陳鑫，黃冰，吳敏，何勇（中國地質(zhì)大學（武漢）自動化學院，湖北 武漢 430074；中南大學信息科學與工程學院，湖南 長沙 40083）

?

基于優(yōu)先級的燒結過程協(xié)調(diào)優(yōu)化控制系統(tǒng)

陳鑫1，黃冰2，吳敏1，何勇1
（1中國地質(zhì)大學（武漢）自動化學院，湖北 武漢 430074；2中南大學信息科學與工程學院，湖南 長沙 410083）

摘要：燒結過程是一個復雜的物理、化學反應過程，存在大滯后性、強非線性、多目標、多約束條件等控制難點。為了實現(xiàn)鐵礦石燒結過程中混合料料槽料位和燒結終點這兩個關鍵參數(shù)的綜合控制，提出了一種基于優(yōu)先級的協(xié)調(diào)優(yōu)化控制方法。首先，通過綜合運用神經(jīng)網(wǎng)絡預測和模糊控制，建立燒結終點的智能控制模型；同時，為了穩(wěn)定混合料料槽料位，分析影響料槽料位的主要因素，基于專家知識建立了混合料料槽料位專家控制模型；然后，通過構造基于優(yōu)先級的協(xié)調(diào)優(yōu)化控制模型，在優(yōu)先級控制的基礎上采用軟切換控制，將兩個控制器相結合，獲得最適宜的速比以及臺車速度增量，實現(xiàn)燒結生產(chǎn)過程的協(xié)調(diào)優(yōu)化控制。最后，針對該協(xié)調(diào)控制策略，設計了其工廠實現(xiàn)方案。

關鍵詞：燒結；燒結終點；優(yōu)化；神經(jīng)網(wǎng)絡；優(yōu)先級；軟切換

2015-12-22收到初稿，2015-12-30收到修改稿。

聯(lián)系人及第一作者：陳鑫（1977—），男，教授。

引 言

燒結過程是鋼鐵冶煉的重要過程，其狀態(tài)的好壞直接影響著燒結生產(chǎn)的質(zhì)量和產(chǎn)量指標，而燒結礦是高爐煉鐵的主要原料，它的質(zhì)量與產(chǎn)量直接影響到煉鐵生產(chǎn)的質(zhì)量與產(chǎn)量[1]，所以燒結過程狀態(tài)的控制顯得尤為重要。然而，燒結過程控制環(huán)節(jié)并非獨立環(huán)節(jié)?；旌狭狭喜凼菬Y機的直接前驅(qū)裝置，如果料位過高或過低，會出現(xiàn)溢料或斷料等生產(chǎn)事故；燒結終點（burning through point，BTP）是混合料燒透的位置，反映了燒結過程的熱狀態(tài)，是燒結生產(chǎn)過程中衡量燒結礦質(zhì)量好壞的重要參數(shù)，是燒結過程的關鍵中間參數(shù)[2]。因此，必須綜合考慮混合料料槽料位和燒結終點兩個控制目標，協(xié)調(diào)兩者的關系[3]。

傳統(tǒng)對燒結生產(chǎn)的控制大多針對某個局部過程來設計。文獻[4]中開發(fā)了具有自我診斷功能的專家系統(tǒng)，包括預報系統(tǒng)和反饋控制，能夠較好地穩(wěn)定燒結終點。文獻[5]提出了前饋-反饋模糊控制的方法來實現(xiàn)對燒結終點的控制。文獻[6]提出根據(jù)鋼鐵生產(chǎn)過程運行所獲得的工業(yè)數(shù)據(jù)，建立基于數(shù)學模型和神經(jīng)網(wǎng)絡的成分預測模型，從而實現(xiàn)對燒結終點的控制。文獻[7]提出利用燒結料層同一斷面的風箱廢氣溫度來反映其在燒結過程中的熱狀態(tài)，開發(fā)基于廢氣溫度上升點的燒結終點模糊控制系統(tǒng)。

但在實際生產(chǎn)中，從全局控制的角度對燒結過程進行協(xié)調(diào)控制是至關重要的。很多學者根據(jù)生產(chǎn)實際，綜合考慮各種指標的優(yōu)化，提出了在動態(tài)不確定環(huán)境下解決滿意控制問題[8]。Sakawa等[9-10]采用交互法尋求最優(yōu)解，在每一個交互階段，決策者將要采取的策略都可以根據(jù)決策現(xiàn)狀和新的信息作不斷的修正和更新，以獲得決策者滿意又能適應過程的最優(yōu)解。崔凱[11]提出利用熵權法的思想，獲得操作參數(shù)的優(yōu)化設定值，實現(xiàn)綜合生產(chǎn)目標的優(yōu)化。向婕等[12]提出基于模糊滿意優(yōu)化策略的燒結過程多目標控制方法，將燒結生產(chǎn)的狀態(tài)參數(shù)和燒結終點連續(xù)控制環(huán)節(jié)融為一體，實現(xiàn)在一定條件下的滿意解。

本文以實現(xiàn)實際工業(yè)控制為目的，引入速比控制量，提出一種基于優(yōu)先級的燒結過程協(xié)調(diào)優(yōu)化控制方法。在分析燒結工藝的基礎上，針對燒結過程非線性、大滯后性、多目標、多約束條件等控制難點，分別建立關于料槽料位和燒結終點這兩個方面的局部智能控制策略，再采用基于優(yōu)先級的軟切換優(yōu)化模型對整個燒結過程進行智能協(xié)調(diào)優(yōu)化控制。

1 燒結生產(chǎn)工藝

鐵礦石燒結的主要原料包括多種鐵原料、熔劑以及固體燃料，通過一系列物理化學反應生產(chǎn)具有一定礦相組成的燒結礦[13]。燒結生產(chǎn)的工藝流程如圖1所示，主要工序包括：燒結料的配料、混合制粒、布料、點火、燒結、破碎、篩分、冷卻和制粒。首先，將配好的原料按一定配比加水混合，混合好的混合料由布料器均勻平鋪到燒結臺車上?；旌狭媳砻娼?jīng)點火器點火后，料層表面開始燃燒，同時抽風機對混合料進行從上向下的抽風。當燃燒帶前沿到達爐篦時，整個料層燒透，此時已經(jīng)到達燒結終點，燒結結束[14]。產(chǎn)生的燒結塊經(jīng)過破碎機破碎、篩分及冷卻等操作，最終篩上的成品燒結礦送往高爐用于冶煉，而篩下物可作為返礦和鋪底料被重新用于燒結。

圖1 燒結生產(chǎn)工藝流程Fig.1 Schematic diagram of an iron ore sintering plant

在實際的燒結生產(chǎn)過程中，燒結機速度（即臺車速度）是控制燒結終點的重要手段，圓輥給料機速度（即圓輥轉速）是影響料槽料位的主要因素。

臺車速度與圓輥轉速存在聯(lián)動關系如下

式中，R為速比；vG為圓輥給料機速度，r·min?1；vT為臺車速度，m·min?1。因為圓輥轉速不能直接控制，所以主要通過調(diào)節(jié)速比R來維持料槽料位的穩(wěn)定。

2 優(yōu)化控制結構

由于單一的控制環(huán)節(jié)只能滿足局部優(yōu)化目標，而燒結過程是一個連續(xù)的動態(tài)過程，料槽料位和燒結終點必須盡可能同時滿足生產(chǎn)指標的要求。因此，在建立局部智能控制的基礎上，必須建立一個協(xié)調(diào)控制模型[15]，實現(xiàn)兩者的協(xié)調(diào)優(yōu)化控制。燒結過程優(yōu)化控制系統(tǒng)結構如圖2所示。

圖2 基于優(yōu)先級的協(xié)調(diào)優(yōu)化控制模型Fig.2 Coordinated optimal control model based on priority

本文首先采用人工神經(jīng)網(wǎng)絡對燒結終點進行預測控制[16]，控制器輸出臺車速度的增量ΔvBTP。其次，混合料料槽料位專家控制器[17]也將根據(jù)料位安全區(qū)間和當前的料位以及料位變化率求取速比的增量ΔRlw。最后，采用軟切換模型求取最終的速比增量ΔR和臺車速度的增量Δv，實現(xiàn)燒結過程的協(xié)調(diào)優(yōu)化控制。

2.1 燒結終點預測控制

燒結終點的準確預報與控制問題一直是燒結工藝過程中的一個較難解決的課題，而燒結過程又是一個復雜的多因素關聯(lián)系統(tǒng)，難以用精確的物理或數(shù)學模型來準確描述，帶有很大的模糊性[18]。針對這一特點，將人工神經(jīng)網(wǎng)絡預報模型與模糊控制模型相結合，建立了燒結終點預測控制器。

該預測控制器包括一個3層的BP神經(jīng)網(wǎng)絡預測模型和模糊控制模型，如圖3所示。通過神經(jīng)網(wǎng)絡預測模型，將輸出的燒結終點預測值以及燒結終點設定值作為模糊控制器的輸入，求出臺車速度的增量，作為預測控制器的輸出[19]。具體的算法如下。

（1）系統(tǒng)的離線辨識過程。從某廠歷史數(shù)據(jù)中選取較為完整的400組原始數(shù)據(jù)作為樣本數(shù)據(jù)，其中前300組數(shù)據(jù)作為訓練樣本，用于神經(jīng)網(wǎng)絡訓練；剩余100組數(shù)據(jù)作為測試樣本，用來檢驗網(wǎng)絡性能的好壞。以歷史數(shù)據(jù)中的燒結終點作為目標，訓練神經(jīng)網(wǎng)絡，完成BP網(wǎng)絡對時滯系統(tǒng)的模型辨識。

（2）動態(tài)系統(tǒng)未來響應特性的預測過程。將Y輸入已訓練好的BP網(wǎng)絡，通過已經(jīng)訓練好的神經(jīng)網(wǎng)絡預測模型求出y(t+p)。其中，Y為BTP相關影響因素的向量集，包括臺車速度、點火溫度、混合料水分、風箱負壓和料層厚度，y(t+p)表示預測得到的BTP。

圖3 燒結終點模糊預測控制器結構Fig.3 Structure of fuzzy-predictive-controller

（3）計算預測模型的預測誤差，即模糊控制的輸入量

式中，yd(t+p)為系統(tǒng)的期望輸出，e(t+p)為輸入的誤差，根據(jù)模糊控制規(guī)則，可以求出臺車速度的增量ΔvBTP，再作用于燒結系統(tǒng)。

（4）讀取下一組數(shù)據(jù)，重復步驟（2）～（3）。

2.2 混合料料槽料位專家控制模型

混合料料槽料位是燒結生產(chǎn)中關系到生產(chǎn)安全的一個重要參數(shù)，控制不當將會引發(fā)停機事故等嚴重后果。所以，雖然料槽料位對BTP沒有直接影響，但是在對燒結質(zhì)量進行控制時，必須綜合考慮混合料料槽料位控制環(huán)節(jié)。

專家控制器設計步驟如下。

（1）確定輸入量與輸出量。在實際生產(chǎn)中，必須綜合考慮當前的料位情況LW以及料位變化率LWBH。同時，由于通過調(diào)節(jié)臺車速度來改變圓輥速度存在大滯后，選擇速比R為控制量。綜上所述，系統(tǒng)采用混合料料槽料位LW及料位變化率LWBH作為專家控制器的輸入變量，以速比的增量ΔR為輸出量。

（2）設計專家控制規(guī)則。將料位區(qū)間劃分為3個區(qū)域：低位異常、正常、高位異常。其中，低位異常表示料位低于正常區(qū)間，高位異常表示料位高于正常區(qū)間。將料位變化率劃分為5個區(qū)域：負大、負小、正常、正小、正大。其中，負大表示料位下降很快，負小表示料位下降快，正大表示料位上增很快，正小表示料位上增快。設計的原則見表1。

表1 料槽料位專家控制規(guī)則Table 1 Expert control rules of bunker-level

根據(jù)現(xiàn)場實際情況，確定最大減小的ΔR為?0.5，微量減小的ΔR為?0.05，最大增加的ΔR為+0.5，微量增加的ΔR為+0.05。

2.3 基于優(yōu)先級的協(xié)調(diào)優(yōu)化控制模型

燒結過程是復雜連續(xù)的動態(tài)過程，控制中必須綜合考慮各個獨立控制環(huán)節(jié)的控制目標[20]。針對燒結終點和混合料料槽料位的協(xié)同優(yōu)化問題，通過研究系統(tǒng)的可行性和目標協(xié)調(diào)的關系，采用基于優(yōu)先級的協(xié)調(diào)優(yōu)化控制模型。

（1）設計基于優(yōu)先級的協(xié)調(diào)控制規(guī)則?；旌狭狭喜哿衔皇菬Y生產(chǎn)安全進行的重要指標，混合料料位過高或者過低，就可能造成溢料或者斷料，引發(fā)燒結生產(chǎn)事故。因此，對料槽料位的控制是首要的，將其定義為控制的第一優(yōu)先級。根據(jù)該優(yōu)先級判斷采用料槽料位LW和料位變化率LWBH作為標準，設定協(xié)調(diào)優(yōu)化控制模型的控制規(guī)則見表2。

表2 協(xié)調(diào)控制規(guī)則Table 2 Rules of coordinated control

由表2可以看出，LW劃分為3個區(qū)間，其中高位異常表示料位高于正常料位，低位異常表示料位低于正常料位。LWBH也劃分為3個區(qū)間，其中正表示料位上升快，負表示料位下降快。在輸出的結果中，料位控制即指輸出全部為料位控制器的輸出值，BTP控制即指輸出全部為BTP控制器的輸出值?？梢钥闯?，當料槽料位不正常，且料位變化率會加劇這種不正常時，系統(tǒng)只針對料位進行控制；當料槽料位不正常，而料位變化率可以很好緩解這種不正常時，系統(tǒng)只針對BTP進行控制；當料位與料位變化率至少一個正常時，才采用軟切換控制。這樣可以保障生產(chǎn)安全，提高系統(tǒng)的實用性。

（2）設計軟切換控制思路。軟切換控制模型通過計算料槽料位和燒結終點的軟切換強度系數(shù)，改變兩個獨立的連續(xù)控制器輸出的比例關系，將兩個控制器相結合，充分發(fā)揮各自的控制作用，實現(xiàn)燒結過程的協(xié)調(diào)優(yōu)化控制。在燒結協(xié)調(diào)控制系統(tǒng)投運之初，BTP預測控制模型的輸出比例因子α初值設定為0，即此時完全采用料位控制器的輸出。在系統(tǒng)運行的過程中，料位狀態(tài)逐漸穩(wěn)定，則α值逐漸增大至1，即完全采用BTP預測控制輸出為控制量。一般情況下，由于系統(tǒng)過程時變的影響，α在0至1之間波動，除了特定的完全控制輸出量，系統(tǒng)輸出為料位專家控制器和BTP預測控制器的綜合。采用模糊數(shù)學的思想計算軟切換的系數(shù)，如圖4所示。

圖4 軟切換系數(shù)原理Fig.4 Schematic diagram of soft-switch coefficient

圖中，lim1和lim2表示料位的安全極限值，s1和s2表示料位的正常值；lim3表示料位變化的安全極限值，s3表示料位變化的正常值；T( k )和T′( k )表示當前時刻的料槽料位和料位變化率，k1和k2表示當前料位和料位變化率所對應的強度系數(shù)。根據(jù)燒結實際工況，分別取lim1= 20 t，lim2= 60 t，s1= 30 t，s2= 50 t；lim3= 0.77 t·min?1，s3= 0.55 t·min?1。易知

當料位接近正常范圍，且相對穩(wěn)定，則k1、k2均接近1.0，此時應該采用BTP預測控制器為主，反之，應該采用料位控制器為主。由以上分析可知，設BTP預測控制器的輸出強度系數(shù)為α1，則

料位控制器的輸出強度系數(shù)為α2，則

則經(jīng)過軟切換優(yōu)化控制，復合控制器的最終速比增量輸出為

最終臺車速度增量輸出為

由式（7）、式（8）可見，當混合料料槽料位正常時，料位變化越大，則k2越??；當料位變化正常時，料槽料位偏離正常值越大，則k1越小。此時，BTP預測控制器的輸出強度系數(shù)α1將越小，料位控制器的輸出強度系數(shù)α2將越大，起主要作用的是料位控制器；同理，當料位與料位變化率均偏向正常的情況下，BTP預測控制此時起主要作用。

3 系統(tǒng)實現(xiàn)方法

目前國內(nèi)鋼鐵企業(yè)都已經(jīng)實現(xiàn)了基礎自動化以及相關參數(shù)的監(jiān)控。針對國內(nèi)鋼鐵企業(yè)普遍實施的分層遞階控制結構，分析燒結過程控制系統(tǒng)的特點和本文方法的實現(xiàn)要求，設計了智能協(xié)調(diào)控制策略的工廠實現(xiàn)方案。

現(xiàn)場的燒結過程控制系統(tǒng)總體結構如圖5所示，可以分為3級：L1級、L2級和L3級，3級之間通過工業(yè)以太網(wǎng)連接。L1級由配混PLC、余熱回收與脫硫PLC以及燒冷PLC組成，通過I/O卡或Profibus總線實現(xiàn)了過程儀表檢測量的采集以及執(zhí)行機構控制量的下發(fā)。L2級采用Wonderware公司開發(fā)的監(jiān)控軟件InTouch搭建工程師站和操作站，其中InTouch與PLC通過DAServer采用SuiteLink協(xié)議進行通信。工程師站面向開發(fā)與維護人員，用于控制回路組態(tài)、控制界面的生成與修改、PLC控制程序的修改與下載；而操作站面向操作工人，用于實現(xiàn)燒結過程的監(jiān)視與控制。L3級由數(shù)據(jù)庫與監(jiān)視大屏幕組成，采用TCP/IP協(xié)議，收集所有關鍵過程變量，供企業(yè)集中監(jiān)視及記錄。

圖5 系統(tǒng)整體硬件結構Fig.5 Hardware structure diagram of system

針對現(xiàn)場的燒結過程控制系統(tǒng)，在L2級操作站加入智能協(xié)調(diào)控制系統(tǒng)?？刂葡到y(tǒng)采用DDE通信協(xié)議從Intouch組態(tài)軟件獲取實時生產(chǎn)量，并將最終的實時控制量進行下發(fā)，實現(xiàn)與Intouch組態(tài)軟件的實時數(shù)據(jù)交互。整個燒結過程控制系統(tǒng)的數(shù)據(jù)流圖如圖6所示。

圖6 系統(tǒng)數(shù)據(jù)流Fig.6 Data flow diagram of system

燒結過程的實時生產(chǎn)數(shù)據(jù)通過PLC上傳到L2層，供工作人員進行監(jiān)控與操作，同時L2層的實時數(shù)據(jù)庫從PLC讀取數(shù)據(jù)轉存到L3層的歷史數(shù)據(jù)庫中。L3層的監(jiān)控大屏幕通過訪問實時數(shù)據(jù)庫能查看歷史數(shù)據(jù)，實現(xiàn)監(jiān)控的目的。

4 結 論

復雜工業(yè)過程存在著難以建模、關聯(lián)復雜、要求多樣等特點。本文深入研究了燒結終點與混合料料槽料位的智能化控制方法。首先建立燒結終點預測控制器，解決了人工判斷隨機性大，易造成工況波動的問題，動態(tài)穩(wěn)定燒結終點在最佳位置；然后建立了混合料料槽料位的專家控制器，利用專家知識有效地對料位進行控制，使之穩(wěn)定保持在正常范圍之內(nèi)；最后，構造基于優(yōu)先級的協(xié)調(diào)控制模型，利用軟切換有效地實現(xiàn)對燒結終點和混合料料槽料位的協(xié)調(diào)優(yōu)化控制。

通過對鋼鐵企業(yè)現(xiàn)有燒結過程控制系統(tǒng)進行分析，包括其硬件結構與數(shù)據(jù)流結構，確定了智能協(xié)調(diào)控制系統(tǒng)的工廠實現(xiàn)方案。該方案能較好實現(xiàn)控制軟件與整個控制系統(tǒng)的契合，有較好的可行性，可以推廣運用到其他復雜工業(yè)過程。

References

[1] 龍紅明. 鐵礦粉燒結原理與工藝 [M]. 北京: 冶金工業(yè)出版社, 2010: 57.

LONG H M. Mechanism and Technology for Sintering of Iron Ore Fines [M]. Beijing: Metallurgical Industry Press, 2010: 57.

[2] ZHANG J. On-line control of burning through point based on numerical simulation [J]. Sintering and Pelletizing, 2011, 36 (3): 5-9.

[3] WANG C S, WU M. Closed-loop identification method of sintering process with part of the inputs controlled [J]. Procedia Engineering, 2011, 15: 1910-1915.

[4] KRAFT T, RIEDEL H. Numerical simulation of solid state sintering [J]. Journal of European Ceramic Society, 2004, 24 (2): 345-361.

[5] 郭立新，李浩，黃秋野，等. 燒結機模糊控制規(guī)則設計及其仿真 [J].東北大學學報, 2006, 27(10): 1075-1078.

GUO L X, LI H, HUANG Q Y, et al. Design and simulation for fuzzy control rules of trolley [J]. Journal of Northeastern University, 2006, 27 (10): 1075-1078.

[6] WU M, LEI Q, CAO W H, et al. Integrated soft sensing of coke-oven temperature [J]. Control Engineering Practice, 2011, 19 (10): 1116-1125.

[7] 李家新，胡林，龍紅明. 燒結終點控制優(yōu)化策略的實現(xiàn) [J]. 安徽工業(yè)大學學報, 2010, 27 (4): 339-343.

LI J X, HU L, LONG H M. Realization of BTP control system optimum strategy [J]. Journal of Anhui University of Technology, 2010, 27 (4): 339-343.

[8] WU W, HUANG H, GU Y. The satisfaction solution of multi-objective optimization of reliability based on control principle of feedback [J]. Journal of Shanghai Jiaotong University, 2005, 39 (10): 1700-1705.

[9] SAKAWA M, YAUCHI K. An interactive fuzzy satisficing method for multiobjective nonconvex programming problems with fuzzy numbers through coevolutionary genetic algorithms [J]. IEEE Transactions on Systems Man & Cybernetics, Part B: Cybernetics, 2001, 31 (3): 459-467.

[10] BAREA R, MOCHON J, CORES A, et al. Fuzzy control of micum strength for iron ore sinter [J]. ISIJ International, 2006, 46 (5): 687-693.

[11] 崔凱. 面向綜合生產(chǎn)目標的鉛鋅燒結過程優(yōu)化方法研究 [D]. 長沙: 中南大學, 2009.

CUI K. Optimization method based on comprehensive product indices for lead-zinc sintering process [D]. Changsha: Central South University, 2009.

[12] 向婕, 吳敏, 曹衛(wèi)華, 等. 基于模糊滿意度的燒結過程多目標優(yōu)化控制 [J]. 化工學報, 2010, 61 (8): 2138-2143.

XIANG J, WU M, CAO W H, et al. Multi-objective optimal control based on fuzzy satisfying for sintering process [J]. CIESC Journal, 2010, 61 (8): 2138-2143.

[13] ZHANG X H, ZHANG J J, ZHANG J J, et al. Numerical simulation of heat and mass transfers in sintering process [J]. Journal of Central South University, 2013, 44 (2): 805-810.

[14] 劉斌, 馮妍卉, 姜澤毅, 等. 燒結床層的熱質(zhì)分析 [J]. 化工學報, 2012, 63 (5): 1344-1353. DOI: 10.3969/j.issn.0438-1157.2012.05.003.

LIU B, FENG Y H, JIANG Z Y, et al. Heat and mass transfer in sintering process [J]. CIESC Journal, 2012, 63 (5): 1344-1353. DOI: 10.3969/j.issn.0438-1157.2012.05. 003

[15] WU M, CHEN X X, CAO W H, et al. An intelligent integrated optimization system for the pro-portioning of iron ore in a sintering process [J]. Journal of Process Control, 2014, 24: 182-202.

[16] 劉玉平, 翟廉飛, 柴天佑. 基于神經(jīng)網(wǎng)絡和多模型的非線性自適應PID控制及應用 [J]. 化工學報, 2008, 59 (7): 1671-1676.

LIU Y P, ZHAI L F, CHAI T Y. Nonlinear adaptive PID control using neural networks and multiple models and its application [J]. Journal of Chemical Industry and Engineering (China), 2008, 59 (7): 1671-1676.

[17] 張英俊, 馬培軍, 蘇小紅, 等. 屬性權重不確定條件下的區(qū)間直覺模糊多屬性決策 [J]. 自動化學報, 2012, (2): 220-228.

ZHANG Y J, MA P J, SU X H, et al. Multi-attribute decision making with uncertain attribute weight information in the framework of interval-valued intuitionistic fuzzy set [J]. Acta Automatica Sinica, 2012, (2): 220-228.

[18] 陳至坤, 唐瑞尹, 王福斌, 等. 基于RBF神經(jīng)網(wǎng)絡的燒結終點預報系統(tǒng) [J]. 機械工程與自動化, 2011, (1): 1-3.

CHEN Z K, TANG R Y, WANG F B, et al. Adaptive prediction system of sintering burning through point based on RBF neural network model [J]. Mechanical Engineering Automation, 2011, (1): 1-3.

[19] 吳敏, 莊坤, 丁雷, 等. 鉛鋅燒結過程燒穿點的模糊預測控制方法[J]. 化工學報, 2008, 59 (7): 1698-1702.

WU M, ZHUANG K, DING L, et al. Fuzzy predictive control of burning through point for lead-zinc sintering process [J]. Journal of Chemical Industry and Engineering (China), 2008, 59 (7): 1698-1702.

[20] 曹衛(wèi)華, 段平, 吳敏, 等. 基于分級遞階結構的鐵礦石燒結過程智能控制 [J]. 儀器儀表學報, 2010, 31 (3): 553-557

CAO W H, DUAN P, WU M, et al. Intelligent control of iron ore sintering process based on a hierarchical configuration [J]. Chinese Journal of Scientific Instrument, 2010, 31 (3): 553-557.

研究論文

Received date: 2015-12-22.

Foundation item: supported by the National Natural Science Foundation of China (61210011) and the Natural Science Foundation of Hubei Province (2015CFA010).

Coordinated optimal control based on priority for sintering process

CHEN Xin1, HUANG Bing2, WU Min1, HE Yong1
(1School of Automation, China University of Geosciences, Wuhan 430074, Hubei, China;
2School of Information Science and Engineering, Central South University, Changsha 410083, Hunan, China)

Abstract:Sintering process is a complex physical and chemical reaction process which possesses the characteristics such as large delay, strong nonlinearity and uncertainty, multi-objective and multi-constrained. Burning through point is a key factor during sintering, which affects heat status of sintering process. Bunker-level is related to the sintering safety directly. To optimize these two key parameters of the iron ore sintering process, a coordinated optimal control method is presented based on priority. First, an intelligent control model of the burning through points is established by using neural network predictive and fuzzy control. In addition, based on the analysis on the factors affecting the stability of bunker level, a bunker-level control model is set up according to the experience of the local expert, which can maintain the bunker level and insure the safety of the sintering process. Then, the coordination control model based on priority which takes the soft switch control is designed to combine two different controllers, so that it results in coordinated optimal control of ratio and trolley speed. Finally, an experiment platform system of sinter is designed to realize this coordinated optimal control method.

Key words:sintering; burning through point; optimize; neural network; priority; soft switch

DOI：10.11949/j.issn.0438-1157.20151945

中圖分類號：TP 273

文獻標志碼：A

文章編號：0438—1157（2016）03—0885—06

基金項目：國家自然科學基金重大國際合作研究項目（61210011）；湖北省自然科學基金創(chuàng)新群體項目（2015CFA010）。

Corresponding author:Prof. CHEN Xin, chenxin@cug.edu.cn