EAF及LF智能调节器.pptVIP

PID控制策略简介： PID控制共有的不利点：处理关系简单、体现不了三相间被控对象（弧流/功率/阻抗）的相互影响（即耦合作用）。 ⑴ 恒弧流控制（V = f(Is-Ir) = f(⊿I)） 优点：保证短路时对电极进行快速调节，即响应快。 缺点：三相之间没有解藕的特性（三相电流间的相互作用在此控制方式中不能体现）。 ⑵ 恒功率控制（V = f(Vs*Is-Vr*Ir) = f(⊿P)) 优点：无论发生任何干扰都会确保有功功率(更精确的应为弧功率)保持不变，满足工艺需求。 缺点：相同的功率存在2个不同的工作点（控制存在二义性）；三相间所控参数耦合最大。 ⑶ 恒阻抗控制（V = f(Vs/Is-Vr/Ir)) = f(⊿R)) 优点：三相阻抗间的藕合作用很小（也就是说，三相间的阻抗相互影响很小）。 缺点：对电流变化的响应没有恒电流方式快。 注：V表示输出控制的计算电压值，Vs及Is分别表示设定电压和设定电流， Vr及Ir分别表示实际电压和实际电流，f表示PID算法（即比例、积分与微分计算函数）。 应用场合:一般电弧炉采用恒阻抗控制比较适合，因为在废钢熔清前，三相电流剧烈变化、相互间影响很大（耦合性很强），而LF一般应用恒弧流控制较多（电流变化相对EAF平稳多了）。 PID A相 ⊿I1/⊿P1/⊿R1 ⊿V1 PID B相 ⊿V2 PID C相 ⊿V3 PID C相 ⊿V3 ANN A/B/C相 ⊿I1/2/3 ⊿V1/2/3 KV1/2/3 … 传统PID三相解耦控制 ANN（人工神经元网络）三相耦合控制 ⊿I2/⊿P2/⊿R2 ⊿I3/⊿P3/⊿R3 九、神 经 元 网 络 调 节 原 理 简 介 人工神经元网络(ANN)是一门新兴的交叉学科。对这门学科的研究使诸如生物学、认知科学、非线性科学等基础学科与计算机、电子学、人工智能、微电子、信息处理、模式识别等工程学科有机地结合起来。 简单地说，ANN是对人脑和神经系统的模拟。其工作机制建立在对神经细胞的数量、反应速度和发送信号的方式，神经细胞间的联接关系和通信方式，神经系统的记忆、学习、分布和运算方式等的认识和理解上。其实现是采用物理可实现的器件或采用现有的计算机来模拟生物体中神经网络的某些结构与功能，并反过来用于工程或其他的领域。其着眼点不是用物理器件去完整地复制生物体中的神经细胞网络，而是采纳其可利用的部分来克服目前计算机或其他系统不能解决的问题，如可以从经验学习知识（记忆），能够随着环境的变化修正反应结果（学习），可以透过噪音和变形看出信号的原模式（识别），可以进行特征提取，可将文字转换成语音，可识别手写字母等。这些特性使得ANN充满活力，其应用几乎已深入各行各业，并且还有更光明的应用前景。 ANN的类型是多种多样的，基本上可分为： 前馈式网络 输入输出有反馈的网络 前馈内层互联网络 反馈型全互联网络 反馈型局部联结网络 本智能调节器中，神经元网络调节包括两部分： ANN炉况仿真器 ANN调节器 ANN仿真器和ANN调节器均采用BP网络（多层前馈网络，学习算法采用BP（Back Propagation 反向传播）算法，故得此名）。 ANN炉况仿真器 ANN炉况仿真器的原理如右图所示。 图中的变量含义如下： Reg：ANN调节器输出的控制信号（三相） S：EAF/LF炉况信号 ^S：EAF/LF仿真器输出的炉况信号 Error ^S(N+1) 电炉/精炼炉 ANN电炉/精炼炉 ANN炉况仿真器原理 Reg(N)，Reg(N-1), S(N),S(N-1)，…… Reg(N+1) N：代表时间片N，其上一个时间片为N-1，下一个时间片为N+1，依此类推， “一个时间片”是指ANN控制器的一个控制周期，即200ms。 EAF/LF炉况信号主要有如下16个变量： 二次电压（三相） 二次电流（三相） 二次功率因数（三相） 二次泊松弧稳定因子（三相） 二次KW比因子（三相） 加热时间 S(N)：表示时间片N时的炉况。由于ANN调节器根据时间片N的输入算出的控制信号要在下一个时间片N+1才产生作用，因此我们用Reg(N+1)表示时间片N时的调节器输出，依此类推。 所谓ANN电炉/精炼炉仿真，就是用ANN来模拟实际的电炉/精炼炉的动态响应。 即根据时间片N的输入信号和电炉/精炼炉的输出（时间片N+1的炉况）来训练ANN，使得ANN的输出逼近电炉/精炼炉的输出。对大量样本的学习将使得ANN仿真器精确模拟电炉/精炼炉的特性，从而在控制过程中可以提前预测控制信号对电炉/精炼炉的控制效果，控制器根据ANN仿真器的预测信息来优化控制信号及控制参数（权值）。 决定N+1时间片电炉/精炼炉的炉况