基于神经网络的热风炉模糊控制算法及应用

摘要 针对热风炉燃烧控制的特点，将模糊控制思想与神经网络技术相结合，提出了一种基于神经网络的热风炉燃烧模糊控制方法。该方法针对热风炉系统的复杂性、变量的多样性、强耦合性的特点，应用神经网络对控制参数进行快速学习，通过模糊判断及反模糊控制，解决了热风炉系统过于复杂或难以精确描述的问题。 关键词 热风炉 模糊控制 神经网络 智能控制 0引 言

在高炉系统的生产工艺中，热风炉的燃烧控制是非常重要的部分，由于热风炉炉况的复杂性和多样性，采用常规的系统建模分析和控制的方法难以建立精确的数学模型。近年发展起来了一类智能模糊控制的方法，其最大的特点在于不需要对象精确的定量的参数建立数学模型。智能控制的核心是控制策略，它采用灵活的决策方式迫使控制朝着期望的目标逼近，因此智能控制成为解决热风炉燃烧问题的主要手段。笔者采用模糊控制与神经网络相结合的方式建立智能控制系统，实现热风炉燃烧空煤比控制，进而降低钢铁厂的生产成本，节约能源降低能耗.

1 热风炉燃烧控制现状

现在世界热风炉燃烧控制方式大体分成传统的串级控制、模型控制、寻优控制和模糊控制等几种，其各有优缺点。

传统的串级控制结构简单、成本低，但是对于优化烧炉、自动烧炉显然是不符合要求的。模型控制方法则具有更大的优势，但是除了数学模型相当复杂外，更需要分析煤气的各种成分的分析器，这种仪器不仅昂贵，还需良好的维护，此外要使数学模型有效，必须依靠完善的基础自动化。因此，在国内除宝钢以外，很少被采用。寻优控制主要是针对热风炉拱顶、废气温度的控制，通过气体流量的调节使温度达到设定值，但是由于热风炉复杂性、参数不确定性、滞后和非线性的特点，控制很难达到很好的效果。

在日本钢铁企业得到了广泛应用了模糊控制和神经网络相结合的控制方式，这种控制方式减少了检测元件的投入，并能够达到较高的命中率。这种系统中模糊控制能够满足热风炉非线性、大滞后、慢时变特性的复杂控制要求，在燃烧工作环境变化其特性也在不断发生变化的情况下，达到比较精确的控制效果。而神经网络通过学习并模拟人工的操作运行，分布处理，建立计算模型，将控制过程，通过学习和训练改变内部的权值，决定控制策略，再通过模糊控制达到优化烧炉的效果。

2 前馈神经网络原理

神经网络以其具有自学习、自组织、较好的容错性能，在工程控制领域获得广泛的应用。在实际应用中，神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，根据这组权值对系统进行优化控制。 2.1

单层前馈神经网络

单层前馈神经网络是最简单的一种人工神经网络，其只包含一个输出层，输出层上节

点的值（输出值）通过输入值乘以权重值直接得到。取出其中一个元进行讨论，其输入到输出的变换关系为

上式中，

是输入特征向量，

是按照不同特征的分类结果。

多层前馈神经网络

多层前馈神经网络有一个输入层，中间有一个或多个隐含层，有一个输出层。多层感知器网络中的输入与输出变换关系为

是

到

的连接权，输出量

这时每一层相当于一个单层前馈神经

网络，如对第层，它形成一个

维的超平面。它对于该层的输入模式进行线性分类，但

是由于多层的组合，最终可以实现对输入模式的较复杂的分类。

2.2 RBF网络

RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

RBF网络是指隐含层神经元由RBF神经元组成的前馈网络。RBF神经元是指神经元的变换函数为RBF（Radial Basis Function，径向基函数）的神经元。典型的RBF网络由三层组成：一个输入层，一个或多个由RBF神经元组成的RBF层（隐含层），一个由线性神经元组成的输出层。

RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可将输入矢量直接（即不需要通过权连接）映射到隐空间。根据Cover定理，低维空间不可分的数据到了高维空间会更有可能变得可分。换句话来说，RBF网络的隐层的功能就是将低维空间的输入通过非线性函数映射到一个高维空间。然后再在这个高维空间进行曲线的拟合。它等价于在一个隐含的高维空间寻找一个能最佳拟合训练数据的表面。这点与普通的多层感知机MLP是不同的。

当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。由此可见，从总体上看，网络由输人到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。这样网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。

从另一个方面也可以这样理解，多层感知器（包括BP神经网络）的隐节点基函数采用线性函数，激活函数则采用Sigmoid函数或硬极限函数。而RBF网络的隐节点的基函数采用距离函数（如欧氏距离），并使用径向基函数（如Gaussian函数）作为激活函数。径向基函数关于n维空间的一个中心点具有径向对称性，而且神经元的输入离该中心点越远，神经元的激活程度就越低。隐节点的这一特性常被称为“局部特性”。 2.3 RBF网络的设计与求解

空燃比系数自动控制系统的主要模型即为RBF神经网络控制系统，设计原理是根据现场煤气压力波动和操作人员的主要调整方式或手段进行RBF网络设计，使系统能煤气压力或是人工调整参数进行相应的相应，来满足现场需求。下图为现场系统计算的空气压力与煤气压力对比图。

RBF的设计主要包括两个方面，一个是结构设计，也就是说隐藏层含有几个节点合适。另一个就是参数设计，也就是对网络各参数进行求解。由上面的输入到输出的网络映射函数公式可以看到，网络的参数主要包括三种：径向基函数的中心、方差和隐含层到输出层的权值。到目前为止，出现了很多求解这三种参数的方法，主要可以分为以下两大类：

2.3.1、方法一：

通过非监督方法得到径向基函数的中心和方差，通过监督方法（最小均方误差）得到隐含层到输出层的权值。具体如下：

（1）在训练样本集中随机选择h个样本作为h个径向基函数的中心。更好的方法是通过聚类，例如K-means聚类得到h个聚类中心，将这些聚类中心当成径向基函数的h个中心。

（2）RBF神经网络的基函数为高斯函数时，方差可由下式求解：

式中cmax 为所选取中心之间的最大距离，h是隐层节点的个数。扩展常数这么计算是为了避免径向基函数太尖或太平。

（3）隐含层至输出层之间神经元的连接权值可以用最小均方误差LMS直接计算得到，计算公式如下：（计算伪逆）（d是我们期待的输出值）

2.3.2、方法二：

采用监督学习算法对网络所有的参数（径向基函数的中心、方差和隐含层到输出层的权值）进行训练。主要是对代价函数（均方误差）进行梯度下降，然后修正每个参数。具体如下：

（1）随机初始化径向基函数的中心、方差和隐含层到输出层的权值。当然了，也可以选用方法一中的（1）来初始化径向基函数的中心。

（2）通过梯度下降来对网络中的三种参数都进行监督训练优化。代价函数是网络输出和期望输出的均方误差：

然后每次迭代，在误差梯度的负方向已一定的学习率调整参数。

3：热风炉神经网络设计

输入层：燃烧炉空气阀门反馈、煤气阀门反馈、煤气压力、拱顶温度、空气压力共21一个输入数据。

输出层：空煤比（空气压力/煤气压力） 4：效果验证

相同工况下（分管空气、分管煤气、煤气压力数据相似）的数据对比显示，

从现场实际燃烧数据反馈情况可以发现投用投入空燃比系数自动控制系统后 1：换炉操作时能有效抑制因煤气压力波动导致的燃烧炉拱顶温度剧烈波动。

2：正常烧炉时空气压力能跟随煤气压力的波动，对稳定拱顶温度起到很好的保护作用。 3：降低了热风炉操作人员劳动强度。 5 结束语

在具有强耦合效应的多变量系统中引入神经网络解耦控制算法，使系统变成由多个单变量子系统组成的系统，它具有非线性和最优控制能力，具有较好的动态和静态性能以及较强的抑制干扰的能力，能较好地满足控制要求。在热风炉燃烧控制系统的实际应用表明，使用该控制策略消除煤气压力波动对拱顶温度的耦合影响，实现了燃料的最优控制和温度的平稳控制，具有很强的实用性，可以推广到类似的控制系统中。

本次日照钢铁3号高炉热风炉空燃比系数自动控制系统设计及实现时间节点： 2015年3月开始与现场人员初步交流。孙志军、赵旭阳、焦方进、刘文治、聂东东 2015年10月现场安装通信模板进行tcp通信设计。孙志军、赵旭阳、刘文治、聂东东 2015年12月测试系统中间件。孙志军、赵旭阳

2016年2月开始设计神经网络以及现场采集数据原理。孙志军 2016年9月开始逐步优化系统。孙志军、3#热风炉烧炉操作人员

2016年10月系统上线测试，初步达到预期效果。孙志军、吕东旭、3#热风炉烧炉操作人员 2016年11月优化系统，完成系统小烧优化模型。孙志军、吕东旭、3#热风炉烧炉操作人员