基于ANN的电弧炉智能控制系统的开发
摘要
本文结合实际情况和用户的需求，在电炉计算机控制系统中，应用2台工控机。一台工控机作为基础级(基础自动化)控制，完成专家系统+神经网络预估，实现电极升降控制，另一台工控机作为过程级工作站，显示曲线、数据，对基础级传来的各种工艺参数进行分析、计算、优化。
本文首先针对电炉的执行机构的调节总是滞后于电弧炉实际状态的变化，加上电弧炉神经网络预估模型，通过它预估出电弧炉下一时刻的状态，使电弧电流能达到一种相对的极稳状态，减少无功功率冲击。同时利用此方法也可对各种原有的控制系统进行智能化改造，降低了费用，是一种低投入高产出的方法。监控系统从现场进行数据采集，将采集的数据送往PLC进行调节，并将PLC采集的数据进行分析，利用其强大的分析计算能力(各种高级语言进行支持)将最优的控制参数计算出来传给下位机进行控制。之后经过应用程序传到数据库进行管理，上位机部分主要承担整个系统的管理、分析、计算、统计、报表打印、画面显示和通讯等工作。本系统组网采用国际上普遍受欢迎的二级控制，即上位机与PLC建立网络联网，同时上位机作为工业以太网的网上站点通过TCP／IP协议与其它站点进行通讯。
本系统合理控制三相电流、三相功率的大小，从而电极能够实时、快速、准确地按照冶炼工艺要求进行调节，使电弧功率稳定在一定的范围内，获得期望的控制效果。上位机对基础级控制参数进行及时修正和干预，实时监控设备及报警，达到控制灵活的功能。
An automatically controlling system of arc furnace has used two industrial computers in this paper, based on the fact and requires of customs. One computer achieves electrode lifter controlling as basal automatic control, with expert system and neural network predicting model; the other computer shows trends and data as processing workstation, analyzing, calculating and optimizing technical parameters from basal control.
Owing to the delay in change of regulation of executing agency with respect to changes in realistic state, arc furnace is predicted the state in the next time, with NN predicting model, so that the current wins comparative stabilization and impact of trashy power is reduced. This is a way of winning much output with little input, that can change intelligentized intrinsic system and reduce charge. This system sends data gathering from scene to PLC to regulate and analyze, and achieves optimization parameters to send to PLC to control, in virtual of the powerful capacity of analyzing and calculating. Then the data are sent to data-base to manage. The host is charged with managing, analyzing, calculating, counting, report-printing, menu-displaying and communicating. The system uses the popular double-deck controlling, namely the host communicates online with PLC, at the same time it communicates with other stations by TCP/IP protocol.
The electrodes regulate timely, quickly and true, with controlling three-phase voltage and current, so that power is stable comparatively. The host correct and intervene timely the basal control parameters and reach the result of flexible controlling.
本文首先针对电炉的执行机构的调节总是滞后于电弧炉实际状态的变化，加上电弧炉神经网络预估模型，通过它预估出电弧炉下一时刻的状态，使电弧电流能达到一种相对的极稳状态，减少无功功率冲击。同时利用此方法也可对各种原有的控制系统进行智能化改造，降低了费用，是一种低投入高产出的方法。监控系统从现场进行数据采集，将采集的数据送往PLC进行调节，并将PLC采集的数据进行分析，利用其强大的分析计算能力(各种高级语言进行支持)将最优的控制参数计算出来传给下位机进行控制。之后经过应用程序传到数据库进行管理，上位机部分主要承担整个系统的管理、分析、计算、统计、报表打印、画面显示和通讯等工作。本系统组网采用国际上普遍受欢迎的二级控制，即上位机与PLC建立网络联网，同时上位机作为工业以太网的网上站点通过TCP／IP协议与其它站点进行通讯。
本系统合理控制三相电流、三相功率的大小，从而电极能够实时、快速、准确地按照冶炼工艺要求进行调节，使电弧功率稳定在一定的范围内，获得期望的控制效果。上位机对基础级控制参数进行及时修正和干预，实时监控设备及报警，达到控制灵活的功能。
An automatically controlling system of arc furnace has used two industrial computers in this paper, based on the fact and requires of customs. One computer achieves electrode lifter controlling as basal automatic control, with expert system and neural network predicting model; the other computer shows trends and data as processing workstation, analyzing, calculating and optimizing technical parameters from basal control.
Owing to the delay in change of regulation of executing agency with respect to changes in realistic state, arc furnace is predicted the state in the next time, with NN predicting model, so that the current wins comparative stabilization and impact of trashy power is reduced. This is a way of winning much output with little input, that can change intelligentized intrinsic system and reduce charge. This system sends data gathering from scene to PLC to regulate and analyze, and achieves optimization parameters to send to PLC to control, in virtual of the powerful capacity of analyzing and calculating. Then the data are sent to data-base to manage. The host is charged with managing, analyzing, calculating, counting, report-printing, menu-displaying and communicating. The system uses the popular double-deck controlling, namely the host communicates online with PLC, at the same time it communicates with other stations by TCP/IP protocol.
The electrodes regulate timely, quickly and true, with controlling three-phase voltage and current, so that power is stable comparatively. The host correct and intervene timely the basal control parameters and reach the result of flexible controlling.
引文
[1] 袁曾任．人工神经元网络及其应用．北京：清华大学出版社，1999
[2] 焦李成．神经网络的应用与实现．西安：西安电子科技大学出版社，1995．3
[3] 郑君里，等．人工神经网络．高等教育出版社，1992．
[4] H. H. Szu,Handbook of Neural Computing and Applications,Academic Press,New York, 1991
[5] 李士勇．模糊控制、神经网络控制和智能控制．哈尔滨工业大学出版社，1996
[6] 虞和济，等．基于神经网络的智能诊断．北京：冶金工业出版社，2000．5
[7] 陈燕庆，等．神经网络理论及其在控制工程中的应用．西北工业大学出版社，1991
[8] 吕宏伯，等．神经网络BP算法的一种改进．北京工业大学学报 1994；21(1)：111～116
[9] 孙增圻，等．智能控制理论与技术．北京：清华大学出版社，1997
[10] 张立明．人工神经网络的模型及其应用．上海：复旦大学出版社，1993
[11] Chen C L,Nutter R S.Improving The Training Speed of Three-layer Feedforward Neutral Nets by Optimal Estimation of The Initial Weights.Proc.Int.Joint Conf. Neural Networks. Singapore:Nov.1991
[12] 从爽，等．反向传播网络的不足与改进．自动化博览．1999(1)．25～26，47
[13] 樊建忠，等．宣钢炼钢厂计算机过程监控系统及管控一体化的设计与实现．自动化博览．2002(6)．15～17
[14] 阎平凡，等．人工神经网络与模拟进化计算．北京：清华大学出版社，2000
[15] 花凯，等．炼钢电弧炉的电气设备．北京：机械工业出版社，1987
[16] Hassoun M. Fundamentals of Artificial Neural Networks. The MIT Press, 1995
[17] Rumelhart D E, et al. Learning Representation by BP Errors. Nature(London), 1986(7). 149～154
[18] Werbos P J. The Roots of Backproagaton: From Ordered Derivatives to NN.John Wiley&Sons Inc, 1994
[19] Baldi P E, et al. Learning in Linear NN, A Survey. IEEE Trans NN, 1995(6).837～858
[20] 塞依尔．Visual Basic 6揭秘：全面的解决方案．北京：电子工业出版社，1999．10
[21] 何克忠，等．计算机控制系统．北京：清华大学出版社，1998
[22] 赵振宁，等．模糊理论和神经网络基础．北京：清华大学出版社，1996
[23] A.Kaike, H. A New Look at the Statistical Model Identification. IEEETrans on Automatic Control,Vol. 1974
[24] Intellution Educational Services Ifix Fundamentals Version 2.6. 2001
[25] Astrom Karl J. Computer Controlled Systems. PrenticeHall,Inc. 1984
[26] Young, P, A. Jakeman and R. Mc Murtrie. An Instrumental Variable Methods of Recursive Ttime-Series Analysis. 1979
[27] 杨行峻，等．人工神经网络．北京：高等教育出版社，1992．9
[28] 靳蕃，等．神经网络与神经计算机原理应用．西南交通大学出版社，1991．279～284
[29] Michie D, Chambers R A.BOXES:An Experiment in Adaptive Control.Machine Intelligence 2, E. Dale and D. Michie, eds., Edinburgh: Oliver and Boyd,1968.137～152
[30] 周继成，等．人工神经网络—第六代计算机的实现．北京：科学普及出版社，1993(56)．154～158
[31] 王永骥，等．神经元网络控制．北京：机械工业出版社，1998．2
[32] 胡守仁．神经网络应用技术．湖南：国防科技大学出版社，1998，9
[33] 王科俊，等．神经网络建模、预报与控制．哈尔滨工程大学出版社，1996
[34] 周其节，等．神经网络控制系统的研究与展望．控制理论与应用，Vol．9．No．6．569-577，1992
[35] D. Andreas, E. Sebastian&R. Horst, Model Predictive Control Using Neural Networks,IEEE Contr.Syst.Mag.,Vol. 15,No.5,61-66,1995
[36] 高小榕，等．采用同伦BP算法进行多层前向神经网络的训练．计算机学报，1996，19：687-694
[37] 廖晓析．神经网络的稳定性与优化计算问题．科学，1992，44(3)：30-34
[38] 阎平凡，等．人工神经网络-模型，分析与应用．合肥：安徽教育出版社，1993
[39] 斯华龄．电脑人脑化．神经网络-第六代计算机．北京：北京大学出版社，1992
[40] 袁曾任，等．基于人工神经元网络的控制系统模型简化的专家系统．信息与控制，1992．10，21，(5)：278-282
[41] 姜天戟，等．基于BP和统计的混合法的前馈型神经网络及其在预估问题中的应用．软件学报，1996，7(6)：379-384
[42] 汪云九，等．神经网络计算机概况、原理、模型、算法和练习．中国科学院生物物理所科龙公司编印，1990，99-103
[2] 焦李成．神经网络的应用与实现．西安：西安电子科技大学出版社，1995．3
[3] 郑君里，等．人工神经网络．高等教育出版社，1992．
[4] H. H. Szu,Handbook of Neural Computing and Applications,Academic Press,New York, 1991
[5] 李士勇．模糊控制、神经网络控制和智能控制．哈尔滨工业大学出版社，1996
[6] 虞和济，等．基于神经网络的智能诊断．北京：冶金工业出版社，2000．5
[7] 陈燕庆，等．神经网络理论及其在控制工程中的应用．西北工业大学出版社，1991
[8] 吕宏伯，等．神经网络BP算法的一种改进．北京工业大学学报 1994；21(1)：111～116
[9] 孙增圻，等．智能控制理论与技术．北京：清华大学出版社，1997
[10] 张立明．人工神经网络的模型及其应用．上海：复旦大学出版社，1993
[11] Chen C L,Nutter R S.Improving The Training Speed of Three-layer Feedforward Neutral Nets by Optimal Estimation of The Initial Weights.Proc.Int.Joint Conf. Neural Networks. Singapore:Nov.1991
[12] 从爽，等．反向传播网络的不足与改进．自动化博览．1999(1)．25～26，47
[13] 樊建忠，等．宣钢炼钢厂计算机过程监控系统及管控一体化的设计与实现．自动化博览．2002(6)．15～17
[14] 阎平凡，等．人工神经网络与模拟进化计算．北京：清华大学出版社，2000
[15] 花凯，等．炼钢电弧炉的电气设备．北京：机械工业出版社，1987
[16] Hassoun M. Fundamentals of Artificial Neural Networks. The MIT Press, 1995
[17] Rumelhart D E, et al. Learning Representation by BP Errors. Nature(London), 1986(7). 149～154
[18] Werbos P J. The Roots of Backproagaton: From Ordered Derivatives to NN.John Wiley&Sons Inc, 1994
[19] Baldi P E, et al. Learning in Linear NN, A Survey. IEEE Trans NN, 1995(6).837～858
[20] 塞依尔．Visual Basic 6揭秘：全面的解决方案．北京：电子工业出版社，1999．10
[21] 何克忠，等．计算机控制系统．北京：清华大学出版社，1998
[22] 赵振宁，等．模糊理论和神经网络基础．北京：清华大学出版社，1996
[23] A.Kaike, H. A New Look at the Statistical Model Identification. IEEETrans on Automatic Control,Vol. 1974
[24] Intellution Educational Services Ifix Fundamentals Version 2.6. 2001
[25] Astrom Karl J. Computer Controlled Systems. PrenticeHall,Inc. 1984
[26] Young, P, A. Jakeman and R. Mc Murtrie. An Instrumental Variable Methods of Recursive Ttime-Series Analysis. 1979
[27] 杨行峻，等．人工神经网络．北京：高等教育出版社，1992．9
[28] 靳蕃，等．神经网络与神经计算机原理应用．西南交通大学出版社，1991．279～284
[29] Michie D, Chambers R A.BOXES:An Experiment in Adaptive Control.Machine Intelligence 2, E. Dale and D. Michie, eds., Edinburgh: Oliver and Boyd,1968.137～152
[30] 周继成，等．人工神经网络—第六代计算机的实现．北京：科学普及出版社，1993(56)．154～158
[31] 王永骥，等．神经元网络控制．北京：机械工业出版社，1998．2
[32] 胡守仁．神经网络应用技术．湖南：国防科技大学出版社，1998，9
[33] 王科俊，等．神经网络建模、预报与控制．哈尔滨工程大学出版社，1996
[34] 周其节，等．神经网络控制系统的研究与展望．控制理论与应用，Vol．9．No．6．569-577，1992
[35] D. Andreas, E. Sebastian&R. Horst, Model Predictive Control Using Neural Networks,IEEE Contr.Syst.Mag.,Vol. 15,No.5,61-66,1995
[36] 高小榕，等．采用同伦BP算法进行多层前向神经网络的训练．计算机学报，1996，19：687-694
[37] 廖晓析．神经网络的稳定性与优化计算问题．科学，1992，44(3)：30-34
[38] 阎平凡，等．人工神经网络-模型，分析与应用．合肥：安徽教育出版社，1993
[39] 斯华龄．电脑人脑化．神经网络-第六代计算机．北京：北京大学出版社，1992
[40] 袁曾任，等．基于人工神经元网络的控制系统模型简化的专家系统．信息与控制，1992．10，21，(5)：278-282
[41] 姜天戟，等．基于BP和统计的混合法的前馈型神经网络及其在预估问题中的应用．软件学报，1996，7(6)：379-384
[42] 汪云九，等．神经网络计算机概况、原理、模型、算法和练习．中国科学院生物物理所科龙公司编印，1990，99-103