钢包精炼炉的电极系统智能建模及控制

D0I:10.13374/i.issn1001-053x.2004.01.022 第26卷第1期 北京科技大学学报 Vol.26 No.1 2004年2月 Journal of University of Science and Technology Beijing Feb.2004 钢包精炼炉的电极系统智能建模及控制 张绍德 安徽工业大学电气信息学院，马鞍山243002 摘要针对钢包精炼炉电极控制系统具有非线性、时变、模型不确定、大滞后、多输入多输 出耦合的特点，提出一种基于神经网络实时在线辩识的内模控制方案，控制器采用神经网络 解耦，将混沌机制引入到BP算法中，用以加快学习的收敛速度.仿真结果证实了控制策略的 有效性. 关键词钢包精炼炉；神经网络内模控制；神经网络解耦；混沌机制 分类号TF748.41;TP273 钢包炉(Ladle Furnace简称LF炉)是一种以 电弧加热，氩气搅拌的二次精炼电弧炉.电极升 ia(k) 降系统是整个LF炉的关键部分，电极调节系统 a(k-1) u(k) i(k) 4k-1) NNC 广义对象 实时快速调节电极的位置，保持恒定的电弧长 BlackBoX k-2) 控制器 度，以减少电弧电流的波动，维持电弧电压和电 e() 流比值的恒定，使输入功率稳定，同时通过选定 4k-1) 4k-2） NNM 优化供电曲线，能使输入功率最大化.LF炉的电 ik-1) 辨识器 () 极调节系统是一个非常复杂的三相非线性、时 k-2) 变、输入和输出的互相耦合的多变量系统，驱动 图1LF炉神经网络建模及内模控制框图 电极升降的液压传动系统是一个大惯性、纯滞后 Fig.1 Block diagram of neural network modeling and inter- 且具有死区特性的非线性系统.本研究项目将驱nal model control for ladle furnance 动电极升降的液压传动系统及电极系统视作一 发出控制信号，减少或避免变化所造成的影响 个广义对象，采用人工神经网络对其在线建模， 针对广义对象是一个三相耦合系统，神经网络控 并基于内模控制原理设计一个具有解耦功能的 制器NNC设计成三个子网络NNC.,NNC,NNC., 神经网络控制器，从而使电极调节系统具有所谓 其隐层至输出层的三个节点之间连接权交叉耦 三相意识. 合，以实现多变量解耦控制. 1LF炉神经网络辨识及内模控制 2神经网络电极控制系统的设计 方案1 21引入混沌机制的神经网络算法 图】为LF炉神经例络内模控制图，其中NNC 混沌是存在于非线性动力学系统中的貌似 为神经网络内模控制器，NM为神经网络辩识 随机或无穷大周期的运动.由于BP算法基于梯 器，以对广义对象进行辩识，在系统运行中， 度下降法，容易陷入局部极小点，使问题得不到 NM实时在线从广义对象的输入和输出数据去 最优解，为此，将混沌机制引入神经网络，使网络 学习、训练自身的权值和闽值，以实现对广义对 学习过程成为混沌动力学，以拓宽权的运动范 象的非线性映射.同时，根据其记忆和当前输入 围，使局部极小值变得不稳定，从而逃离局部极 信号，一步预测电弧电流即将出现的变化，提前 小点的陷阱，最终达到全局最小点或其近似值， 通常基于梯度信息的BP算法为： 收稿日期2003-06-18张绍德男，57岁，教授 *安徽省“十五”攻关项目N0.01012053) Wk+1)=+Aw)=)-M合石 t1)

第 ‘ 卷 第 期 年 月 北 京 科 技 大 学 学 报 几 加 ’ 恤 ，】 ‘ 。 钢包精炼炉的电极系统智能建模及控制 张绍 德 安徽 工 业大 学 电气信息学 院 ， 马鞍 山 摘 要 针对钢 包 精炼 炉 电极控制 系统 具 有 非线性 、 时变 、 模 型 不 确 定 、 大滞后 、 多输入 多输 出祸合 的特 点 ， 提 出一 种基 于 神经 网络 实 时在线 辩识 的 内模控 制方案 控 制器采 用神经 网络 解 祸 ， 将 混 沌 机 制 引入 到 算法 中 ， 用 以加快学 习 的收敛速度 仿 真结果证 实了控制 策 略 的 有效性 关键词 钢 包精炼炉 神经 网络 内模控制 神经 网络 解 祸 混沌机制 分 类号 钢 包 炉 切 简称 炉 是 一 种 以 电弧加 热 ， 氨 气 搅 拌 的二 次精炼 电弧 炉 电极升 降系 统 是 整 个 炉 的关 键 部 分 电极 调 节 系 统 实 时快速 调 节 电极 的位 置 ， 保 持恒 定 的 电弧 长 度 ， 以减 少 电弧 电流 的波 动 ， 维 持 电弧 电压 和 电 流 比值 的恒 定 ， 使输 入功 率稳 定 同时通过 选 定 优 化供 电 曲线 ， 能使 输入 功率最 大化 炉 的 电 极 调 节 系统 是 一 个 非 常 复杂 的三 相 非 线 性 、 时 变 、 输入 和 输 出 的互 相 祸合 的 多变 量 系 统 ， 驱 动 电极 升 降 的液压传 动 系统 是一 个大惯 性 、 纯滞后 且 具有 死 区特性 的非线性 系 统 本 研 究项 目将驱 动 电极升 降 的液 压 传 动 系 统 及 电极 系 统 视 作 一 个 广 义对 象 ， 采 用 人 工 神 经 网络 对 其 在 线 建 模 ， 并基 于 内模控 制 原 理 设 计 一 个 具 有 解 祸 功 能 的 神经 网络控 制器 ， 从而 使 电极调节 系统 具 有 所谓 三 相 意 识 控制器 整 ” 图 炉神经 网络 建模 及 内模控制框 图 电 妞 口 恤 门 加 自 发 出控 制 信 号 ， 减 少或 避 免变 化 所 造 成 的影 响 针对 广 义对 象是 一个三 相 祸合 系统 ， 神经 网络 控 制 器 设 计 成 三个 子 网络 ， ， ‘ 其 隐层 至 输 出层 的三 个 节 点之 间连 接权 交叉 祸 合 ， 以实现 多变量解 祸控 制 炉神经 网络辨识 及 内模控 制 方 案 ‘ 阁 图 为 炉 神 经 网 络 内模 控 制 图 ， 其 中 为神经 网络 内模控 制器 ， 为神经 网络 辩识 器 ， 以对 广 义 对 象 进 行 辩 识 在 系 统 运 行 中 ， 实 时在线 从广 义对 象 的输 入 和 输 出数据 去 学 习 、 训 练 自身 的权值 和 阖值 ， 以实现对 广 义对 象 的非 线性 映射 同 时 ， 根 据 其 记 忆 和 当前输入 信 号 ， 一 步预 测 电弧 电流 即将 出现 的变化 ， 提前 收稿 日期 刁卜 张绍 德 男 ， 岁 ， 教授 安徽省 “ 十 五 ” 攻关 项 目困 神 经 网 络 电极 控 制 系 统 的设 计 引入 混 沌机 制 的神 经 网络 算法 混 沌 是 存 在 于 非 线 性 动 力学 系 统 中 的貌似 随机 或 无 穷 大 周 期 的运 动 由于 算法 基 于 梯 度 下 降法 ， 容 易 陷入 局 部极 小 点 ， 使 问题 得 不 到 最优解 为此 ， 将 混沌机制引入神经 网络 ， 使 网络 学 习 过 程 成 为 混 沌 动 力学 ， 以拓 宽权 的运 动 范 围 ， 使局 部 极 小值 变得 不 稳 定 ， 从 而 逃 离局 部极 小 点 的陷阱 ， 最 终达 到全 局 最 小 点或 其近 似 值 通 常基 于梯 度 信 息 的 算法 为 。 、 ， ， 、 。 ， ， 、 ‘ ， 、 。 厅 ， 、 咋 、犷 ‘ 理 、 岸 、 尸 、 一 叮百丽习 ‘ DOI ：10．13374／j ．issn1001－053x．2004．01．022

Vol.26 No.1 张绍德：钢包精炼炉的电极系统智能建模及控制 ·83 在上式中，引入一权值增量的非线性自反馈项， NNM中，输入层： 即： (O)=(4()4(k-1)(k-1)w(k-1)i(k-2)》: 0 队k+1)=k-Ta府8-k-1》(2) 隐层：net=∑W,O,-g O,=f(net): 对非线性系统自反馈项gx)要求不能改变式(I) 输出层：ncu-三m0,-&.0.=neW)-2 中的不动点，即要求g0)0.选用如下非线性的函 设样本输出为D,NNM网络的输出为O(k= 数： 1,2,P,p为样本数)，网络学习的目标函数为E= g=e景e (3) 0,-0心，则权值调正公式为： 式中，g和R可看作式(2)中非线性自反馈驱动项 的幅度和半径，调节这两个参数，可以控制权值 wa+1）=W.(-W店+mc[wa-Wak-lH 的活动范围，当R固定，g越大，权值修正的运动 gW()-W(k-1)》 (4) E 范围越大.将式(3)代入式(2)，混沌机制通过非线 式中，-所=△=5wO,mc为动量因子，输出 性自反馈项引入神经网络的BP算法中，使权值 节点误差dw=(D.-O)f(net). 的动力学系统也相应获得复杂的动力学特性，在 dE W:(k+1)=W,(k)-+mc[W,(k)W(k-1)]+ 学习逼近中避免陷入局部极小点，从而获得最 g(W()-W(k-1)》 (5) 优解. 22神经网络电极系统的内部模型 S=AW,dwO。隐层节点误差dw 式中，一 f(net)(owWa). 在图1的LF炉内模控制系统中，w为NNC的 23电极控制系统的神经网络解耦控制器设计 输出控制信号，i和i分别是广义对象和NNM的 LF炉电极控制系统是一个三输入三输出的 输出，e,=i-i.4为参考输入，e=-i为参考输入 多变量系统，通过短网其三相电弧电流互相影 与对象实际输出之差.预先采样广义对象的输入 响，三相电弧电压互相影响，三相控制器NNC的 输出数据，建立NNM和NNC模型，再投入到系 输出4，，4对三相电弧电流，2，之间存在交 统中运行.系统运行时，由于广义对象的严重不 叉耦合关系.因此，设计一种具有解耦功能的神 确定性（运行工况随时变化及诸多干扰的存在）， 经网络内模控制器，如图3所示，神经网络是 辩识模型NNM及控制器NNC实时在线调整，以 15-21-3结构，网络由三个并列的完全相同的子 实现对广义对象的自适应控制.NNM的结构如 网组成，各个子网的输入层至隐层是互相独立 图2所示. 的，各个子网的输入层有5个节点，隐层有7个神 ,() 经元.网络在隐层至输出层的三个节点间交叉耦 4,(k-1) 合，实现多变量解耦控制，网络在输出节点上实 4,(k-2) 现控制规律的综合.在图3中，神经网络NC的 k-1) (k-2) 输入矢量为： (O(k)(X(k)=(i(K)ia(k-1)u.(k-1).(k-2)e(K) i()ia(k-1).(k-1)w.(k-2)ek)ia()i4(k-1) 图2NNM结构图 u.(k-1)uk-2)e(k)1 Fig.2 Scheme of NNM X(为NNC输入层的总输入，O为输入层的总 控制对象为LF炉A,B,C三相电极电流，所 输出，h为NNC输入层每个子网内神经元的序 以NNM含有三个完全相同的辨识网络NNM, 号，h=1,2,,5:s为并列子网序号，5=1,2,3.对于 NNM,NNM.学习算法采用动量项和学习率自适 一个子网的隐层各神经元净输入为net2= 应调整的BP算法，为了有效克服陷入局部极小 ∑WwO-0,其输出为O2=f八net）,j为子网隐层 值点，同时引入混沌机制.图2中，NM输入变量 节点的序号，1,2，，7.合并三个子网的隐层，其 ,及4的下标中表示三相(=l,2,3),每相NNM 输出为(O)=[O2yOaO2]广.输出的三个神经元的 网络的输入层、隐层、输出层的节点数都是仁5， 净输入为netw=W,0-0,其输出为4=Ow= 2=7,L=1,为5-7-1结构.神经元激发函数隐层采 f(nets). 用Sigmoid函数，输出层采用Purelin函数，在

张绍德 钢 包精炼炉 的 电极 系统智 能建模及 控 制 在 上 式 中 ， 引入 一 权 值 增量 的非 线性 自反馈 项 ， 即 中 ， 输 入 层 ， 脚 价 一 峋 一 布 一 布 一 、 卜 、 叨儡喇 、 一 ， 一 ‘ 对 非 线 性 系 统 自反 馈 项以奔要 求 不 能 改变 式 中的不动 点 ， 即要求以 卜 选 用 如下 非线 性 的 函 数固 隐层 专 艺巩以一 份 输 出层 权 艺叭 一 氏 二 鸯 认 一 一 奋 详少 饭产 尸 设 样 本输 出为 ， 网络 的输 出为 认 ， ，… 尹 ， 为样 本数 ， 网络 学 习 的 目标 函数 为 告会 一 、 ， 则权 值 调 正 公 式 为 式 中 ， 和 可 看 作 式 中非线性 自反馈 驱 动 项 的幅度 和 半径 ， 调 节 这 两 个 参 数 ， 可 以控 制权 值 的活动 范 围 当 固定 ，肠越大 ， 权 值 修 正 的运 动 范 围越 大 将 式 代入 式 ， 混 沌 机 制通 过 非 线 性 自反馈 项 引入 神经 网络 的 算法 中 ， 使权 值 的动 力 学 系统 也相 应 获得 复杂 的动 力学特 性 ， 在 学 习 逼 近 中避 免 陷 入 局 部 极 小 点 ， 从 而 获 得 最 优 解 神 经 网络 电极 系统 的 内部模 型 在 图 的 炉 内模 控 制 系统 中 ， 为 的 输 出控 制信 号 ， 和 分 别 是广 义对 象和 的 输 出 ， 二 一 几为参考 输 入 ， 氏 二 扁一 为 参 考 输 入 与对 象 实际输 出之 差 预 先采样 广 义对 象 的输入 输 出数据 ， 建 立 和 模 型 ， 再 投 入 到 系 统 中运 行 系统 运 行 时 ， 由于 广 义 对 象 的严 重 不 确 定性 运 行 工 况 随时变化及 诸 多干扰 的存在 ， 辩 识模 型 及 控 制 器 实 时在 线调 整 ， 以 实现 对 广 义 对 象 的 自适 应 控 制 的结 构 如 图 所 示 、 一 、 叨奇 用 、 一 。 一 ‘ 以叭 一 嗽 一 一 一 ‘ ， 。 、 ， 二 一 八 甲 ， 一 刁翻可钻阵 一 和码 ， 刀 动 里 囚 士 ， 输 出 节 点误 差鲡 一 ’ 。 、 一 、 一 帝 〔 、 一 。 一 ‘ 以巩 一 巩 一 一 一 ‘ ， 。 。 、 一 卜 、 。 一 。 八 甲 ， 一 叮百可 吧叭 咖 叭 腮 坛 节 点 误 左 咖 图 结构 图 控 制对 象 为 炉 ， ， 三 相 电极 电流 ， 所 以 含 有 三 个 完 全 相 同 的辨 识 网络 ， 。 ， 学 习 算法采用 动 量 项和 学 习 率 自适 应 调 整 的 算 法 ， 为 了有 效 克服 陷入 局 部 极 小 值 点 ， 同时 引入 混沌机 制 图 中 ， 输入 变 量 脚及 布的下 标价表 示三 相 伸司 ， ， ， 每 相 网络 的输入 层 、 隐层 、 输 出层 的节 点数 都 是五介 ， ， ， 为 一 结构 神经 元 激 发 函数 隐层 采 用 函数 ， 输 出层 采用 函 数 在 戈 专 氨称 电极 控 制 系统 的神 经 网络 解祸 控 制器 设 计 炉 电极控 制 系统 是 一 个三 输入 三 输 出 的 多变 量 系 统 ， 通 过 短 网其 三 相 电弧 电流 互 相 影 响 ， 三 相 电弧 电压 互 相 影 响 ， 三 相 控 制器 的 输 出 ， 玩 ， 。 对 三 相 电弧 电流 ， 衣 ， 之 间 存 在 交 叉 藕 合 关 系 因此 ， 设 计 一 种 具 有 解 祸 功 能 的神 经 网 络 内模 控 制 器 ， 如 图 所 示 ， 神 经 网络 是 砚 一 结 构 ， 网 络 由三 个 并列 的完 全 相 同 的子 网 组 成 ， 各 个 子 网 的输 入 层 至 隐 层 是 互 相 独 立 的 各 个 子 网 的输入 层 有 个 节 点 ， 隐层 有 个神 经 元 网络在 隐层 至输 出层 的三 个节 点 间交叉 祸 合 ， 实现 多变 量 解 祸控 制 网络 在 输 出节 点上 实 现控 制 规律 的综 合 在 图 中 ， 神 经 网络 的 输入 矢 量 为 、 袱尤 、 卜 一 式 一 一 成 一 一 。 一 ‘ 一 。 一 。 一 。 戈， 为 输入 层 的总 输入 ， 口， 为输 入 层 的总 输 出 为 输 入 层 每 个 子 网 内神 经 元 的 序 号 ， ， ， … ， 为并 列 子 网序 号 ， ， ， 对 于 一 个 子 网 的 隐 层 各 神 经 元 净 输 入 为 封 艺叽口 一 入 ， 其输 出为久 ，为子 网 隐层 护】 节 点 的序 号 ， ， ， … ， 合 并三 个 子 网 的 隐层 ， 其 输 出为 口 刀 二 〔认。 口劝 以扩 输 出 的三 个 神 经 元 的 净 输 入 为 场 一 丢叽伪一 入 ， 其 输 出 为价 一 久 场

·84 北京科技大学学报 2004年第1期 ia(k) 式中，点-空-4器ae其权值和 4-1 u,) 阙值修正公式为： 4.k-1 以 4(k-2 e(k △所，（肉=-欲=n0以△8因=d. 输入层至隐层权值调整公式为： NN a() w,k+I）=用w-±mciW因-，k-1 is(k- gWw(-Ww(k-1》 (9) (发 =-.头.4ne.0n OWN di due Onets dO onetzoW (t) Oncts.00.Onct NNC. 0OrδnetoW -f代netw)OE6W=-d.Om ) 4(k) 式中，e=∫代net)艺dW,其权值和阙值修正公 4k-2 式为△W,-n5.0.△85 e(k) NNC 3系统仿真结果 图3具有解耦功能的三相电弧电流神经网铬控制器 Fig.3 Neural network controller of 3-phase are current with 在本课题中，针对系统复杂、数学模型严重 decoupling function 不确定（冶炼过程模型变化、不同炉料模型各异、 考虑到神经网络控制器的输出4应该是控 工况变化模型变化等等)，实时在线建模极其重 制电极升降的双极性信号，所以NNC隐层和输 要.为缩短在线建模时间，首先对LF炉广义对象 出层各神经元的激发函数选为双极S型函数： 离线辩识.从现场运行的70tLF炉采集整炉次输 fx)=(1-e1+e),fx)=[1-f(x/2. 入输出数据，经过预处理后作为离线辩识的样本 NNC网络学习的目标函数为： 数据.系统仿真应用MATLAB神经网络工具箱中 人c-五-2-4 的函数调用，编程灵活、简捷.取样本数据200 组，设定目标误差为0.02，a,b,c三相的离线训练 式中，()为系统输入的设定值，()为系统实际 次数如表1所示. 输出值.隐层至输出值的权值调整公式为： W,+)=用-+mw,因，k-1+ 表】4，b,c三相离线训练次数 Table 1 Times of off line training for a,b,c g(W()-Ww(k-1》 (6 算法 a相 b相 c相 式中， BP算法 356414312635927 =2.头.4n aWii,"⑦a,onetx oW (7) 加混沌BP算法33821 42762 34159 式(7)中，包含了对象的信息ai,()/⑦u(),可是对 系统a,b,c三相的仿真运行差别不大，现列 于模型未知的广义对象来说，∂，(k)/⑦u,()无法得 出c相输出仿真波形，如图4和图5所示. 到.在神经网络内模控制中，在己建立对象的神 1.4 经网络内部模型NNM前提下，用NM的输出4 1.2 近似代替()，即可用∂，K)/04()代替a()/ 1.0 ⑦4(k).根据NNM的输入输出关系可得： 0.8 di(k)di(k)onet:0o Onet 0o 0.6 84onet'oo`Onet,00.du彷 0.4 fnet)(ΣW)f(netW,) (8) 0.2 用a/⑦u,(k)代替式(7)中的ai,()/0u,(),于是 0 20 4060 80100 式(7)变为： k/步 =-之[i(0-,(]2得f(neto)= 图4c相输出电流波形（阶跃输入） CW Fig.4 Waveform of the output current of c phase(input -6O2k) the step signal)

北 京 科 技 大 学 学 报 年 第 期 式 中 ， 人 艺【耘 一 户， 闽值 修 正 公 式 为 瓢’ 其 权 值 和 “ 、 一带 一 。训 ， △ 、 一 呱 输 入层 至 隐层 权 值 调 整 公 式 为 、 。 卜 爪 · 。 一 受 · 〔二 · 。 一 、 ‘ 一 ‘ 〕 以砚勺 一 礁秘 一 仇 刁 弓场‘ 白丽瓦 ， 刁硬石 一 ， 动口 ， 艺人叽 二 一 卜 式 中 ， 苏一 ， 著人叭 ， 其 权值 和 闽值 修正 公 式为“ 呱 一。 黯 、 以的 ， △ 、 。 、 · 图 具 有解藕功 能的三相 电弧 电流神 经 网络控制器 幻泞 · 卜 碑 记 如 考 虑 到神经 网络 控 制 器 的输 出 脚 应 该 是 控 制 电极 升 降 的双 极性 信 号 ， 所 以 隐层 和 输 出 层 各 神 经 元 的激 发 函 数 选 为 双 极 型 函 数 刀习 卜 侧 一 ， ， “ 〔 一厂 网络 学 习 的 目标 函 数 为 赢 一 全凡斗鱿、 一 、 户二 ‘ 价 式 中 ， 为 系统输入 的设定 值 ， 认 为系统实 际 输 出值 隐层 至输 出值 的权值 调 整 公式 为 、 一 、 一 谬粉 脚· 〔、 一 、 一 以叽 一 叭 一 系统仿 真结 果 在本课 题 中 ， 针对 系统 复杂 、 数学模型严 重 不确 定 冶炼过 程模 型变化 、 不 同炉料模型各异 、 工 况 变化 模型变 化等等 ， 实 时在 线建模 极其重 要 为缩 短在线 建模时 间 ， 首先 对 炉广 义对 象 离线辩 识 从现 场 运 行 的 炉采集整炉 次输 入 输 出数据 ， 经过预处 理后 作 为离线辩 识 的样本 数据 系统仿 真应 用 州叻汀 神 经 网络 工 具箱 中 的 函数 调 用 ， 编程 灵活 、 简捷 取 样本 数据 组 ， 设 定 目标误 差 为 ， ， ， 三 相 的离线 训 练 次数如表 所示 表 ， ， 三 相 离线训 练次数 血 ， ， 算法 相 相 相 式 中 ， 刁人 。 名日满铂 几 瑞 坛 岑翼生 二 兰罕弊 共生 峨兰华卜 · 共等丝 万可 一 禹万不 百公石 ’ 瓦不 丽可 式 中 ， 包 含 了对 象 的信 息 己称 脚 ， 可 是对 于 模 型未知 的广 义 对 象 来 说 ， 日布伍刀日脚 无 法 得 到 在 神经 网络 内模控 制 中 ， 在 己建 立对 象 的神 经 网络 内部模型 前提 下 ， 用 的输 出露 近 似 代 替 认 ， 即 可 用 。言 。 脚 代 替 。 ‘ 算法 加 混 沌 算法 系 统 ， ， 三 相 的仿真运 行差 别 不 大 ， 现 列 出 相 输 出仿 真 波 形 ， 如 图 和 图 所 示 刁脚 根据 瓢 义 艺叽 义 幼 艺巩 用 。宕 。 、 代 替 式 中的 。 。 、 ， 式 变 为 于 是 ， ‘ 一 ， 一 八 丫 ‘ ‘ ’口 刁满侧 币不 一 一 艺〔礼 一 称 」瓢 ， 场 口仄 一 人口 到 步 图 相输 出电流 波形 阶跃输入 自 恤 印 代 山

VoL.26 No.1 张绍德：钢包精炼炉的电极系统智能建模及控制 ·85 1.5 1.0 类过程或对象实时在线建模，需要一个高速数据 0.5 采集系统（采样频率不低于40万次s),因为只有 0.0 采集更多反映对象特性快速变化的输入输出数 据，才能提高对象的实时在线辨识效果， 0.5 -1.0 参考文献 -1.5 1 William E S,Norman G B.Neural network control system 0 20 4060 80 100 for electric are furnaces [J].MPT,1995,18(2):58 k/步 2 Hauksdottir A S,Soderstrom T.System identification of 图5c相输出电流（方波输入） a three-phase submerged-are ferrosilicon furnace[].IEEE Fig.5 Waveform of the output current of c phase(input the Trans Control Syst Technol,1995,3(4):377 block wave signal) 3 William E S,Norman G B,Robert R S.Neural network 4 结论 conversion of the electric arc furnace into the intelligence arc furnace [J].Steelmaking Conf Proc,1991,74:749 (I)本文所设计的智能建模及其控制策略对 4 William E S,Robert B S.The Intelligent arc furnace con- 大量的、复杂的难以建模或根本无法建模的生产 troller-a neural network electrode position optimization 过程或对象进行有效控制，提供了理论支持和 system for the electric arc furnace [J].IEEE Int Joint Conf Network,1992,3:1 可能. 5蜜明，吴宁，谢吕芳，神经网络内模控制算法的研究 (②)采用常规控制理论对复杂过程解耦控制， [U.电气传动自动化，1998,20(4)：24 必须首先建立准确的数学模型，而在难以获得准 6李翔，陈增强，袁著祉.混沌机制在TS模型模糊神 确数学模型的情况下，采用神经网络解耦是可 经网络的系统辨识研究J.控制与决策，2001,16(4)： 行的. 504 (3)将混沌机制引入基于梯度的BP算法，能 7闻新，周露，王丹力，等.MATLAB神经网络应用设 有效地加快训练速度， 计M).北京：科学出版社，2000 (4)对于像电弧炉电弧电流变化极快的这一 Intelligent Modeling and Control Strategy for the Electrode System in Ladle Fur- nance Zhang Shaode Electrical Engineering and Information School,Anhui Uninversity of Technology,Mananshan 243002,China ABSTRACT In accordance with such characters of the electrode control systern in ladle furnace as the high non- linearity,time-variant,uncertainty of the model,output response time delay serious,and multivariable input and out- put coupling,an internal model control strategy based on real-time identification on line by neural network was pre- sented.The control strategy applies neural network decoupline control and the chaos algorithm to the improved BP algorithm and speeds up the training of neural network.The validity of the control strategy is verified by simulation analysis. KEY WORDS ladle furnace;neural network internal model control;neural network decoupling;chaos system

、 张 绍德 钢 包精炼炉 的 电极 系 统 智能建模及控制 类 过程 或对 象 实 时在线建模 ， 需要 一个 高速 数据 采集 系统 采样 频 率 不低 于 万 次 ， 因为只 有 采 集 更 多反 映对象 特 性 快速 变 化 的输 入 输 出数 据 ， 才 能提 高对 象 的实 时在 线辨 识 效 果 八尸、︸ … ，，足 刃抽 刁 一 一 步 图 相 输 出电流 方波输入 啥 自 伍 结 论 本 文 所 设 计 的智 能建模及 其 控 制 策 略对 大量 的 、 复 杂 的难 以建 模 或根本 无法 建模 的生产 过 程 或 对 象 进 行 有 效控 制 ， 提 供 了理 论 支 持 和 可 能 采用 常 规控制 理论 对 复杂过 程解 祸控制 ， 必 须 首先建立 准确 的数 学模 型 ， 而 在难 以获得准 确 数 学模型 的情况 下 ， 采 用 神经 网络 解 祸是 可 行 的 将 混 沌 机 制 引入 基 于梯度 的 算 法 ， 能 有效 地 加 快训 练速 度 对 于 像 电弧 炉 电弧 电流 变 化 极 快 的这 一 参 考 文 献 钻 ， 幻刀 咖 加 工 ， ， 花 一 一 仃 即 刀 ， ， ， ， 幻形。 吮 允 加 ， ， ， 卜 幻刀 月 ， ， 廖 明 ， 吴 宁 ，谢 吕芳 神 经 网 络 内模控 制算法 的研 究 电气传 动 自动化 ， ， 李翔 ， 陈增 强 ， 袁 著扯 混 沌机制在 模型模糊神 经 网络 的系统辨识研 究 控制与决策 ， ， 闻新 ， 周 露 ， 王 丹 力 ， 等 以 神 经 网络应 用 设 计 【 」北 京 科学 出版 社 ， 肋 。 松 ， 山 介 ， ， 初 允 硕 一 ， ， 叨印 加 ， 胡 ， 勿 七刀 五 帅 七刀 加 了 妇刀