基于RBF神經網絡整定的熱風爐溫控系統設計

張子蒙 章家巖 馮旭剛

摘 要：為了提高熱風爐的燃燒效率，改善熱風爐溫控系統的自動化程度，提出了一種基于RBF神經網絡整定的PID控制策略。首先，通過RBF神經網絡算法和增量式PID控制器的結合，將神經網絡強大的自學習能力應用于對增量式PID參數的調整。然后，在常規熱風爐溫控系統的基礎上，將其外環改為采用RBF神經網絡整定的PID控制。熱風爐溫控系統中內環以煤氣閥門開度為變量，外環以拱頂溫度為控制變量，通過改進的串級控制來實現熱風爐的燃燒優化調整。 Matlab仿真分析和實際應用效果表明，RBF神經網絡整定的PID控制曲線幾乎無超調量，系統抗干擾能力相對傳統的PID控制提高了50%。與傳統的手動控制相比，所提出的控制策略使得原系統的抑制干擾能力明顯增強、魯棒性更好，在熱風爐溫控方面具有良好的研究和應用價值。

關鍵詞：控制系統仿真技術;熱風爐;溫度控制;RBF神經網絡;PID增量控制;常規PID控制

中圖分類號：TP278 ? 文獻標志碼：A ? doi：10.7535/hbkd.2019yx06007

Abstract： In order to improve the combustion efficiency of the hot blast stove and improve the automation degree of the hot blast stove temperature control system， a PID control strategy based on RBF neural network tuning is proposed. First， through the combination of the RBF neural network algorithm and the incremental PID controller， the powerful self-learning ability of the neural network is used to adjust the parameters of the incremental PID. Then， based on the conventional hot-blast stove temperature control system， the outer loop was changed to PID control using RBF neural network tuning. In the hot-blast furnace temperature control system， the inner ring takes the opening degree of the gas valve as a variable， and the outer ring takes the dome temperature as a control variable. The improved cascade control is used to optimize the combustion of the hot-blast stove. Matlab simulation analysis and practical application results show that the PID control curve set by the RBF neural network has almost no overshoot， and the anti-interference ability of the system is increased by 50% compared with the traditional PID control. Compared with the traditional manual control， the proposed control strategy makes the original system's ability to suppress interference significantly stronger and more robust. It has good research and application value in hot air furnace temperature control.

Keywords：control system simulation technology; hot blast stove; temperature control; RBF neural network; PID incremental control; conventional PID control

熱風爐是高爐冶煉的重要輔助設備，主要作用是將煤氣燃燒所產生的熱量傳遞到高爐鼓風[1-3]。在燃燒初期，熱風爐通過煤氣量和空氣量的合理匹配實現快速加熱，從而使拱頂溫度迅速達到預先設定值。因此，在熱風爐向高爐送風過程中對送風時間和送風溫度的控制非常重要。為確保達到最佳燃燒效率，必須合理送風，使熱風爐充分蓄熱，最大限度地減少能源在傳輸過程中的損耗，從而滿足煉鋼企業對節能降耗、最佳經濟效益和社會效益的要求[4-5]。

在控制方面，傳統的自動化設計是在被控對象準確的數學模型的基礎上建立起來的，但熱風爐的燃燒過程是一個復雜的熱交換過程，有著非線性、大時滯、不確定性等特點，要想建立一個與其系統性能相匹配的數學模型是相當困難的[6-7]。國際上已經出現了實現燃燒優化的數學模型，最具代表性的有日本川崎公司針對拱頂溫度和廢氣溫度建立的熱風爐優化控制數學模型[8]，以及Siemens公司在保證熱風爐安全運行的基礎上依據“熱平衡關系”建立的熱流計模型[9]，這些模型對被控對象的參數選取、測量精度的要求都比較高，而且價格不菲，給鋼鐵企業帶來巨大的經濟壓力，因此很難在工程實際中得到廣泛應用。針對熱風爐溫度控制系統本身的特性，筆者提出一種將RBF神經網絡與常規PID控制器相結合的控制策略，相比常規的單一PID控制器[10-12]，它可以使原系統具備較強的自適應能力和強魯棒性，系統性能得到了明顯提升。

1 主工藝控制流程

1.1 熱風爐的工作流程

熱風爐的工作流程如圖1所示，它由4個部分組成：首先由燃燒經換爐到燜爐部分，然后由燜爐經換爐到送風部分，接著由送風經換爐到燜爐部分，最后由燜爐經換爐到燃燒部分。這4個工作部分構成1個周期，循環運行[13]。各個部分之間都是通過機械閥門控制的，而閥門本身都有一定的機械慣性，并不能夠立即完成開/關指令，因此在完成指定動作期間肯定存在一定的時間差，在工程上將這個過渡過程稱為換爐狀態[4]。由于熱風爐在換爐期間會受到冷風的影響，使得熱風的壓力和流量發生改變，不能穩定地向高爐供應同品質的熱風，因此熱風爐在換爐期間要通過冷風進行均壓處理。均壓的方法一般有2種，分別為常規均壓和廢氣均壓，在實際生產中大多采用后者，不僅可以有效降低廢氣的排放，起到保護環境、節能減排的作用，還可以將冷風對熱風爐的影響降到最低，保證熱風爐向高爐供應同品質的熱風。

1.2 熱風爐的工藝流程

熱風爐的工藝流程如下。1）在燃燒狀態時，煤氣支管內的混合煤氣和空氣支管內的助燃空氣經過合理配比后充分燃燒，并在蓄熱室內產生大量的高溫煙氣，高溫煙氣以輻射和對流的方式將所攜帶的大量能量傳遞給爐內的耐火材料[14]。之后，通過操作閥門指令使熱風爐從燃燒狀態經換爐切換到燜爐狀態。2）大量冷風吸收耐火材料表面和內部的能量后，溫度快速上升形成熱風，當熱風溫度達到設定值時，相應的閥門動作使得熱風爐由燜爐狀態經換爐切換到送風狀態，從而將上千度的熱風送入高爐本體，確保后序工藝的需要。3）隨著熱風能量在傳遞中逐漸損耗，溫度逐漸下降至下限值，此時相關閥門動作，將熱風爐由送風狀態經換爐切換到燜爐狀態并排除廢氣。4）最后，閥門動作使熱風爐由燜爐狀態經換爐切換到燃燒狀態。這樣，熱風爐就完成了一個周期的運轉，再重復上述過程，反復循環運行。

2 控制機理

2.1 經典的PID控制器

經典的PID控制器主要由2個部分組成，分為PID控制器和被控對象，控制的核心問題在于對PID控制器的比例kP、積分kI、微分kD這3個參數的在線整定。經典的數字PID控制系統可分為位置式PID、增量式PID、速度式PID。由于位置式PID控制器的輸出與過去的狀態有關，造成計算機的計算量太大，若計算機出現故障還會導致輸出發生大幅度的變化，不利于工程實際的應用。增量式算法與位置式算法本質上沒有太大的區別，增量式PID只是對位置式PID取增量，卻有效降低了計算量，在工程中得到了廣泛應用。

3 仿真分析及應用

3.1 仿真分析

在工程實際中，由于熱風爐溫控系統會受到來自外界諸多因素的影響，很難建立準確的數學模型用于理論分析?？紤]到熱風爐溫度控制系統本身的特性，采用慣性與延時環節建立理論分析模型，具體如下：GZ（s）=KnTn s+1e-Tit=1100s+1 e-80t ， （16）式中：Kn為放大系數，取值為1;Tn為時間常數，取值為100;Ti為滯后時間常數，取值為80。

工程實際應用中，拱頂溫度一般為1 240～1 270 ℃，為了便于分析和更接近工程實際情況，將階躍響應輸出值設置為1 200，然后利用Matlab仿真工具對RBF神經網絡整定的PID控制和常規PID控制進行對比分析。仿真結果如圖5所示，在常規PID控制中，設kP=2.6 s，kI=18 s，kD=5 s。從圖5中可以清晰地發現，曲線的超調量為20.57%，系統在41.9 s后達到穩定;基于RBF神經網絡整定的PID串級控制系統幾乎無超調量，采樣周期為1 s，17.4 s后系統達到穩定，即調節時間為17.4 s。因此，基于RBF神經網絡整定的PID串級控制系統相對常規PID控制，調節時間更短，穩態誤差更小，系統無超調。

2個控制系統達到穩定運行后，在45 s處加上一個正向階躍擾動，并在75 s處加上一個大小相同、方向相反的階躍擾動。仿真曲線如圖6所示，從曲線中可以看出，在干擾來臨時，常規PID控制系統產生的超調量是RBF神經網絡控制系統的2倍，而且常規PID控制系統在12.8 s才達到穩定，RBF神經網絡控制系統在8.3 s就已進入新穩態，顯然RBF神經網絡整定的PID串級控制系統的抗干擾能力更強。

3.2 現場實際應用

為驗證設計的RBF神經網絡整定的PID串級控制系統的有效性，將該設計在某熱電總廠熱風爐溫控系統中進行試用。該廠采用浙大中控DCS作為控制系統，在不改變原系統的工藝結構和硬件設置的前提下，通過優化算法實現熱風爐的自動化控制，并采用工業組態軟件設計監控畫面，實現對熱風爐工藝流程和重要參數的實時在線監測。

針對熱電廠現場的需要，在工業組態軟件監控系統下設計切換開關，實現手動燒爐與RBF神經網絡整定的PID串級控制（自動燒爐）之間的自由切換。圖7為手動 PID控制趨勢圖，圖8為RBF神經網絡整定的PID串級控制趨勢圖。

從圖7中很容易發現，當煤氣閥門穩定在一定開度時，煤氣流量和煤氣壓力之間一直存在較大的差值，隨著時間的推移，差距逐漸減小，但是系統調節的速度相對緩慢，在熱風爐達到穩定運行時煤氣流量和煤氣壓力仍存在一定的差距;煙道溫度在拱頂溫度處于穩定運行前有較大波動，波動范圍在0.5 ℃左右;由于手動燒爐受自身機械特性的影響，煤氣閥門開度和空氣流量之間不能實現有效的動態調節，從而使得熱風爐不能在最佳空燃比狀態下運行。通過采用RBF神經網絡整定的PID串級控制后，系統性能得到明顯的改善。從圖8中可以清晰地看到，在煤氣閥門的動態調節下，煤氣流量和煤氣壓力之間十分接近，多次存在交叉的階段，有一段時間內兩者還處于隨動的狀態，使得煤氣的供應一直處在穩定狀態，保證熱風爐在安全、穩定的環境下運行;并且，煙道溫度在拱頂溫度處于穩定運行前幾乎沒有波動，曲線接近于一條平滑的直線;由于采用了RBF神經網絡整定的PID串級控制，煤氣閥門開度和空氣流量的調節達到了動態平衡，使得熱風爐一直在最佳空燃比狀態下運行，滿足了鋼鐵企業對節能降耗、提高效率的要求。

從表1和表2能夠清楚地看到手動燒爐與RBF神經網絡整定的PID串級控制對拱頂溫度影響的差異性。手動燒爐時，拱頂溫度最大值為1 251 ℃，經過數學處理可得，拱頂溫度的平均值在1 235.83 ℃，方差為125.3，顯然數據過于分散，且溫度未達到預先設定值。而從表2可以看出，在自動燒爐情況下，拱頂溫度最大值為1 271 ℃，同樣經過數學處理可得，拱頂溫度的平均值為1 263.5 ℃，方差為18.583，數據比較集中，波動范圍較小且滿足設定值要求，即使在煤氣管網壓力產生外加干擾時，拱頂溫度也一直在設定值上下很小的范圍內波動，顯然RBF神經網絡整定的PID串級控制系統的抗干擾能力很強。

筆者采集了3組數據，從最大拱頂溫度、煤氣消耗量等角度來對比分析了手動燒爐和自動燒爐的效果，如表3所示。從表3可以看出，手動燒爐的最大拱頂溫度始終低于自動燒爐，兩者溫度相差15～21 ℃，顯然手動燒爐時熱風爐的燃燒狀態達不到最佳空燃比;自動燒爐時的煤氣消耗量始終低于手動燒爐5.55%～8.05%;在溫度降低大于3 ℃的次數及拱頂溫度最大波動值方面，自動燒爐也明顯優越于手動燒爐。因此，采用了RBF神經網絡整定的PID串級控制后，系統各個方面的指標性能都有所提高，熱風爐運行得更加穩定、高效。

4 結 語

針對熱風爐拱頂溫度非線性、時變、大時滯的特點，采用了RBF神經網絡整定的PID串級控制系統。經過Matlab仿真分析，驗證了RBF神經網絡整定的PID串級控制系統相對于常規PID控制超調量得到了極大的提升，調節時間明顯加快，抗干擾能力顯著增強，充分體現了RBF神經網絡整定的PID串級控制的有效性和可行性。該系統試運行后發現，采用RBF神經網絡整定的PID控制的自動調節系統在各個方面的性能指標都明顯優越于手動燒爐控制，而且系統抑制干擾的能力明顯加強、魯棒性更好，使熱風爐一直在最佳空燃比狀態下運行，既節約了能源，又有效地降低了成本。

目前該系統只考慮了煤氣閥門開度和拱頂溫度這2個參數的影響，對于其他因素（諸如煤氣品質、助燃空氣流量、煙氣溫度等）的影響還需要作進一步的研究。

參考文獻/References：

[1] 朱云國，劉增良.基于模糊神經網絡的熱風爐溫度控制仿真研究[J].銅陵學院學報，2011（5）：95-97.

ZHU Yunguo，LIU Zengliang. Simulation study for hot blast stove temperature control based on fuzzy neural network[J].Journal of Tongling College，2011（5）：95-97.

[2] 張惠榮. 基于專家系統的鋼廠熱風爐智能控制策略研究[D].石家莊：河北科技大學，2016.

ZHANG Huirong.Research on Intelligent Control Strategy of Hot Blast Stoves of Steel Plant Based on Expert System[D]. Shijiazhuang：Hebei University of Science and Technology， 2016.

[3] 李成勤，李新宇，郭德三.微型燃氣輪機中低熱值燃燒室設計及試驗研究[J].中國電機工程學報，2019，39（19）：5829-5834.

LI Chengqin， LI Xinyu， GUO Desan. Experimental study of a low calorific value combustor for micro gas turbine [J]. Proceedings of the CSEE， 2019，39 （19）： 5829-5834.

[4] 孫天涵. 高爐熱風爐空燃比優化研究[D].包頭：內蒙古科技大學，2015.

SUN Tianhan. Research on Optimization of Hot Blast Furnace Air-Fuel Ratio[D]. Baotou： Inner Mongolia University of Science & Technology， 2015.

[5] 姜立秋，吳鏗，趙繼偉，等.熱風爐燃燒模糊控制系統[J].鋼鐵研究學報，1999，11（6）：64-68.

JIANG Liqiu， WU Keng， ZHAO Jiwei， et al.Fuzzy control system for combustion of hot-air furnace[J].Journal of Iron and Steel Research， 1999，11（6）： 64-68.

[6] 郝聚顯，趙賢聰，韓玉召，等.熱風爐煤氣消耗量中期預測模型[J].中國冶金，2018，28（2）：17-22.

HAO Juxian， ZHAO Xiancong， HAN Yuzhao， et al. Medium-term prediction model for byproduct gas consumption in hot blast stove [J].China Metallurgy，2018，28（2）：17-22.

[7] 張冰，牛洪海，耿欣，等.高爐熱風爐熱效率計算模塊設計及應用[J].冶金自動化，2019，43（4）：34-38.

ZHANG Bing， NIU Honghai， GENG Xin， et al. Design and application of thermal efficiency calculation module for hot blast stove[J]. Metallurgical Industry Automation， 2019，43（4）： 34-38.

[8] 劉武亮，王冬新.DCS燃燒控制系統在熱風爐中的應用[J].輕金屬，2004（9）：20-22.

[9] 呂科東. 基于RBF神經網絡PID控制在加熱爐溫度控制系統中的應用[C]//天津市電子工業協會2019年年會論文集.天津：天津市電子工業協會，2019：6.

[10] 李廣軍，張晶，曾安平.基于改進RBF神經網絡的PID整定[J].長春大學學報，2008，18（3）：57-60.

LI Guangjun，ZHANG Jing，ZENG Anping. Adaptive PID tuning based on improved RBF neural network[J].Journal of Changchun University，2008，18（3）：57-60.

[11] 王爽心，楊輝，張秀霞.基于混沌遺傳算法的主汽溫系統RBF-PID控制[J].中國電機工程學報，2008，28（23）：87-92.

WANG Shuangxin， YANG Hui， ZHANG Xiuxia. A novel RBF-PID control strategy for fresh steam temperature based on chaotic and genetic algorithm[J]. Proceedings of the CSEE， 2008，28（23）： 87-92.

[12] 甄然，于佳興，趙國花，等.基于卷積神經網絡的無人機識別方法仿真研究[J].河北科技大學學報，2019，40（5）：397-403.

ZHEN Ran，YU Jiaxing，ZHAO Guohua， et al. Simulation research on UAV recognition method based on convolutional neural network[J].Journal of Hebei University of Science and Technology，2019，40（5）：397-403.

[13] 丁陽.熱風爐燃燒自動控制系統設計[D].呼和浩特：內蒙古大學，2019.

DING Yang. Automatic Combustion Control System for Hot Blast[D]. Hohhot： Inner Mongolia University， 2019.

[14] 柏洪升，董立峰，徐淑婉.高爐熱風爐自動控制系統[J].軟件，2010（7）：60-61.

[15] 賈立，柴宗君.火電機組主蒸汽溫度神經模糊-PID串級控制[J].控制工程，2013，20（5）：877-881.

JIA Li，CHAI Zongjun. Neuro-fuzzy based PID cascade control of main steam temperature of fire electrical engineering set[J]. Control Engineering of China，2013，20（5）：877-881.

[16] QIAO J F，MENG X，LI W J. An incremental neuronal-activity-based RBF neural network for nonlinear system modeling[J]. Neurocomputing， 2018，302：1-11.

[17] 鄭國杰，侯遠龍，高強，等.基于混合粒子群的RBF神經網絡PID控制策略在某隨動系統測試平臺中的應用[J].機床與液壓，2015，43（17）：7-10.

ZHENG Guojie，HOU Yuanlong，GAO Qiang， et al. Application of RBF neural network PID control strategy based on hybrid particle swarm in test platform of servo system[J].Machine Tool & Hydraulics，2015，43（17）：7-10.

[18] 劉悅婷，趙小強.RBF-PID串級控制在加熱爐溫度系統中的應用研究[J].自動化與儀器儀表，2011（4）：3-5.

[19] 董恩增，陳增強，袁著祉.基于神經網絡PID控制器的混沌系統控制與同步[J].吉林大學學報（工學版），2007，37（3）：646-650.

DONG Enzeng，CHEN Zengqiang，YUAN Zhuzhi. Control and synchronization of chaos systems based on neural network PID controller[J]. Journal of Jilin University（Engineering and Technology Edition），2007，37（3）：646-650.

[20] 于會，于海峰，李凱，等.基于RBF神經網絡的微機械陀螺儀溫度控制系統[J].河北工業科技，2018，35（5）：311-316.

YU Hui，YU Haifeng，LI Kai， et al.Temperature control system of micro-mechanical gyroscope based on RBF neural network[J]. Hebei Journal of Industrial Science and Technology，2018，35（5）：311-316.

[21] 馮曉露，朱江濤，杜勁松，等.神經網絡技術在主蒸汽溫度控制系統前饋中的應用[J].浙江大學學報（工學版），2006，40（10）：1833-1836.

FENG Xiaolu，ZHU Jiangtao，DU Jinsong， et al. Application of neural network technology on feed forward control of main steam temperature[J].Journal of Zhejiang University（Engineering Science），2006，40（10）：1833-1836.

[22] 周宇龍.燃氣鍋爐主蒸汽溫度自動控制系統的設計與應用[J].冶金自動化，2019，43（2）：73-76.

ZHOU Yulong. Design and application of automatic control system for main steam temperature of gas boiler[J]. Metallurgical Industry Automation， 2019， 43 （2）： 73-76.

[23] 謝七月，周超.基于改進自適應GPC的鍋爐主蒸汽溫度預測控制[J].熱能動力工程，2018，33（12）：86-92.

XIE Qiyue，ZHOU Chao. Predictive control for the boiler main steam temperature based on improved adaptive generalized predictive control[J]. Journal of Engineering for Thermal Energy and Power， 2018，33（12）： 86-92.