焦炉立火道温度的ANFIS建模与模糊控制的研究

袁 港 陶文华 李 天

(辽宁石油化工大学信息与控制工程学院1，辽宁 抚顺 113001；辽宁石油化工大学自动化研究所2，辽宁 抚顺 113001)

焦炉立火道温度的ANFIS建模与模糊控制的研究

袁 港1陶文华2李 天1

(辽宁石油化工大学信息与控制工程学院1，辽宁 抚顺 113001；辽宁石油化工大学自动化研究所2，辽宁 抚顺 113001)

针对焦炉立火道温度系统的复杂多变等特性，采用自适应神经模糊推理系统(ANFIS)方法中所具有的模糊经验知识和神经网络中的自学习功能等优点，解决焦炉温度模型高耦合性、多变性和不确定性问题，进而建立ANFIS辨识模型。同时，在模糊控制器中引进遗传优化算法,实时调整模糊隶属度规则,以达到平稳、快速、准确的控制要求。Matlab仿真证明了该方案的可行性和有效性。所设计的方案将为以后焦炉立火道温度的控制优化的研究提供理论性的指导。

焦炉 ANFIS 遗传算法 模型建立 模糊控制 Matlab仿真

0 引言

模糊逻辑与神经网络近些年发展较快，神经网络虽然具有自学习功能，但不能很好地表达人脑的推理功能；模糊推理系统适用于表示模糊的经验和知识，缺乏有效的学习机制。基于自适应神经模糊推理系统(adaptive neural fuzzy inference system,ANFIS)将两者有机结合，取其优势，去其劣势[1]。将ANFIS理论应用于焦炉温度控制系统当中，研究和设计一种新型智能控制器，可以在模型不确定的情况下，对焦炉温度进行自动控制，并利用 Matlab仿真软件进行仿真研究。

本文分为三大部分展开。第一部分，采用自适应神经模糊推理系统(ANFIS)建立焦炉立火道辨识模型。ANFIS具有模糊的经验知识和神经网络中自学习功能的优点，能更好地解决模型的多变性和不确定性。第二部分，在模糊控制的基础上，引进遗传算法，对模糊控制器的参数和模糊规则进行自适应调整。第三部分是仿真实现，与常规的控制方案进行对比，验证该方案的可行性。

1 焦炉燃烧过程

焦炉是最复杂的冶金工业炉，包括多个燃烧室和多个炭化室，多个相间的结构交错排列[2]。焦炉燃烧过程如图1所示。

图1 焦炉燃烧过程

首先,空气与煤气按照一定的比例混合，然后送入燃烧室中燃烧，通过炉墙向两侧的炭化室提供热量;并对炭化室中的入炉煤进行高温干馏，最终得到产品。燃烧过程中所释放的废气会在蓄热室中收集余热，最后释放出来，单次交换空气、煤气和废气流向所需的时间约为20 min[3]。图1中所示燃烧室中，进入的箭头代表煤气和空气混合，出去的箭头代表废气的流向，炭化室中的箭头代表煤气的走向。国外研究焦炉控制开始于20世纪70年代后期，目前形成了供热量前馈控制系统、炉温反馈控制系统和前-反馈结合等几类控制方式[5]。现在我国的焦炉控制系统在智能控制以及数学模型基本达到国外水平，并且在国内一些大型的焦炉炼化厂已经有了一定的实际应用[6]。

2 建立ANFIS辨识模型

查阅相关文献及试验测试证明，影响焦炉立火道温度的因素主要是煤气流量的变化、煤气成分及温度的变化、外界环境和大气压力等因素的变化等。其中煤气流量是影响火道温度的主因，外界环境会导致焦炉温度和压力制度的变化，使烟道吸力变化，引起燃烧煤气的空气噪声系数变化，燃烧室的温度也会产生波动[7]。本文以煤气的流量为主要影响因子来建立焦炉的立火道温度系统模型。

在焦炉生产过程中，焦炉装置加热的主要原料是高炉煤气、焦炉煤气或者是按照标准所要求的两种煤气的混合煤气[8]。本文所研究的焦炉系统的燃料选择为焦炉煤气和高炉煤气这两种。其中，焦炉煤气中含有的可燃物质比较多，所以在其燃烧过程中会释放出较高的热量，有助于燃料的充分燃烧。从经济角度来讲，焦炉煤气的价格相对来说比较高，生产成本增加，还会因为热量过高而对装置有强烈的腐蚀性。高炉煤气则恰恰相反，它燃烧时产生的热值会低于焦炉煤气，还会排放出大量的燃烧废气，虽然价格成本比较诱人，但当进入量过大时会影响产品的质量。据估算，相同的两种煤气所释放的热量的比值约为4∶1，从结焦程度上来看，相同时间内高炉煤气所产生的结焦量是焦炉煤气的5.2倍[9]。两者的流量大小都会影响立火道温度的变化。在运行过程中煤气的投放量是不变的，当焦炉煤气所占的比例较大时，立火道温度显著提升；相反则温度会下降。在不同工况下，动态模拟焦炉立火道温度曲线变化可以使输入到输出呈现一种动态的非线性映射：

Y(k+1)=Φ[Y(k),fg(k),fj(k)]=

Φ[F(k),Y(k)]

(1)

2.1 焦炉立火道温度辨识算法

焦炉立火道温度系统的ANFIS辨识模型结构如图2所示。

图2 焦炉立火道系统工作的ANFIS辨识模型

图2主要包括ANFIS辨识模型、TDL多路时域延时环节和焦炉被控对象等。该算法所应用的神经网络是RBF神经网络，它具有以任意程度来精确地逼近任何一种线性或非线性函数的功能，同样具有收敛速度快、误差小、所需训练样本少等特征[10]。这使得ANFIS可应用到非线性系统辨识中。设模糊系统共有M条规则，即：

式中：l=1，2，3，…，M为规则序数；P为输入量个数；F为模糊前件集合；G为模糊输出集合。

典型的ANFIS模型一般存在五层节点：①隶属度函数节点；②模糊规则前件节点；③归一化节点；④模糊规则后件节点；⑤模糊系统的输出节点[12]。当模型拥有n个输入、1个输出的M条规则时，ANFIS辨别模型结构如图3所示。

图3 ANFIS辨识模型结构

(2)

图4 高斯函数模糊隶属度

ANFIS模型输出表达式为：

(3)

2.2 焦炉立火道温度系统的ANFIS辨识

ANFIS辨识结果如图5所示。

图5 辨识结果

采用ANFIS辨识模型对焦炉的立火道温度系统进行辨识，并通过调整相关的隶属度参数，使得辨识器精确、快速地模拟出焦炉立火道温度的动态响应，误差大约不超过10 K。图5给出了焦炉立火道在三种[fg(k)fj(k)]不同条件下的辨识结果。其中，曲线代表试验数据，加号代表模型输出，各曲线对应的[fg(k)fj(k)]参数值分别为：曲线1为[0.6 0.3 ]、曲线2为[0.3 0.8]、曲线3为[0.1 0.9]。

3 焦炉立火道温度系统的ANFIS设计

3.1 温度控制器的设计

焦炉温度控制器的控制结构图如图6所示。

图6 焦炉温度控制器

ANFIS中的模糊集合的设定与单纯的模糊控制设定方式相同[11]。在ANFIS系统中的模糊部分，系统的输入为设定值温度即目标火道温度，其中模糊控制器的输入为设定值与实际输出值之差e和误差变化量Δe，连带着相应的量化因子ke和kc。在运行过程中，相应地按照比例因子ku的大小来使其适应辨识模型的相关要求。目标火道温度为(1 220±20)℃，将所输入的立火道温度的论域定在[1 100 1 300]，温度变化的误差要求小于10 K。

在温度高于目标温度时，增加高炉煤气的流量并且保证所进入的煤气总流量保持不变。相反，当温度低于所设定温度一定数量时，需要相应的增加焦炉煤气流量，以增加高炉煤气。同时在温度误差调节方面，为满足控制精度的要求，当温度误差变化大于10 K时，对所进入的煤气流量进行微调，使系统稳定运行。

在模糊集合设定选取中分成七个语言等级，从负的最大到正的最大依次为：负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PB)。基于RBF方法自适应模糊规则的建立要满足以上要求。

为了达到自适应的要求，需要对隶属函数(MF)参数和模糊规则进行综合调整和更新。为此，引进遗传算法来调节参数，达到随着环境的不断变化而产生适合当前状态的模糊规则[11]。

3.2 控制算法的研究

本文中的自适应神经模糊控制器由基于Mamdani模糊推理的模糊控制系统与前馈RBF神经网络相结合而成，模糊系统的过程是单值模糊化、规则库(主要以高斯隶属度函数为例)、乘积推理、解模糊(质心平均反模糊化)。但是在系统运行过程中，为达到最佳的参数要求，需要引入遗传算法进行再次优化，以改变传统的初始参数不变的情况，最终真正达到自适应的目的[12-13]。

该控制算法的步骤如下。

① 寻找相关参数(如量化因子、比例因子及隶属度函数等)，并对编码进行初始化，生成初始群体，随机产生一个个体，形成种群X(t)={Xt1,…,Xti,…}。

② 计算适应值Fitnessf(Xti)，并对所产生的个体适应度进行相应的评价。

③ 调用模糊控制器，使其输出Pc和Pm时判断是否满足终止条件。如果不满足，则执行步骤④，否则转步骤⑥。

④ 开始进入遗传操作，依次对种群实施复制、交叉、变异等基本操作，并产生下一群体。

⑤ 再次对所产生的群体的适应值进行评价，计算出相应的规则度，同时执行操作步骤③。

⑥ 评价过后产生最佳的模糊规则。

⑦ 寻优结束并返回ANFIS操作。

由以上步骤可知，Pc和Pm是按照遗传寻优的结果不断变化的，可提高遗传算法的收敛速度和寻优质量，最终得到想要的随着工况不断变化的最佳的模糊控制规则，这样也达到了自适应的目的。

4 仿真试验

基于以上设计部分的内容，运用Matlab数学仿真软件对其进行实现。系统的对象模型采用第一部分所得出的焦炉立火道温度系统的辨识模型，而控制器按照第二部分的ANFIS温度模型来设计。控制器的输入为焦炉温度的设定温度与上一个时刻输出温度的差值，温度计算时间间隔为0.1 s。控制器输出u为辨识模型的输入。

在自适应环节中，模糊遗传算法寻找最佳控制隶属度与遗传算法的迭代效果对比如图7所示，实线代表纯遗传的迭代，虚线代表模糊遗传迭代。

本文仿真是对PID控制算法、模糊控制算法与改进的控制算法进行比较，算法比较结果如图8所示。从图8可以看出，改进的方法能够平稳、快速地控制焦炉温度。因为该方法虽然牺牲了遗传算法的迭代次数，但是能够随着焦炉生产过程中工况的变化而不断更新最适应当前状态的模糊隶属度及其规则。因此该方法具有一定的优势。

图7 迭代效果对比

图8 控制效果比较

5 结束语

本文首先采用自适应神经模糊推理系统(ANFIS)中所具有的模糊经验知识和神经网络中自学习功能的优点，建立焦炉立火道辨识模型。然后，引进遗传算法对模糊控制器的参数和模糊规则进行自适应调整，以达到最佳控制状态。最后，在Matlab数学软件中进行相应的仿真实现。仿真结果证明该方案具有很好的控制效果，对后期的控制优化的研究提供了理论指导。

[1] 张志红.基于ANFIS交通流实时预测及在MATLAB中的实现[J].重庆交通大学学报,2007,26(3):112-115.

[2] 叶凤华,洪海波.基于广义预测算法的焦炉立火道温度控制系统[J].安徽工业大学学报：自然科学版,2010,27(2):191-194.

[3] 沈立春,林红,邓欣.自动语音提示系统在焦炉生产中的应用[J].测控技术,2012,31(9):141-143.

[4] 李贵君,何峰.焦炉燃烧火道温度智能优化设定方法[J].可编程控制器与工厂自动化,2010(4):93-96.

[5] 李江宁,高宪文.焦炉火道温度的多目标优化与控制方法研究[D].沈阳:东北大学,2011.

[6] 吴敏.基于多工况分析的焦炉加热过程火道温度模糊控制[J].中南大学学报：自然科学版,2008,39(1):155-161.

[7] 郭军,宁芳青,韵金虎,等.焦炉立火道温度变化规律的探讨[J].燃料与化工,2012,43(4):19-21.

[8] 赵志杰,蒋国璋.焦炉立火道温度的智能控制模型及仿真研究[D].武汉：武汉科技大学,2008.

[9] 何艳丽.焦炉火道温度智能优化控制算法的研究与应用[D].长沙:中南大学,2006.

[10]Cao Zhengcai,Deng Jijie,Liu Min,et al.Bottleneck prediction method based on improved adaptive network-based fuzzy inference system(ANFIS) in semiconductor manufacturing system[J].Chinese Journal of Chemical Engineering,2012,20(6):1081-1088.

[11]戚志东.基于ANFIS的DMFC温度建模和改进模糊控制[J].南京理工大学学报:自然科学版,2008,32(6):750-752.

[12]Li Tie.Temperature field analysis and adaptive neuro-fuzzy inference system for mg0 single crystal production[J].Journal of Wuhan University of Technology Mater,2012(27):1093-1095.

[13]马永杰,云文霞.遗传算法研究进展[J].计算机应用研究,2012,29(4):1201-1205.

ANFIS Modeling for Coke Oven Flame Path Temperature and Research on Fuzzy Control

In view of the complex and changeable characteristics of the vertical flame path in coke oven, by adopting the fuzzy experience knowledge in adaptive neural fuzzy inference system (ANFIS) and the self-learning function in neural network, the strong coupling, variability and uncertainty of the temperature model of coke oven can be solved, and then the ANFIS recognition model is established. In addition, the genetic optimization algorithm is introduced in fuzzy controller, to adjust the fuzzy membership rules in real time to achieve smooth, rapid and accurate control. The Matlab simulation proves that the scheme is feasible and effective. Finally the scheme designed will provide theoretical guidance for optimization research of coke oven vertical flame path temperature control.

Coke oven ANFIS Genetic algorithms Model-building Fuzzy control Matlab simulation

国家自然科学基金资助项目(编号：61203021)。

袁港(1990-)，男，现为辽宁石油化工大学控制理论与控制工程专业在读硕士研究生；主要从事工业智能控制算法及优化的研究。

TP273

A

10.16086/j.cnki.issn1000-0380.201504020

修改稿收到日期：2014-09-19。