BP神经网络PID控制在高炉TRT顶压控制系统中的仿真

刘志刚

（唐山学院 机电工程系，河北 唐山063000）

高炉炉顶煤气余压透平发电装置（TRT）是将回收的高炉煤气的压力能通过透平膨胀机做功后转化为机械能驱动发电机发电的装置。维持TRT正常工作首先要确保高炉炉顶压力的稳定，而影响高炉炉顶压力的因素很多，如布料过程、均压过程、鼓风机压力与风量、旁通阀开度、热风炉换炉、高炉生产工况、透平机运行状况以及静叶的调节精度等［1］。稳定的控制高炉炉顶压力非常重要而且难度很高，这就需要有一套高效的高炉顶压控制系统对其进行控制。

1 高炉顶压控制工艺［1－3］

高炉TRT顶压控制系统流程如图1所示。系统根据设定的压力值在不同工况下由不同机构控制高炉炉顶压力。在正常工况下，通过对环缝和TRT静叶开度的调节来改变透平机的广义阻尼系数，从而达到改变高炉炉顶压力的目的，同时快开阀和旁通阀全部关闭，起保护作用；当TRT故障停机时，关闭透平机入口阀门，打开旁通阀和快开阀，高炉炉顶的压力由环缝控制［1－3］。

2 传统PID控制算法

PID控制在线性、动态且不随时间变化的控制系统中有广泛的应用，是高炉顶压控制系统中最常用的算法之一。其控制规律为

其中，Kp为比例系数，Ki为积分时间系数，Kd为微分时间系数，e（t）为系统偏差。通过对（1）式采样可得增量式PID控制算法：

3 BP神经网络PID控制算法

图2为基于BP神经网络的PID控制器结构，PID控制器的3个可调制参数Kp，Ki，Kd由输出层神经元输出，通过自学习和对加权系数的调整，得到最优的控制设计，即3层BP神经网络，其结构如图3所示。

3.1 BP神经网络结构的正向算法

网络输入层的输入为

式中，输入神经元个数M选为3，输入的3个量分别为高炉顶压的设定值、实际值和其偏差值。

网络隐含层的输入、输出为

网络输出层的输入、输出为：

输出层输出节点分别对应3个可调参数Kp，Ki，Kd，其神经元的激活函数为

因Kp，Ki，Kd为正，可令输出层神经元激活函数取非负的Sigmoid函数。此BP神经网络结构为3－5－3。

3.2 BP神经网络结构的反向算法

取性能指标函数为

各层加权系数可按Jp函数梯度变化反方向搜索调整，使网络逐渐收敛［4－6］。

4 应用与仿真

4.1 BP神经网络PID控制应用于高炉顶压控制系统

高炉顶压控制系统是一个多扰动、强非线性和时变特性的多变量系统［7］。单一PID控制易存在参数调节不准确、对时变对象的适应能力差等不足，难以使控制系统达到非常精准的水平。由于神经网络具有任意非线性逼近能力、自学习能力以及概括推广能力，使控制系统具有自适应性，可自动调节控制参数，提高控制性能和可靠性［8］。结合PID控制算法，即BP神经网络PID控制可改善系统的控制效果，提高系统响应速度、控制精度高和鲁棒性。所以将BP神经网络PID控制应用于高炉顶压控制系统势在必行。本设计即融合了传统PID和BP神经网络的优点，应用BP神经网络实现对高炉顶压控制系统中PID参数的整定，提高传统单一PID控制精度，使高炉炉顶压力更趋于稳定。通过Matlab仿真，验证该优化控制算法的可行性。

BP神经网络PID控制算法的设计步骤：首先，神经网络控制器选用3－5－3的结构，给出输入层和隐含层加权系数的初值，设定学习速率η和惯性系数α，令k＝1；其次，通过采样得到高炉炉顶压力的设定值和实际值，并计算出其偏差值，然后进行神经网络学习并在线调整各层的加权系数；再次，计算神经网络输入层、隐含层、输出层的输出值，输出层的输出值即为PID控制器的3个可调参数Kp，Ki，Kd；最后，将Kp，Ki，Kd代入式（2）计算PID控制器的输出u（k），令k＝k＋1，循环计算，直到达到精度范围内为止。

4.2 Matlab仿真

参照文献［9］，建立一个多输入单输出的系统控制模型。对高炉炉顶压力P2（s）影响较大的两个参数为鼓风机风量Q（s）和旁通阀开度L（s），它们的传递函数如式（14），（15）所示。

在Matlab仿真软件中，令学习速率η＝0.2，惯性系数α＝0.01。根据上述算法设计过程，由阶跃信号模拟鼓风机风量的变化可得图4，系统顶压响应是一个类似于二阶的振荡响应。起初BP神经网络PID控制较之PID控制系统振荡略有增加，但系统通过自学习和对权系数的调整，稳定时间大大提前。神经网络PID控制算法可以使系统在保证炉顶压力偏差允许的精度范围内，使系统尽快恢复设定压力值，达到稳定状态。当由阶跃信号模拟旁通阀开度时可得图5，系统顶压响应也是一个二阶振荡响应，但系统通过自学习和对权系数的调整，也能大大缩短稳定时间。在保证压力精度设定范围内，使系统更快地达到设定压力值并稳定运行。

另外，系统经过BP神经网络PID控制后，比较鼓风机风量和旁通阀阀门开度两个影响炉顶压力的因素，BP神经网络PID控制对旁通阀阀门开度控制效果更好。因未使炉顶压力出现较大的波动，从而大大缩短了稳定时间。实际现场控制中也正是利用旁通阀来调节炉顶的压力。

5 结语

本文利用BP神经网络与PID控制的结合来控制高炉TRT炉顶顶压。由仿真结果可以看出，此控制方式弥补了传统PID控制的缺陷，在增强系统鲁棒性、缩短系统稳定时间等方面均优于传统PID控制。尽管控制系统开始存在过冲和振荡，但经过神经网络自学习和权系数调整使系统迅速得到自我修正并趋于稳定。BP神经网络PID控制可为复杂的高炉顶压控制系统提供更为合理的可调参数Kp，Ki，Kd，使炉顶压力更精准地接近期望值，达到优化系统控制性能的目的。

［1］印建安，章本照.TRT顶压稳定性高精度控制技术（STPC）基本原理［J］.中国冶金，2007，17（10）：50－53.

［2］安剑奇，吴敏，熊永华，等.高炉炉顶压力智能解耦控制方法及应用［J］.信息与控制，2009，39（2）：180－186.

［3］印建安.高炉煤气余压发电装置中炉顶压力稳定性分析与控制实验研究［D］.杭州：浙江大学，2000.

［4］陈奇福.基于模糊PID的高炉炉顶压力控制系统的开发与工业应用［D］.长沙：中南大学，2010.

［5］王建鑫，申德超，马跃进.BP神经网络PID控制仿真在挤压机中的应用［J］.农机化研究，2011，3（3）：194－197.

［6］涂川川，朱凤武，李铁.BP神经网络PID控制器在温室温度控制中的研究［J］.中国农机化研究，2012（2）：151－154.

［7］Tsumura K.Modeling for control of blast furnace［C］／／IEEE International Conference on Control Applications.Piscataway，NJ，USA：IEEE，1999：1－6.

［8］张殿华，冯莹莹，骆宗安，等.BP神经网络PID控制对液压伺服控制的改进［J］.钢铁研究学报，2009，21（3）：59－62.

［9］杨春节，吴平，宋执环.炼铁高炉TRT系统炉顶压力动态数学模型研究［J］.浙江大学学报：工学版，2006，40（9）：1536－1539.