bp神经网络pid控制在高炉trt顶压控制系统中的仿真

《bp神经网络pid控制在高炉trt顶压控制系统中的仿真》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第26卷第6期唐山学院学报Vo1．26No．62013年11月JournalofTangshanCollegeNOV．2013BP神经网络PID控制在高炉TRT顶压控制系统中的仿真刘志刚(唐山学院机电工程系，河北唐山063000)摘要：为改善传统PID的控制缺陷，提出了BP神经网络PID控制算法应用于高炉TRT顶压控制系统中的设计构想，并针对影响高炉炉顶压力稳定的两个重要参数，运用Matlab软件进行仿真，结果表明，该优化控制算法对高炉顶压控制系统的控制效果明显优于传统PID。关键词：高炉顶压控制系统；神经网络；仿

2、真中图分类号：TF5；TP2文献标志码：A文章编号：1672—349X(2013)06—0036—03SimulationofBPNeuralNetworkPIDControlintheTRTBlastFurnaceTopPressureControlSsystemLIUZhi-gang(DepartmentofMechanicalandElectricalEngineering，TangshanCollege，Tangshan063000，China)Abstract：Theauthorofthispaperpr

3、oposesaneuralnetworkPIDcontrolalgorithmtoimprovethetraditiona1PIDcontro1intheTRTblastfurnacetoppressurecontro1systemandcarriesonthesimulationofthetWOimportantparametersaffectingthestabilityofblastfurnacetoppressurethoughMatlab．Theresultsshowthatthiscontrolalgo

4、rithmtocontroltheblastfurnace疆to黛p}__L～一L～pressurecontrolsystemisbetterthanthetraditionalPID．KeyWords：blastfurnacetoppressurecontrolsystem；neuralnetwork；simulation高炉炉顶煤气余压透平发电装置(TRT)是将回收的高炉煤气的压力能通过透平膨胀机做功后转化为机械能驱动发电机发电的装置。维持TRT正常工作首先要确保高炉炉l一I～照～顶压力的稳定，而影响高炉炉顶压

5、力的因素很多，如布料过程、均压过程、鼓风机压力与风量、旁通阀开度、热风炉换炉、高炉生产工况、透平机运行状况以及静叶的调节精度等]。稳定的控制高炉炉顶压力非常重要而且难度很高，这就需要有一套高效的高炉顶压控制系统对其进行控制。1高炉顶压控制工艺图1高炉TRT顶压控制系统流程图高炉TRT顶压控制系统流程如图1所示。系统根据设广泛的应用，是高炉顶压控制系统中最常用的算法之一。其定的压力值在不同工况下由不同机构控制高炉炉顶压力。控制规律为在正常工况下，通过对环缝和TRT静叶开度的调节来改变透平机的广义阻尼系数，从而达到改变

6、高炉炉顶压力的目)一Kpe0(f)+Kf)d￡+K，(1)．J0+U，(1)的，同时快开阀和旁通阀全部关闭，起保护作用；当TRT故其中，K为比例系数，K为积分时间系数，K为微分时间系障停机时，关闭透平机入口阀门，打开旁通阀和快开阀，高炉数，P(f)为系统偏差。通过对(1)式采样可得增量式PID控制炉顶的压力由环缝控制lJ]。算法：2传统PID控制算法“()一u(k一1)+KEe(k)一e(k—1)]+Ke(☆)+PID控制在线性、动态且不随时间变化的控制系统中有K[P()一2e(k一1)+e(k一2)]。(2)收稿

7、日期：2013—05—29基金项目：河北省高等学校科学技术研究计划项目(Z2011302)作者简介：刘志刚(1979)，男，河北唐山人，讲师，硕士，主要从事计算机控制研究。第6期刘志刚：BP神经网络PID控制在高炉TRT顶压控制系统中的仿真·37·3BP神经网络PID控制算法E()一[n()一“￡()]。。(1o)图2为基于BP神经网络的PID控制器结构，PID控制器各层加权系数可按J函数梯度变化反方向搜索调整，使的3个可调制参数K，K，K由输出层神经元输出，通过自网络逐渐收敛]。学习和对加权系数的调整，得到最优的

8、控制设计，即3层BP4应用与仿真神经网络，其结构如图3所示。4．1BP神经网络P1D控制应用于高炉顶压控制系统高炉顶压控制系统是一个多扰动、强非线性和时变特性的多变量系统l7]。单一PID控制易存在参数调节不准确、对时变对象的适应能力差等不足，难以使控制系统达到非常精准的水平。由于神经网络具有任意非线性逼近能力、自学习能力以及概括推广能力，使控制系统具有自适