薛美盛 孟 俊 劉 波 楊 猛

(中國科學技術大學信息科學技術學院)

一種基于模型切換的加熱爐爐溫廣義預測控制器設計方法

薛美盛 孟 俊 劉 波 楊 猛

(中國科學技術大學信息科學技術學院)

為改善加熱爐爐溫控制自動化程度低、控制品質差的問題，并兼顧加熱爐對象強非線性的特點，設計了一種多層次多模型廣義預測控制器。給出了該控制器的設計方法和參數(shù)。仿真結果和投運效果表明：該方案實施后，系統(tǒng)的響應速度加快，超調量減少，加熱爐爐溫的控制品質明顯改善。

廣義預測控制 加熱爐 多模型

加熱爐是軋鋼生產的重要設備，能耗巨大，通常占整個軋鋼廠生產總能耗的一半以上[1]。加熱爐的穩(wěn)定、經濟運行對軋鋼廠降低生產成本和實現(xiàn)節(jié)能減排目標意義重大。我國加熱爐普遍存在排煙溫度高和熱效率低的缺點，具有較大的節(jié)能改造潛力[2]。加熱爐是一個具有大慣性、強耦合、時變性和非線性的復雜系統(tǒng)，爐內工況復雜多變，采用常規(guī)控制策略難以達到滿意的控制效果。為了實現(xiàn)加熱爐爐溫的有效控制,有研究者使用加熱爐系統(tǒng)運行歷史數(shù)據(jù)提取模糊規(guī)則表，設計加熱爐爐溫模糊控制器以解決加熱爐系統(tǒng)建模困難和難以有效控制的問題[3～5]。預測控制算法具有工程背景強、設計簡單及魯棒性強等特點，在過程控制領域得到了廣泛使用，將廣義預測控制算法運用到加熱爐爐溫控制器的設計中，在爐內工況小范圍變化時取得了良好的控制效果[6]。為了克服被控對象的強非線性特點，將整個工作區(qū)間劃分為不同的層次，然后構造不同層次的子模型，再設計相應的控制器，得到被控對象的多層次多模型[7,8]。多模型控制策略在電廠主蒸汽溫度和球磨機負荷控制方面已有實際的應用，并且取得了良好的控制效果[9～11]。為改善加熱爐爐溫控制自動化程度低、控制品質差的問題，并兼顧加熱爐對象強非線性的特點，筆者設計了一種多層次多模型廣義預測控制器(Generalized Predictive Control，GPC)。

1 加熱爐概況

筆者選擇的研究對象為唐山某鋼廠蓄熱式加熱爐。鋼坯由加熱爐入鋼口，依次經一加熱段、二加熱段和均熱段加熱升溫，達到目標軋制溫度后由加熱爐出鋼口離開。加熱爐使用上游鋼鐵冶煉過程中產生的高爐煤氣作為燃料，空氣作為助燃氣體，其各段分別配置有獨立的煤氣流量調節(jié)閥和空氣流量調節(jié)閥，可以分別控制各段的煤氣流量和空氣流量。加熱爐生產過程中其二加熱段的溫度變化范圍寬、控制難度大，因此筆者主要研究加熱爐的二加熱段。

軋鋼廠加熱爐原控制系統(tǒng)結構如圖1所示，圖中內環(huán)PID控制器為加熱爐煤氣流量控制器，其設定值為煤氣流量，輸出為閥門開度。外環(huán)PID控制器為加熱爐爐溫控制器，其設定值為加熱爐爐溫，輸出為煤氣流量設定值。由于加熱爐對象本身復雜的動態(tài)特性，采用常規(guī)PID控制器難以達到滿意的控制效果。導致現(xiàn)場的加熱爐大多數(shù)情況下實際處于操作員手動操作狀態(tài)，加熱爐爐溫控制效果很不理想。

圖1 加熱爐爐溫PID控制系統(tǒng)框圖

2 加熱爐對象控制器設計與仿真

2.1 多模型廣義預測控制器設計

廣義預測控制是由Clarke D W等于1987年提出的一種重要的自適應控制算法[12,13]，它采用受控自回歸積分滑動平均模型來表述被控對象。受控自回歸積分滑動平均模型形式為：

A(q-1)y(k)=q-dB(q-1)u(k)+C(q-1)ξ(k)/Δ

從而被控系統(tǒng)的數(shù)學模型被處理成具有平穩(wěn)隨機干擾噪聲和有積分作用的系統(tǒng)。

加熱爐由于經常受到計劃性待軋(正常換輥)、非計劃性待軋(生產線下游軋線發(fā)生斷輥、夾輥等生產事故需要停下維修)和加熱爐入爐鋼坯溫度(熱坯、涼坯)的影響，其運行負荷變化很大，在動態(tài)工況下難以得到較好的有意義的辨識結果。但在各種典型工況下，通過人工對數(shù)據(jù)篩選處理，可以得到相對滿意的對象模型。廣義預測控制器雖然具有較高的魯棒性，但加熱爐處于不同的工況時，對象模型會發(fā)生較大的變化，這會造成廣義預測控制器模型嚴重失配，降低加熱爐爐溫的控制品質。同時，實驗發(fā)現(xiàn)加熱爐對象在負荷變化超過30%時模型參數(shù)相差較大。在系統(tǒng)工況發(fā)生大范圍變化時，若仍以單一模型作為加熱爐預測控制器設計時的預測模型，模型的輸出和加熱爐對象的實際輸出二者結果相差較大，導致對加熱爐爐溫的控制效果較差。為此，以加熱爐流量負荷為考慮設計了如圖2所示的多層次多模型結構。

圖2 加熱爐爐溫多模型控制系統(tǒng)框圖

多層次多模型結構是將整個工作區(qū)間劃分為不同的層次，然后構造相應的子模型。越高層次的模型，子模型個數(shù)越少，每個子模型覆蓋的操作空間越大；越低層次的模型，子模型個數(shù)越多，每個子模型覆蓋的操作空間越小。為此設計了一個兩層的多層次多模型(圖3)：上層有一個子模型，下層有3個子模型。采用遞推最小二乘法辨識得到各層子模型和相應的控制器參數(shù)見表1、2。表1、2中的各參數(shù)分別是：預測步長P、控制步長Pu、柔化因子α、控制量變化量權重λ。

圖3 多層次多模型結構

表1 上層模型結構和控制器參數(shù)

表2 下層模型結構和控制器參數(shù)

采用模型輸出與加熱爐對象實際輸出的偏差e(k)作為模型層次間切換的判據(jù)，設定閾值為Q，當|e(k)| ≤Q時，采用L2層模型，實行“精細化控制”，確?？刂葡到y(tǒng)的控制精度；當|e(k)| >Q時，此時系統(tǒng)工作負荷有較大的變化，模型輸出與加熱爐對象實際輸出誤差較大，應采用上層模型來使系統(tǒng)盡快動作，加快系統(tǒng)調節(jié)速度。同時，為了避免系統(tǒng)在外部高頻擾動和工況變化情況下引起模型頻繁切換，產生切換抖動，采用滯后切換的方法(在滿足切換判據(jù)時，不急于模型切換，而是等待一定的時間或空間后才進行切換操作)減少系統(tǒng)切換時的抖動。

2.2 仿真實驗

為了驗證多模型控制策略的效果，分別選取流量負荷為0～8 000m3/h、8 000～18 000m3/h、18 000～24 000m3/h共3組加熱爐爐溫對象模型作為對照實驗。仿真實驗結果如圖4所示，采用不同模型時加熱爐爐溫控制系統(tǒng)的各項性能指標見表3。其中，tr表示上升時間，為從穩(wěn)態(tài)值的10%上升到90%所需要的時間；ts表示調節(jié)時間，為達到穩(wěn)態(tài)值±5%所需要的時間；σ表示超調量。由表3可以看出，同采用其他模型設計的廣義預測控制器相比，采用多模型控制策略時的加熱爐爐溫控制系統(tǒng)具有更快的上升時間和調節(jié)時間，更小的超調量。由此可見改進后系統(tǒng)的動態(tài)特性得到了明顯的改善。

圖4 各模型仿真實驗結果對比

表3 性能指標對比

3 投運效果

2015年10月17日00∶00～7∶00加熱爐的二加熱段投運效果如圖5所示，其爐溫基本維持在1 125～1 140℃。其中00∶00～02∶00和05∶00～06∶00時段由于加熱爐下游軋線需要執(zhí)行例行換輥操作，加熱爐爐膛內鋼坯不再移動，煤氣流量和空氣流量大幅度下降，導致爐溫也出現(xiàn)波動，不過這在生產工藝允許的范圍之內。同時，由圖5還可以看出，進入加熱爐的煤氣流量和空氣流量基本滿足設定的空燃比，保證進入加熱爐內的煤氣可以得到高效燃燒。

圖5 加熱爐實際運行曲線

4 結束語

為了克服廣義預測控制在加熱爐爐溫對象控制過程中出現(xiàn)的模型失配問題，設計了基于多模型策略的加熱爐爐溫廣義預測控制器。通過仿真，將多模型控制策略和常規(guī)廣義預測控制相對比，實驗結果表明該策略加快了系統(tǒng)的響應速度，減少了超調量。實際投運效果也表明該方案實施后明顯改善了對加熱爐爐溫的控制品質。

[1] 錢中山.步進式加熱爐控制系統(tǒng)的研究與應用[D].沈陽：東北大學，2011．

[2] 唐桂華，莊正寧.煉油廠加熱爐節(jié)能方案分析[J].化工機械，2000，27(6)：352～354．

[3] 沈駿.加熱爐系統(tǒng)的模糊建模與控制[D].上海：上海交通大學，2007．

[4] 張維.模糊神經網絡在鋼坯出爐溫度建模和控制中的應用[D].重慶：重慶大學，2007．

[5] 薛美盛,孫勝杰,袁鑫,等.一種基于歷史數(shù)據(jù)的加熱爐溫度模糊控制規(guī)則提取方法[J].化工自動化及儀表，2016，43(9)：940～944.

[6] 薛美盛，袁鑫，孫勝杰，等．蓄熱步進式加熱爐爐內溫度廣義預測控制器設計與實現(xiàn)[C]．第34屆中國控制會議論文集．北京：中國自動化學會控制理論專業(yè)委員會，2015：4168～4172．

[7] 劉琳琳，周立芳.多層次結構模型預測控制系統(tǒng)的層次間模型切換方法[J].化工學報，2012，63(4)：1132～1139．

[8] 劉琳琳，周立芳，嵇婷，等．多層次多模型預測控制算法的模型切換方法研究[J].自動化學報，2013，39(5)：626～630．

[9] 胡棋.基于多模型切換的火電機組先進控制研究與應用[D].合肥：中國科學技術大學，2014．

[10] 弓岱偉，孫德敏，郝衛(wèi)東，等．基于多模型切換階梯式廣義預測控制的電站鍋爐主汽溫控制[J].中國科學技術大學學報，2007，37(12)：1488～1493．

[11] Chai T Y，Zhai L F，Heng Y．Multiple Models and Neural Networks Based Decoupling Control of Ball Mill Coal-pulverizing Systems [J].Journal of Process Control，2011，21(3)：351～366．

[12] Clarke D W，Mohtadi C,Tuffs P S.Generalized Predictive Control—Part I．The Basic Algorithm[J].Automatica，1987，23(2)：137～148．

[13] Clarke D W，Mohtadi C,Tuffs P S.Generalized Predictive Control—Part II．Extensions and Interpretations[J].Automatica，1987，23(2)：149～160．

ADesignMethodforGeneralizedPredictiveControllerofReheatingFurnaceBasedonModelSwitching

XUE Mei-sheng, MENG Jun, LIU Bo, YANG Meng
(SchoolofInformationScienceandTechnology,UniversityofScienceandTechnologyofChina)

Considering low automation level and poor control quality of reheating furnace’s temperature control and reheating furnace’s strong-nonlinearity, a multi-level and multi-model generalized predictive controller was designed and its design procedures and parameters were presented. Simulation and application results indicate that, the implementation of this method can promote the system’s response speed and reduce the overshoot along with obviously-improved control quality of the reheating furnace.

generalized predictive control, reheaing furnace, multi-model

TH865

B

1000-3932(2017)04-0347-05

2016-10-26，

2017-02-14)

薛美盛(1969-)，副教授，從事工業(yè)自動控制的研究，xuems@ustc.edu.cn。