基于PLC的硅铁炉自动配料控制系统设计

潘佳月，吴明亮，张鸿强

（1.兰州理工大学 机电工程学院，兰州 730050；2.甘肃烟草工业有限责任公司天水卷烟厂，天水 741020）

配料工序是冶金、化工、食品、建材等工农业生产中的一个重要环节，也是众多生产作业的源头工序。配料系统的精度和效率对生产过程起着决定性的作用。在硅铁生产过程中，对配料系统的要求更是如此，而当前大部分硅铁配料控制系统，尽管实现了自动化控制，但是对于配料精度的控制，大部分仍需要人为调节来实现，这不仅对操作员的综合素质要求较高，而且无法有效地实现精度控制。因此，设计开发一套技术先进、配料准确、经济实用的自动配料控制系统，具有广泛的应用前景[1]。

1 系统工艺流程

在硅铁生产过程中，将木屑、硅石、煤和焦炭等原料经配料设备均匀混合之后送至矿热炉内进行冶炼，其配料过程整体上可以分为给料过程、混合输料过程以及炉顶加料3个阶段，涉及生产设备有物料仓、称重斗、电振给料机、运料皮带、布料小皮带和环轨小车等，其工艺流程如图1所示。

图1 工艺流程示意Fig.1 Process flow diagram

在配料系统启动后，系统通过原料仓下的电振给料机，将原料仓的物料传送至称重料仓，再由称重料仓下的称重传感器将秤斗中的实时重量值以Modbus通讯方式传至PLC控制中心，控制器通过配方设定值和实时重量值，进行相应的计算之后，发出相应的控制命令。在输送控制阶段，卸料小皮带开始准备卸料时，水平运料皮带及大倾角皮带自动运转，然后通过设定好的时间差，启动对应的卸料小皮带，使得物料均匀地叠加在水平运料皮带上，以达到均匀混料的目的，之后再经大倾角皮带传输至炉顶集料仓。最后，当物料被送至炉顶集料仓之后，便等待炉台上的缺料信号，根据不同炉门的要料信号，将集料仓中的物料通过环轨小车送至相应的炉门料管，这样便完成了一批物料的配料过程。

2 控制系统的构成

在该系统中，采用上位机与下位PLC相结合的控制方式。其中控制系统由上位计算机、可编程逻辑控制器以及相应的执行元件组成。通过选用带PN口的下位PLC，不仅可以方便地实现上位机与下位PLC之间的通讯，而且采用以太网通讯方式具有传输数据量大、传输速率高、稳定性好等优点。

系统中现场称重传感器将称重信号经接线盒传送至称重仪表，通过称重仪表不仅可以实现重量值的就地显示，还能将该数据以不同的通信方式传送至中心控制器PLC，同时，它也能够接收由上位机发出的相应指令，考虑到通讯的质量和速率，选用CP341串口通讯模块，来实现PLC与现场称重仪表之间的数据交换，而对于现场的大倾角皮带、水平运料皮带以及电振给料机等设备的启停控制，由PLC的逻辑运算结果来控制相应的中间继电器，最终实现对执行元件的控制。为了便于调速控制，系统中的电振给料机、布料小皮带、水平运料皮带等均通过变频器来驱动。因此，为了降低成本，通过Modbus通讯来实现对变频器的启停控制及运行频率的调节。以Modbus通讯的方式来控制，避免了模拟量信号的转换，这对采集到的现场信号精度有了保障，而且采集速度也大大提高，因此可以实现对硅铁配料过程的高效控制[2]。

最后通过上位机完成对现场设备运行状态的监控和配料重量的数据显示和归档处理，并通过报表打印功能实现报表打印。控制系统组成如图2所示。

图2 控制系统组成Fig.2 Principle diagram of the control system

3 系统误差分析

3.1 配料过程误差来源分析

料斗秤的误差一般有2种：一部分来自配料过程中，另一部分则由计量装置本身的误差引起，这也是配料过程中普遍存在的2种误差来源。在实际生产中，通过标准砝码校验，便可将秤本身的误差控制在允许范围内，但从料仓到秤斗的落差引起的配料误差成了料斗秤称重配料精度的主要影响因素。

造成料斗秤配料过程误差的因素如下：

1）物料从原料仓落入秤体仓时，由于原料仓和秤斗底部之间的高度差，导致下落过程会产生较大的冲击力，从而引起称量不准确。

2）由于传输过程引起的控制命令信号的滞后以及设备本身的惯性所带来的误差。

3.2 物料下落过程分析

称重配料过程存在很多的不确定因素，这使得一些常规控制方法很难达到理想的控制效果。为此，通过对该控制过程更深层次的分析，来找到更为合适的控制方法，该系统的称重配料过程如图3所示。

图3 称重配料过程示意Fig.3 Schematic diagram of weighing and batching process

图中：W为秤斗内物料重量值；t为称重配料过程时间；W设为设定目标重量值；W终为秤斗内最终实际重量值；W停为系统停机重量设定值。

从称重配料过程示意图可以清楚地看到，在t0时刻系统启动配料，在t0～t1时间内，虽然电振给料机已经启动，但秤斗内物料重量值并没有随着时间的增加而增加，表明该时间段内并没有物料落入，这是由于给料器出口和秤斗底部的落差引起的延滞。同样，在t2～t3时间段里，也出现了与刚开始一样的延滞现象，但与开始不同的是该过程中已经有物料落入秤斗，在到达t2时，电振给料器停止输出，直到t3时刻，空中物料才完全落入秤斗内，物料称重过程结束。

在很多配料中，都是当系统的重量值到达事先设定好的提前停机值时，控制器立刻输出给料机停机命令，通过这种方式可以有效地降低误差。这是因为在料斗秤配料过程中，一旦有物料开始下落，不管何时停止给料器，系统的空中余料重量值基本都不会变化，但不同时刻停止给料器却对秤斗内的物料重量值有直接的影响，在该过程中系统给料器停机越早，秤斗内的实际重量值就会越少，而系统最终称量值由空中余料和停机时秤斗内的重量值两部分组成，因此，通过设定合理的停机提前量来有效地降低误差。

通过对称重配料过程的深入分析，建立如图4所示的数学模型，通过此模型可以更深入地对该过程进行分析。

图4 称量过程示意Fig.4 Weighing process diagram

假设配料的设定目标值为W设，停机提前量为u，发出停机命令后秤斗内实际值为W停，则有：

此时，秤斗内物料的高度h停为

式中，k为比例系数，m/kg。

空中余料的高度为

因此，可得：

式中：ρ为下落料柱的比重，kg/m3；S为物料下落过程中形成的料柱横截面积，m2。

通过停机时的重量值和空中余料重量值就可以得到系统的最终实际值：在该式中，其他参数均能够直接或间接地得到，唯有停机提前量u是个不确定的变量，因此，可知最终实际值W终是变量 u的函数，即：W终=f（u），它随着u值的变化而变化，因此，准确把握u值，就能实现系统的精确控制。

4 配料系统的精度控制

4.1 迭代学习控制在配料过程中的应用

针对配料过程中存在的落差问题，也是影响系统精度的主要问题之一，必须通过相应的措施来减少这种误差，为此，通过迭代算法来对提前停机量进行修正。

在系统开始时，先将物料的测量重量yk与期望值r比较，产生重量误差值e，作为系统停机提前量的比较值。在系统启动配料程序后，当系统的在线测量值yk大于慢投设定值时，电振给料变频器高频运行，以提高配料的速度。当在线测量的物料重量yk到达慢投设定值，且测量重量误差e大于uk时，为了更好地控制配料精度，PLC切换电振给料机为低频状态，最后为了补偿物料落差，在慢速配料的过程中，当检测到系统的误差值e小于提前停机量uk时，使电振给料机变频器频率为0，停止给料。补偿算法采用迭代学习控制算法，将每次修正后的停机提前量作为下一批次停机信号比较值。经过这样反复迭代学习训练，不断优化停机提前量，物料的称量精度便可达到工艺要求[3]。

控制量的初始值为

式中，u0取值一般为W设的15%。

则首次配料误差为

可产生新的控制量：

式中，q为加权学习因子。

第二次配料的误差为

依次类推，可得到第k次误差值ek为

第k+1次停机提前量为

在迭代训练过程中，当ek＜0时，也就是说第k次的实际值小于设定目标值，这时通过负向迭代运算减小uk的值，而当ek＞0时，则恰好相反。

从式（13）中可以看出，当在迭代过程实现负向迭代时，控制量最小也只能取零，不可能取负值，而事实也正是如此。

当 Wk＞W设时，ek＞0，随着迭代次数的增加，uk的值不断变大，但不能一直增大而没有限制，增大过程必须符合如下关系式：

迭代学习控制算法已经证明，当经过多次迭代运算后，总能够使系统的实际输出值无限趋近目标输出值。通过上述论证，完全能够将迭代算法应用在配料系统的提前量修正中，因为通过多次的重复修正，它能够有效地提高精度。

4.2 PLC程序设计

在该控制系统中，7套料斗秤配料装置具有相同的数学模型，对于其停机提前量的修正过程都是相同的，只是不同的物料所对应的相关参数不同。

因此，可以根据前面所分析的控制算法和工艺条件，构造具有共性的停机提前量修正功能块。在程序编写过程中，针对不同的秤，只需在调用后设置相应的参数即可[4]。1#秤停机提前量修正程序功能块图如图5所示。

图5 停机提前量修正功能块Fig.5 Stop advance quantity correction function block

4.3 配料过程的仿真

迭代学习控制算法已经证明，当经过多次迭代运算后，总能够使系统的实际输出值无限趋近目标输出值。通过上述论证，将迭代算法应用在配料系统的提前量修正中，因为通过多次的重复修正，它能够有效地提高精度。

利用上述模型，借助仿真软件，进一步对控制模型进行验证说明[5]。

首先在Matlab软件中新建一个 “PEILIAO”项目，然后编写Matlab仿真程序，在仿真中为了突出体现学习因子q对控制系统收敛速度的影响，根据配料工艺过程中的相关参数，初步取H=1.25 m、S=0.05 m2、k=0.001 m/kg、u0=40 kg、W=1000 kg、 ρ=1080 kg/m3作为定性参考值，然后通过学习因子q的变化，来观察系统的收敛特性。如图6、图7所示。

从图6中可以看出，当q=0.25时，停机提前量初始值为u0=40 kg，迭代运算20次之后，该值基本稳定在15 kg上下，同时最终实际配料值也逐渐逼近目标设定值。

图6 q=0.25时仿真结果Fig.6 q=0.25 simulation results

图7 q=0.75时仿真结果Fig.7 q=0.75 simulation results

由图6和图7对比可知，随着学习因子q值的增大，系统的收敛速度逐渐提高。但由于系统稳定性的要求，q不能不受限制地增大，因此需要一个使响应速度快，同时系统的稳定性又好的q值。在目标设定值不变的情况下，q取多组数值分别进行仿真试验；并根据实际情况，选择一个最为合适的学习因子。

5 结语

本文通过对配料过程的深入分析，并将迭代学习控制的思想应用于配料提前量的修正中，有效地提高了系统的配料精度。经过现场几个月的实际应用结果来看，该系统运行稳定可靠，操作简洁，企业的生产效率有了明显的提高，真正实现了矿热炉的自动化高效配料。

[1]吴明永，王国伟.铁合金电炉自动化配料控制系统的设计与应用[J].工业仪表与自动化装置，2012（3）：41-44.

[2]赵兴森，文生平，徐永谦.基于PLC的自动配料控制系统设计[J].计算机测量与控制，2013，21（4）：962-964.

[3]杜寿兵，吴付岗.迭代学习控制在配料控制系统中的应用[J].计算机测量与控制，2006，14（4）：479-481.

[4]王志刚.PLC在自动配料控制系统中的应用[J].电气传动，2001（3）：45-48.

[5]石成林，林辉.迭代学习控制的研究与应用进展[J].测控技术，2004，8（5）：15-20.