摘 要: 針對電極升降式控制的三相電弧爐弧流之間具有強耦合的特點,，提出了采用神經網絡控制器" title="網絡控制器">網絡控制器,，在電流超過允許偏差時并行計算出三相電極的調節(jié)量,，達到減少調節(jié)過程和調節(jié)機構動作次數的目的,。并提出了離線" title="離線">離線訓練方法和仿真模型。
關鍵詞: 三相電弧爐 弧流 神經網絡
電弧爐是利用電弧的能量來熔煉金屬,。目前普遍采用電極升降方法對熔煉過程進行恒流控制,。電爐在工作過程中，特別是在爐料熔化期,，當電弧強度的隨機變化引起三相電流" title="三相電流">三相電流失去平衡時,，由人工或自動調節(jié)三相電流，使其在給定的允許偏差范圍內,。但由于負載端相當于三角形連接,，則外部檢測的即被控制的三相線電流相互耦合，若不采用解耦措施,，一次擾動要經過若干次調節(jié)才能使三相電流恢復到平衡點,。結果是：其一，使超調增大,、調節(jié)過程加長,，影響產成品質量控制和加大能耗；其二,，使電極升降傳動機構頻繁動作，縮短了傳動機構的維修周期和使用壽命,，并且使調節(jié)回路能耗比例增大,。而最理想的調節(jié)效果是：在只檢測三相線電流而不增加任何其它檢測量的前提下，當三相電流超過允許偏差時,，控制器一次并行地給出三相電極的調節(jié)量,，使其一次調節(jié)到位。
考慮系統(tǒng)本身具有非線性,、大滯后,、多變量、強耦合的復合特點,，為避開繁瑣的系統(tǒng)建模過程且力求系統(tǒng)簡單可靠,，又不增加觀測數據，我們采用了神經網絡控制器。利用神經網絡具有逼近任意非線性和并行處理數據的能力,，使訓練好的神經網絡控制器可以根據三相異常電流值計算出三相電極的調節(jié)量,，從而使三相電極只調節(jié)一次便可將三相電流恢復正常。本文將在給出三相電弧爐神經網絡控制器結構和算法的基礎上,，著重分析三相電弧爐神經網絡控制器的離線訓練方法,，最后給出仿真實例和結論。
1 神經網絡結構及控制系統(tǒng)
三相電弧爐神經網絡控制系統(tǒng)如圖1所示,。
圖1中的神經網絡為三層BP網絡,，輸入層有三個神經元(k＝1、2,、3),，分別輸入A、B和C相線電流的偏差值,，節(jié)點函數是斜率為1的線性函數,，因此該層三個輸出為：
其中，IS為設定的三相電流平衡值,，IA,、IB、IC分別為三相當前實際電流值,。
隱含層有九個神經元(j＝1,、2…9)，隱含層各神經元的輸入函數為：
輸出層有三個神經元(i＝1,、2,、3)，網絡的神經元輸入函數為：
BP網絡的三個輸出out1,、out2,、out3經過增益K即為被控對象的控制輸入，記為UAc,、UBc,、UCc。被控對象的輸出為實際電流值IA,、IB,、IC。
2 網絡的訓練方法和步驟
BP網絡的訓練條件是除需提供足夠的輸入訓練樣本外,，還要有合理的與輸入樣本對應的輸出目標值,，即輸入與輸出之間客觀地存在著用解析方法難以描述的映射關系，而網絡離線訓練的目的就是要找到合適的網絡權值Wjk和Wij以滿足這種映射關系,。對于本系統(tǒng)的BP網絡訓練來說,，首先就要找到輸入樣本ΔIA,、ΔIB、ΔIC與輸出的調節(jié)量(BP網絡的目標值)out1,、out2,、out3的映射域。這可以在現(xiàn)場實測取得數據,。但我們采用了與實際相符的模擬方法,，利用網絡訓練本身的功能找到輸出/輸入的映射關系，這也就是網絡訓練的第一步,。在第一步的訓練中要包括被控對象,，被控對象的模型處理如下：
考慮到電弧爐在平衡點附近工作時，認為進線電壓" title="線電壓">線電壓基本不變,，這樣爐內各種因素引起弧流的變化最終歸結為阻抗的變化,，在這種條件下，用電路理論可以建立電弧爐三相阻抗與三相不平衡" title="不平衡">不平衡電流之間的一組非線性方程：
式(5)中：IA,、IB,、IC分別為A、B,、C相線電流值,；ZAB、ZBC,、ZCA為三相Δ形連接的阻抗值,；三相線電壓UAB＝UBC＝UCA＝110V。若已知三相電流值,、可通過解此非線性方程組求得三相阻抗值,。有了式(5)被控對象的仿真模型，就可以進行網絡訓練的第一步,。
2.1 網絡訓練的第一步——求取網絡輸出/輸入樣本的映射集
在第一步的訓練中,，包括被控對象在內，進行單點樣本訓練,。網絡輸入一點的三相電流偏差樣本ΔIA,、ΔIB、ΔIC,，通過網絡訓練使三相輸出電流消除偏差，這時記錄下BP網絡的輸出控制量out1,、out2,、out3。這便找到了BP網絡單點樣本的輸出/輸入映射,，對整個樣本空間均如此映射便得到映射集,。
控制器輸出的控制量在實際當中是電極升降的調節(jié)量,，調節(jié)電極的最終結果是使三相阻抗恢復平衡以達到電流平衡的目的，在模擬系統(tǒng)中無法處理和表達電極位置和弧流之間的關系,。模擬過程采用了這樣的處理方法：已知三相不平衡線電流可由式(5)解出三相不平衡阻抗,，通過改變進線電壓值也可使電流恢復平衡，其效果與調節(jié)電極是一樣的,。在單點訓練中網絡就是在不斷地修改權值以尋求使三相線電流恢復平衡狀態(tài)所需的三相線電壓UAC,、UBC、UCC,。而BP網絡的輸出的調節(jié)量out1,、out2、out3(相對值)就表示了電極的位移量和升降方向,，所有的輸入樣本訓練完之后也就得到了BP網絡成批訓練的目標集,。
2.2 網絡訓練的第二步——得到控制器模型
在第二步訓練中去掉被控對象，利用第一步已取得的輸出/輸入樣本映射數據作為輸入/輸出矢量對BP網絡進行成批訓練,，便得到了兩層網絡的連接權矩陣即控制器模型,。
輸入樣本按目標值±20%范圍選取，三相電流偏差組合共用了729組樣本值,。在訓練誤差小于1%且對學習速率,、動量因子進行適當的調整之后，網絡的收斂性令人滿意,。
3 系統(tǒng)仿真
為了檢驗三相電弧爐神經網絡控制器的性能,，作者進行了大量的仿真研究。圖2是利用MATLAB的GUI(Graphics User Interface)工具進行圖形仿真的結果,。仿真輸入數據為樣本域內的任意隨機量,，三相電流目標值設定為635A，設采樣周期為5秒,，即每隔5秒用隨機數產生一組異常三相電流值,，經過神經網絡計算后產生一組三相電極升降調節(jié)量；這組三相電極升降調節(jié)量可以將三相電流調回到允許偏差范圍內,。這里設偏差范圍為:
仿真結果表明,，神經網絡控制器可以對三相電弧爐控制系統(tǒng)這一類強耦合的非線性多變量對象實現(xiàn)有效的控制，系統(tǒng)的靜,、動特性均能滿足指標要求,。
該控制器已被成功地應用到鞍山地區(qū)的一家電熔鎂廠的電弧爐弧流控制系統(tǒng)中，比原系統(tǒng)根據操作經驗歸納出來的專家算法控制更準確,，調節(jié)過程明顯縮短,，振蕩的幅度及次數顯著減少。這對于降低能耗,、提高產成品質量,、增長設備運行壽命以此增加企業(yè)經濟效益有著明顯的作用,。另外這種離線訓練神經網絡控制器的方法和過程簡單、實用,、沒有建模及控制算法分析這一繁瑣過程,、實時工作可靠。
參考文獻
1 管立智.冶金機械自動化.北京:冶金工業(yè)出版社,，1998:46～54
2 王永驥,，涂 鍵.神經元網絡控制，北京:機械工業(yè)出版社,，1998：32～54
3 舒懷林.PID神經元網絡多變量控制系統(tǒng)分析. 自動化學報,，1993；25(1):105～111
4 花 皚,，吳培珍.神經網絡支持的智能電弧爐調節(jié)器.工業(yè)加熱,，1999；6:6～9
5 樓順天,，施 陽,，基于MATLAB的系統(tǒng)分析與設計——神經網絡.西安:西安電子科技大學出版社，1998