,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