正在加载图片...
,206 北京科技大学学报 第30卷 35 5结论 交流电弧炉电极控制系统是复杂的多变量、时 变、非线性、强耦合系统，这些特性增加了建立其模 型的难度，本文采用数据挖掘的方法对电极系统进 20 行了预测建模.其中挖掘方法采用Elman神经网络 实际输出 15 -变结构遗传Elman网络 的方法，并针对网络的基本问题如容易陷入最小值、 一BP算法Elman网格 网络结构不优化等进行了改进，提出了基于新型混 0 101520253035404550 合遗传算法的变结构遗传Elman网络算法，并应用 样本量 于实际的交流电弧炉电极系统的预测建模中，此算 图6A相电流曲线（检验数据） 法以较高的精度拟合了实际的输入输出动态特性， Fig.6 Curves of A phase current (checking data) 并用实际的未训练的数据进行了验证，通过和基于 BP算法的Elman网络比较，证明了用本文提出的 模型进行知识评价后，把它应用于安钢F$F电极控 变结构遗传Elman网络数据挖掘方法建立的模型 制系统的参数整定来进行知识应用，安钢FSF电极 控制系统的VAMELT十十电极控制装置是以PC 有更好的泛化能力，更符合实际工程的需要.把建 好的预测模型应用到安钢电极控制系统的PID参 为基础构成的独立控制系统.控制算法是经典的 数整定中，取得了良好的效果. PD控制，三根电极各加一套控制系统，各自调节， 自成闭环，控制系统在方案设计合理、仪表校对和 参考文献 安装正确的前提下，控制品质就取决于控制器参数 [1]Zhang JJ.Wang S H.Terminal adaptive predication and expert 的选择，安钢F$F电极控制系统原控制器参数的整 directing operation for the steelmaking process of electric arc fur 定采用的是经验试凑法，这就给系统带来了很多不 nace.Acta Auom Sin.1993,19(4):463 稳定的因素，控制效果不理想，本文把根据实际现 (张俊杰，王顺晃，电弧炉炼钢过程终点自适应预报与专家指 导系统.自动化学报，1993,19(4)：46) 场数据建立的模型应用于PID控制器参数的离线 [2]Wu J.Li S Q.Wang H R.et al.Operation reactance of AC- 整定中，采样周期和系统实际采样周期相同，都为 EAF.J Unin Sci Technol Beijing,1999,21(5):440 20ms,用工程上常用的动态特性参数法来整定PID (武骏，李士琦，王海润，等.炼钢交流电弧炉工作电抗模型.北 控制器参数·采用新控制器参数后，采集新数据与 京科技大学学报，1999,21(5)：440) 原来没有进行整定前的数据进行比较，如图7.图7 [3]Parsue K.OLAP&.Datamining:Bridging the gap.Database (a)是整定前电流值，图7(b)为利用预测模型参数 Program Des,1997.10(2):20 [4]Elman JL.Finding structure in time.Cognitive Sci.1990.14 整定后的A相电流值，由两幅图比较可以清楚的发 (2):179 现，参数整定后性能有了明显的改善 [5]Cong S,Gao X P.Recurrent neural networks and their applica- 40 tion in system identification.Syst Eng Electron,2003.25(2): 194 [6]Lin F J.Wai R J.Chou W D.et al.Adaptive backstepping control 10 using recurrent neural network for linear induction motor drive. IEEE Trans Ind Electron.2002.49(1):134 200 400 600 800 1000 [7]Weber S.A general concept of fuzzy connectives,negations and 采样点 40 implications based on tnorms and t-conorms.Fuzy Sets Syst. 30 1983(11):115 [8]Zhang L P,Chai Y T.Actuality and developmental trend for ge netic algorithms.Inf Control.2001.30(6):531 10 (b) (张丽萍，柴跃廷.遗传算法的现状及发展动向·信息与控制， 200 400 600 800 1000 2001,30(6):531) 采样点 [9]Pham D T,Liu X.Training of Elman net works and dynamic sys- tem modeling.Int JSyst Sci.1996,27(2):221 图7A相电流参数整定前(a)后(b)性能比较 [10]Yan P F,Zhang C S.Artificial Neural Networks and Evolu- Fig.7 Curves of A phase current before (a)and after (b)parame- tionary Computing.Beijing:Tsinghua University Press.2000 ter tuning 11图6 A 相电流曲线（检验数据） Fig．6 Curves of A phase current （checking data） 图7 A 相电流参数整定前（a）后（b）性能比较 Fig．7 Curves of A phase current before （a） and after （b） parameter tuning 模型进行知识评价后把它应用于安钢 FSF 电极控 制系统的参数整定来进行知识应用．安钢FSF 电极 控制系统的 VAMELT ＋＋电极控制装置是以 PC 为基础构成的独立控制系统．控制算法是经典的 PID 控制三根电极各加一套控制系统各自调节 自成闭环．控制系统在方案设计合理、仪表校对和 安装正确的前提下控制品质就取决于控制器参数 的选择．安钢FSF 电极控制系统原控制器参数的整 定采用的是经验试凑法这就给系统带来了很多不 稳定的因素控制效果不理想．本文把根据实际现 场数据建立的模型应用于 PID 控制器参数的离线 整定中采样周期和系统实际采样周期相同都为 20ms用工程上常用的动态特性参数法来整定 PID 控制器参数．采用新控制器参数后采集新数据与 原来没有进行整定前的数据进行比较如图7．图7 （a）是整定前电流值图7（b）为利用预测模型参数 整定后的 A 相电流值．由两幅图比较可以清楚的发 现参数整定后性能有了明显的改善． 5 结论 交流电弧炉电极控制系统是复杂的多变量、时 变、非线性、强耦合系统这些特性增加了建立其模 型的难度．本文采用数据挖掘的方法对电极系统进 行了预测建模．其中挖掘方法采用 Elman 神经网络 的方法并针对网络的基本问题如容易陷入最小值、 网络结构不优化等进行了改进提出了基于新型混 合遗传算法的变结构遗传 Elman 网络算法并应用 于实际的交流电弧炉电极系统的预测建模中．此算 法以较高的精度拟合了实际的输入输出动态特性 并用实际的未训练的数据进行了验证．通过和基于 BP 算法的 Elman 网络比较证明了用本文提出的 变结构遗传 Elman 网络数据挖掘方法建立的模型 有更好的泛化能力更符合实际工程的需要．把建 好的预测模型应用到安钢电极控制系统的 PID 参 数整定中取得了良好的效果． 参 考 文 献 ［1］ Zhang J JWang S H．Terminal adaptive predication and expert directing operation for the steelmaking process of electric arc furnace．Acta A utom Sin199319（4）：463 （张俊杰王顺晃．电弧炉炼钢过程终点自适应预报与专家指 导系统．自动化学报199319（4） ：46） ［2］ Wu JLi S QWang H Ret al．Operation reactance of ACEAF．J Univ Sci Technol Beijing199921（5）：440 （武骏李士琦王海润等．炼钢交流电弧炉工作电抗模型．北 京科技大学学报199921（5）：440） ［3］ Parsue K．OLAP ＆ Datamining：Bridging the gap． Database Program Des199710（2）：20 ［4］ Elman J L．Finding structure in time．Cognitive Sci199014 （2）：179 ［5］ Cong SGao X P．Recurrent neural networks and their application in system identification．Syst Eng Electron200325（2）： 194 ［6］ Lin F JWai R JChou W Det al．Adaptive backstepping control using recurrent neural network for linear induction motor drive． IEEE T rans Ind Electron200249（1）：134 ［7］ Weber S．A general concept of fuzzy connectivesnegations and implications based on t-norms and t-conorms．Fuzz y Sets Syst 1983（11）：115 ［8］ Zhang L PChai Y T．Actuality and developmental trend for genetic algorithms．Inf Control200130（6）：531 （张丽萍柴跃廷．遗传算法的现状及发展动向．信息与控制 200130（6）：531） ［9］ Pham D TLiu X．Training of Elman networks and dynamic system modeling．Int J Syst Sci199627（2）：221 ［10］ Yan P FZhang C S．A rtificial Neural Networks and Evolutionary Computing．Beijing：Tsinghua University Press2000： 11 ·206· 北 京 科 技 大 学 学 报 第30卷