风供风量和烟气引风量的控制量，预设热风供风量范围和烟气引风量范围，当热风供风量的控制量大于热风供风量范围时，调用热风供风量pid控制器对阀门开度进行自动调节，当烟气引风量的控制量大于烟气引风量范围时，调用烟气引风量pid控制器对阀门开度进行自动调节。

7、所述热效率模拟模块使用多变量逆神经网络方法对加热炉低氧燃烧状态进行模拟，所述多变量逆神经网络方法具体包括以下步骤：

8、步骤a1：采集加热炉低氧燃烧数据集，所述加热炉低氧燃烧数据集包括输入变量和对应的热效率，所述输入变量包括氧气浓度、一氧化碳浓度、辐射室负压、温度、热风供风量、烟气引风量，对氧气浓度、一氧化碳浓度、辐射室负压、温度、热风供风量、烟气引风量使用最小-最大化方法进行归一化，将加热炉低氧燃烧数据集按3：1的比例划分为训练集和测试集；

9、步骤a2：建立并初始化人工神经网络，在人工神经网络的隐藏层使用双曲正切s型传递函数，在人工神经网络的输出层使用线性传递函数；

10、步骤a3：将训练集输入到人工神经网络中进行训练，使用权重矩阵进行灵敏度分析，计算各输入变量和热效率的相关性，得到基于权重的热效率模拟方程；

11、步骤a4：将测试集输入到训练完成的人工神经网络中，定义基于编码器-解码器的损失函数，引入正则化项对人工神经网络进行优化，对人工神经网络的正向反馈算子进行优化，所用公式如下：

12、；

13、式中，是优化后的正向反馈算子，是由麦克斯韦方程组控制的边值问题组成的原始正向反馈算子，是热风供风量和烟气引风量的向量，是热效率，是氧气浓度、一氧化碳浓度、辐射室负压和温度的向量，是l1范数；

14、步骤a5：对人工神经网络的逆算子进行优化，所用公式如下：

15、；

16、式中，是优化后的逆算子，是离散的原始逆算子；

17、步骤a6：对人工神经网络进行反演，得到加热炉多变量目标函数。

18、所述热风供风量和烟气引风量控制模块使用自适应控制方法对加热炉多变量目标函数求解，实现对热风供风量和烟气引风量的控制，所述自适应控制方法具体包括以下步骤：

19、步骤b1：在原始lamda模型中加入一阶t-s模糊推理系统建立自适应控制模型，对自适应控制模型进行初始化；

20、步骤b2：在加热炉充分燃烧情况下，采集加热炉燃烧数据集，所述加热炉燃烧数据集包括燃烧参数以及对应的热风供风量和烟气引风量，将加热炉燃烧数据集按3：1的比例划分为训练集和测试集，使用最小-最大规范化方法将加热炉燃烧数据集中的燃烧参数以及对应的热风供风量和烟气引风量映射到[0，1]的范围内；

21、步骤b3：用高斯函数计算相同燃烧参数之间的相关性，将相关性作为边际充分度，设置紧急参数，使用t-范数作为模糊逻辑连接器，结合不同热风供风量和烟气引风量下燃烧参数的边际充分度计算全局充分度，对不同热风供风量和烟气引风量的全局充分度进行累积和归一化，得到规范充分度；

22、步骤b4：定义一阶t-s函数，所用公式如下：

23、；

24、式中，是定义的一阶t-s函数，是燃烧参数的平均值的集合，是不同燃烧参数的平均值，是顺次常量参数：

25、步骤b5：将规范充分度与一阶t-s函数对应相乘后进行累加，得到热风供风量和烟气引风量的控制量；

26、步骤b6：将测试集输入到训练完成的自适应控制模型中，定义协方差矩阵，所用公式如下：

27、；

28、式中，是协方差矩阵，是第个热风供风量和烟气引风量的值，是接近1的遗忘因子，是可逆矩阵，是的转置；

29、步骤b7：根据协方差矩阵优化顺次常量参数，所用公式如下：

30、；

31、步骤b8：定义自适应控制模型的误差为均方误差，利用梯度下降算法通过误差进行反向传播，调整自适应控制模型的前提参数和紧急，所用公式如下：

32、；

33、；

34、；

35、式中，和是自适应控制模型的前提参数，是学习率，是动量项，是紧急参数，是均方误差。

36、采用上述方案本发明取得的有益效果如下：

37、（1）本发明采用自动控制技术对热风供风量和烟气引风量进行控制，日常操作和维护工作简单，具有很好的适应性和容错性，使加热炉保持最理想的炉内气氛条件；

38、（2）本发明采用人工智能算法对lamda模型创建自适应方法，将一阶t-s函数与lamda模型融合，利用模糊推理处理模糊性和不确定性，使控制系统能灵活应对各种复杂情况，提高系统的适应能力；

39、（3）本发明采用双pid控制器进行控制，可以实现对热风供风量和烟气引风量的独立调节，使整个控制系统更加稳定和高效。