一种钢球磨煤机制粉系统自适应最优解耦控制方法

摘要

本发明提供一种钢球磨煤机制粉系统自适应最优解耦控制方法，涉及自动控制技术领域。该方法首先采集球磨机的历史运行数据，建立解耦控制系统的神经网络模型；然后选择最优解耦性能指标函数，应用自适应动态规划的方法求解该指标函数的最小值所对应的最优控制量，构建一个评价神经网络去估计最优性能指标，将评价神经网络的估计值代入控制量中，实现评价神经网络的在线更新和自适应控制；最后建立鲁棒项对建模误差进行补偿，得到最优解耦控制率。本发明提供的钢球磨煤机制粉系统自适应最优解耦控制方法，实现了钢球磨煤机制粉系统的自动控制且消除了变量间的耦合实现了解耦控制；保证产量和产品质量的同时降低了生产成本，具有较高的实用价值。

说明书

技术领域

本发明涉及自动控制技术领域，尤其涉及一种钢球磨煤机制粉系统自适应最优解耦控制方法。

背景技术

钢球磨煤机制粉系统在中国火力发电厂中被广泛采用，是一种将原煤研磨成煤粉并送入燃烧炉燃烧发电的重要设备。制粉系统的最优解耦控制问题是一直困扰我国电厂自动化技术人员的难题。随着经济模式的转变，经济生产中越来越注重节能降耗，对控制系统的性能要求也越来越高。钢球磨煤机制粉系统的强耦合特性表现为：三输入三输出之间的耦合非常严重，任何一个输入量的变化都会影响到三个输出量的变化。在实际的工业现场，钢球磨煤机制粉系统的强耦合特性具体表现如下：

(a)给煤机转速增加，给煤量相应增加，磨煤机会更多地吸收干燥剂的热量，导致磨煤机出口温度降低；给煤机转速增加，又使得磨煤机内部的通风阻力增大，通风量减少，磨煤机入口负压降低；给煤机转速增加，又使得磨煤机内存煤量增加，导致磨煤机进出口差压增大和磨煤机磨音的降低；

(b)热风门开大，相应的热风量加大，会使磨煤机出口温度升高，磨煤机入口负压降低，磨煤机进出口差压减小、磨音升高；

(c)温风门开大，相应的温风量加大，会使磨煤机出口温度降低，磨煤机入口负压降低，磨煤机进出口差压增大、磨音增大；但由于温风门的管径要比热风门的管径小的多所以对出口温度的影响要远远小于热风门开度的影响。

长期以来，采用分散控制设计的单回路控制器组成的解耦控制系统不能投入自动运行，只能靠人工控制，造成超温、堵磨和喷粉事故的发生。因此，对于这类强耦合强非线性和动态特性随运行条件不同而变化的复杂工业过程的解耦控制有非常重要的意义。

发明内容

针对现有技术的缺陷，本发明提供一种钢球磨煤机制粉系统自适应最优解耦控制方法，实现对钢球磨煤机制粉系统的解耦控制。

一种钢球磨煤机制粉系统自适应最优解耦控制方法，包括以下步骤：

步骤1、采集球磨机的历史运行数据，建立解耦控制系统的神经网络模型；

所述球磨机的历史运行数据包括球磨机实际的给煤速度、热风量和温风量这三个输入信息以及球磨机的出口温度、入口负压和进出口差压这三个输出信息；

所述建立解耦控制系统的神经网络模型如下公式所示：

其中，x(t)为对应球磨机的出口温度、入口负压和进出口差压的关于时间t的三维状态变量，u(t)为对应球磨机实际的给煤速度、热风量和温风量的关于时间t的三维控制变量；A^*，A_f^*，A_c^*，B^*为理想未知常值矩阵，ε(t)为有界的模型重建误差，γ(x)为可选的递增凹函数，且对于任意的x，y∈R，x＞y，存在k＞0满足0≤γ(x)-γ(y)≤k(x-y)；

将解耦控制系统的神经网络模型进行重建，得到如下公式所示的重建模型：

其中，为理想未知常值矩阵A^*，A^*_f，A^*_c，B^*的估计值，为系统建模误差，S∈R^n*n为设计矩阵，为可调参数，η＞1是个常量；

将重建的解耦控制系统的神经网络模型的参数按如下规则更新：

其中，Γ_i为正定矩阵，Γ_i＝Γ_i^T＞0，i＝1、2、...、5；

当t→∞时，都趋于常值矩阵，分别记为A，A_f，A_c，B，因此重建的解耦控制系统的神经网络模型化简为如下公式所示：

其中，F(x)＝Ax(t)+A_fγ(x(t))+A_c，G(x)＝B；

步骤2：选择最优解耦性能指标函数J，应用自适应动态规划的方法求解该最优解耦性能指标函数J的最小值所对应的最优控制量u(t)，构建一个评价神经网络去估计最优性能指标J^*_x，将评价神经网络的估计值代入控制量u(t)中，实现评价神经网络的在线更新和自适应控制；

所述选择的最优解耦性能指标函数J如下公式所示：

其中，e(τ)＝x_d(τ)-x(τ)为跟踪误差，x_d(t)为球磨机的出口温度、入口负压和进出口差压这三个输出的设定值，即期望输出，Q＝Q^T≥0，R＝R^T＞0均为加权矩阵；

则求解控制量u(t)所使用的哈密顿方程如下公式所示：

H(x，u，J_x)＝J_x^T(A₁x(t)+A₂γ(x(t))+A₃+Bu(t))+e^T(t)Qe(t)+(Su(t)+Gx(t))^TR(Su(t)+Gx(t))

令得到：

u^*(t)＝-(S^TRS)^-1(S^TRGx(t)+B^TJ_x^*)

则，最优解耦性能指标函数J通过如下评价神经网络精确表示：

J^*＝W₁^Tφ₁(x，x_d)+ε₁(x，x_d)

其中，为评价神经网络的理想权值，N₁为神经元个数，为激活函数向量，ε₁(x，x_d)为有界评价网逼近误差，其对于x的一阶偏导也是有界的；

将最优指标函数J^*对于x求导，得：

其中，

定义为权值W₁的估计向量，则的估计表示为如下公式所示：

得到控制器方程，如下公式所示：

评价神经网络的理想权值的更新法则如下公式所示：

其中，α_c＞0为评价网的学习率，

步骤3：为克服建模误差对控制系统动态性能的影响，建立鲁棒项u_r对建模误差进行补偿，得到最后的最优解耦控制率u_t＝u+u_r；

所述鲁棒项u_r如下公式所示：

其中：e＝x_d-x，a₁、a₂均为可调参数；

鲁棒近似最优跟踪控制如下公式所示：

将u_t作为最优的给煤机转速、热风门开度和温风门开度，从而控制球磨机的出口温度、入口负压和进出口差压，使球磨机的出口温度、入口负压和进出口差压这三个输出跟踪其设定值的变化。

由上述技术方案可知，本发明的有益效果在于：本发明提供的一种钢球磨煤机制粉系统自适应最优解耦控制方法，能够根据球磨机的出口温度、入口负压和进出口差压这三个输出的设定值的变化给出给煤机转速、热风门开度和温风门开度法人控制量，实现了钢球磨煤机制粉系统的自动控制且消除了变量问的耦合实现了解耦控制；保证产量和产品质量的同时降低了生产成本，具有较高的实用价值。

附图说明

图1为本发明实施例提供的球磨机制粉系统的制粉工艺流程图；

图2为本发明实施例提供的一种钢球磨煤机制粉系统自适应最优解耦控制方法的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

球磨机制粉系统的制粉工艺流程如图1所示，球磨机制粉系统主要由一个给煤机、一个磨煤机、两个煤粉分离器等设备组成。原煤经过破碎从原煤斗漏下，经由皮带送入下降干燥管，在下降干燥管内被由温风和热风组成的干燥剂干燥。原煤和干燥剂的混合物经由下降干燥管一同进入磨煤机。原煤在磨煤机中继续干燥，并通过钢球的挤压作用被磨制成粉，然后在排粉机的抽吸作用下随气流进入粗粉分离器进行分选。不合格的煤粉经过回粉管返回磨煤机继续磨制，合格的煤粉随气流进入细粉分离器，分离下来的煤粉存入煤粉仓内，经由排粉机送至锅炉。

球磨机的控制主要包含给煤量的控制、给热风量的控制和给温风量的控制。给煤速度主要由皮带秤、变频器、给料电机、称重传感器等组成的称量系统控制。给气流量的控制主要与给气阀门的开度相关，可通过PID控制实现。

本实施例使用本发明的钢球磨煤机制粉系统自适应最优解耦控制方法对上述所述球磨机制粉系统进行自适应最优解耦控制。

一种钢球磨煤机制粉系统自适应最优解耦控制方法，如图2所示，包括以下步骤：

步骤1、采集球磨机的历史运行数据，建立解耦控制系统的神经网络模型；

所述球磨机的历史运行数据包括球磨机实际的给煤速度、热风量和温风量这三个输入信息以及球磨机的出口温度、入口负压和进出口差压这三个输出信息；

建立解耦控制系统的神经网络模型如下公式所示：

其中，x(t)为对应球磨机的出口温度、入口负压和进出口差压的关于时间t的三维状态变量，u(t)为对应球磨机实际的给煤速度、热风量和温风量的关于时间t的三维控制变量；A^*，A_f^*，A_c^*，B^*为理想未知常值矩阵，ε(t)为有界的模型重建误差，γ(x)为可选的递增凹函数，且对于任意的x，y∈R，x＞y，存在k＞0满足0≤γ(x)-γ(y)≤k(x-y)；

将解耦控制系统的神经网络模型进行重建，得到如下公式所示的重建模型：

其中，为理想未知常值矩阵A^*，A^*_f，A^*_c，B^*的估计值，为系统建模误差，S∈R^n*n为设计矩阵，为可调参数，η＞1是个常量；

将重建的解耦控制系统的神经网络模型的参数按如下规则更新：

其中，Γ_i为正定矩阵，Γ_i＝Γ_i^T＞0，i＝1、2、...、5；

当t→∞时，都趋于常值矩阵，分别记为A，A_f，A_c，B，因此重建的解耦控制系统的神经网络模型化简为如下公式所示：

其中，F(x)＝Ax(t)+A_fγ(x(t))+A_c，G(x)＝B；

步骤2：选择最优解耦性能指标函数J，应用自适应动态规划的方法求解该最优解耦性能指标函数J的最小值所对应的最优控制量u(t)，构建一个评价神经网络去估计最优性能指标J^*_x，将评价神经网络的估计值代入控制量u(t)中，实现评价神经网络的在线更新和自适应控制；

选择的最优解耦性能指标函数J如下公式所示：

其中，e(t)＝x_d(t)-x(t)为跟踪误差，x_d(t)为球磨机的出口温度、入口负压和进出口差压这三个输出的设定值，即期望输出，Q＝Q^T≥0，R＝R^T＞0均为加权矩阵；Q是期望输出与实际输出偏差权重系数矩阵，Q对角线上的值过大会导致系统不稳定，过小会导致稳态误差，一般在0.001至100之间；R对角线上的值过大会导致稳态误差，一般在0.0001至0.1之间；当控制量太大时可将R对角线上的值调大一些，具体值根据实际情况确定。

则求解控制量u(t)所使用的哈密顿方程如下公式所示：

H(x，u，J_x)＝J_x^T(A₁x(t)+A₂γ(x(t))+A₃+Bu(t))+e^T(t)Qe(t)+(Su(t)+Gx(t))^TR(Su(t)+Gx(t))

令得到：

u^*(t)＝-(S^TRS)^-1(S^TRGx(t)+B^TJ_x^*)

则，最优解耦性能指标函数J通过如下评价神经网络精确表示：

J^*＝W₁^Tφ₁(x，x_d)+ε₁(x，x_d)

其中，为评价神经网络的理想权值，N₁为神经元个数，为激活函数向量，ε₁(x，x_d)为有界评价网逼近误差，其对于x的一阶偏导也是有界的；激活函数向量需要包含足够的激励信息，需要结合具体例子选取。一个可选的例子为：

φ₁(x，y_d)＝[x-x_d，(x-x_d)²，-(x-x_d)³，x，x_d]^T

将最优指标函数J^*对于x求导，得：

其中，

定义为权值W₁的估计向量，则指标函数的估计表示为如下公式所示：

得到控制器方程，如下公式所示：

评价神经网络的理想权值的更新法则如下公式所示：

其中，α_c＞0为评价网的学习率，h₁＝h₀/(h₀^Th₀+1)；

步骤3：为克服建模误差对控制系统动态性能的影响，建立鲁棒项u_r对建模误差进行补偿，得到最后的最优解耦控制率u_t＝u+u_r；

鲁棒项u_r如下公式所示：

其中：e＝x_d-x，a₁、a₂均为可调参数；参数a₁、a₂的选择会影响补偿的效果，一般a₁在1至50之间；a₂在0.1至10之间，具体参数大小须根据实际情况选取。

鲁棒近似最优跟踪控制如下公式所示：

将u_t作为最优的给煤机转速、热风门开度和温风门开度，从而控制球磨机的出口温度、入口负压和进出口差压，使球磨机的出口温度、入口负压和进出口差压这三个输出跟踪其设定值的变化。

本实施例中，通过皮带秤测量实际的给煤速度，通过气体流量表来测量实际的干燥剂气体流量，并控制实际的给煤速度和给气量。通过粒度分析仪获得煤粉颗粒的大小，并进行粗煤和细煤的分离。采集的这些数据通过PLC最终通过工业网络传输给工业控制计算机，在工业控制计算机中完成控制计算，计算出最佳给煤机转速、热风门开度和温风门开度，工业控制计算机通过网络将这些值发送给PLC，PLC控制实际的给煤速度、给气量与给定的给煤速度、给气量保持一致。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。