焦炉集气管压力模糊神经网络控制系统(2)

3 控制原理

针对焦炉集气管系统的结构和特点，本文提出一种基于模糊神经网络的智能协调控制方案。控制系统的结构如图3所示。它分为两级：专家智能控制协调级（虚线框内）和基本实时智能控制级。专家智能控制协调级在线实时监测被控系统过程，根据不同炉况，协调控制策略，进行有效控制。基本实时智能控制级分为单输入单输出（SISO）模糊神经网络控制器FNC1～FNC4和多变量解耦控制器FNC5两部分，由径向基函数网络（RBFN）逼近过程模型。此模型用于计算过程输出对过程输入的一阶偏导数ay/au和离线寻优，由多量解耦控制器根据解耦参考模型2进行解耦控制，与被控对象一道构成解耦后的广义被控对象，在此基础上分别采用SISO模糊神经网络控制器控制被控对象的动态特性：采用智能协调模糊神经网络控制器FNC4，以鼓风机闸阀开度为控制量，控制初冷器前吸力；采用模糊神经网络控制器FNC1～3，以各焦炉集气管蝶阀开度为控制量，控制相应焦炉集气管压力。

3.1 模糊神经网络结构

3座焦炉集气管压力和初冷器前压力控制算法FNC1～FNC4采用同样的模糊神经网络结构，取误差e、误差变化率Δe及其导数Δ2e作为模糊推理控制器输入，e为Δe分别划分为7个模糊子集，Δ2e划分为3个模糊子集，模糊子集隶属度采用高斯型函数表示。上述的模糊推理控制器可用一个如图4所示的初始神经网络构成。初始神经网络共有四层：输入层、隶属函数生成层、推理层和去模糊化层。输入节点数n为3，第一层隐含节点（模糊化）为17，第二层隐含节点（推理）L为7×7×3=147，一个输出点节。模糊化到推理连接权重为1。

多变量解耦控制器FNC5采用T-S模糊模型[4]，取FNC1～FNC4输出作为模糊控制器的输入，三座焦炉焦气管蝶阀和鼓风机前闸阀实际控制输出作为模糊控制器的输出，考虑到系统的动态解耦，每个输入分别取当前三个时刻值，从而构成12输入、4输出多变量解耦模糊控制模型。

3.2 模糊神经网络GA优化学习

对于单变量和多变量解耦模糊神经网络，可用遗传算法（GA）来调整和优化参数和结构，而推理规则的结论部分中的权值Wi较为多地具有局部性，可采用智能梯度