BP神经网络用于三相电弧炉弧流控制

发布时间:2008/6/3 0:00:00 访问次数:552

作者：辽宁鞍山钢铁学院（１１４００２）沈文轩陈剑洪来源：《电子技术应用》

摘要：针对电极升降式控制的三相电弧炉弧流之间具有强耦合的特点，提出了采用神经网络控制器，在电流超过允许偏差时并行计算出三相电极的调节量，达到减少调节过程和调节机构动作次数的目的。并提出了离线训练方法和仿真模型。 关键词：三相电弧炉弧流神经网络

电弧炉是利用电弧的能量来熔炼金属。目前普遍采用电极升降方法对熔炼过程进行恒流控制。电炉在工作过程中，特别是在炉料熔化期，当电弧强度的随机变化引起三相电流失去平衡时，由人工或自动调节三相电流，使其在给定的允许偏差范围内。但由于负载端相当于三角形连接，则外部检测的即被控制的三相线电流相互耦合，若不采用解耦措施，一次扰动要经过若干次调节才能使三相电流恢复到平衡点。结果是：其一，使超调增大、调节过程加长，影响产成品质量控制和加大能耗；其二，使电极升降传动机构频繁动作，缩短了传动机构的维修周期和使用寿命，并且使调节回路能耗比例增大。而最理想的调节效果是：在只检测三相线电流而不增加任何其它检测量的前提下，当三相电流超过允许偏差时，控制器一次并行地给出三相电极的调节量，使其一次调节到位。

考虑系统本身具有非线性、大滞后、多变量、强耦合的复合特点，为避开繁琐的系统建模过程且力求系统简单可靠，又不增加观测数据，我们采用了神经网络控制器。利用神经网络具有逼近任意非线性和并行处理数据的能力，使训练好的神经网络控制器可以根据三相异常电流值计算出三相电极的调节量，从而使三相电极只调节一次便可将三相电流恢复正常。本文将在给出三相电弧炉神经网络控制器结构和算法的基础上，着重分析三相电弧炉神经网络控制器的离线训练方法，最后给出仿真实例和结论。

１神经网络结构及控制系统

三相电弧炉神经网络控制系统如图１所示。

图１中的神经网络为三层ｂｐ网络，输入层有三个神经元（ｋ＝１,２,３），分别输入ａ、ｂ和ｃ相线电流的偏差值，节点函数是斜率为１的线性函数，因此该层三个输出为：

ｐ１＝δｉａ＝ｉｓ－ｉａ；ｐ２＝δｉｂ＝ｉｓ－ｉｂ；ｐ３＝δｉｃ＝ｉｓ－ｉｃ。

其中，ｉｓ为设定的三相电流平衡值，ｉａ、ｉｂ、ｉｃ分别为三相当前实际电流值。

隐含层有九个神经元（ｊ＝１２…９），隐含层各神经元的输入函数为：

隐含层神经元节点函数为双曲对数ｓ函数：

f(·)=1 / 1+exp[netj+bj] (2)

输出层有三个神经元（ｉ＝１２３），网络的神经元输入函数为：

输出层神经元节点函数采取双曲正切ｓ函数：

f(·)=1-exp[-2(neti+bi] / 1+exp[-2neti+bi)] (4)

ｂｐ网络的三个输出ｏｕｔ１、ｏｕｔ２、ｏｕｔ３经过增益ｋ即为被控对象的控制输入，记为ｕａｃ、ｕｂｃ、ｕｃｃ。被控对象的输出为实际电流值ｉａ、ｉｂ、ｉｃ。

２网络的训练方法和步骤

ｂｐ网络的训练条件是除需提供足够的输入训练样本外，还要有合理的与输入样本对应的输出目标值，即输入与输出之间客观地存在着用解析方法难以描述的映射关系，而网络离线训练的目的就是要找到合适的网络权值ｗｊｋ和ｗｉｊ以满足这种映射关系。对于本系统的ｂｐ网络训练来说，首先就要找到输入样本δｉａ、δｉｂ、δｉｃ与输出的调节量（ｂｐ网络的目标值）ｏｕｔ１、ｏｕｔ２、ｏｕｔ３的映射域。这可以在现场实测取得数据。