RU2445668C2 - Neuron network control for calcination process control in shaft-type furnaces - Google Patents
Neuron network control for calcination process control in shaft-type furnaces Download PDFInfo
- Publication number
- RU2445668C2 RU2445668C2 RU2009147892/08A RU2009147892A RU2445668C2 RU 2445668 C2 RU2445668 C2 RU 2445668C2 RU 2009147892/08 A RU2009147892/08 A RU 2009147892/08A RU 2009147892 A RU2009147892 A RU 2009147892A RU 2445668 C2 RU2445668 C2 RU 2445668C2
- Authority
- RU
- Russia
- Prior art keywords
- control
- unit
- output
- block
- input
- Prior art date
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
Изобретение относится к области автоматизированных систем управления технологическими процессами и производствами, а конкретно к устройствам управления процессом обжига известняка в печах шахтного типа, и может быть использовано в металлургической, строительной и других отраслях промышленности.The invention relates to the field of automated control systems for technological processes and production, and in particular to devices for controlling the process of calcining limestone in shaft-type furnaces, and can be used in metallurgical, construction and other industries.
Известен интеллектуальный контроллер с нейронной сетью и правилами самомодификации (патент 2266558, кл. G06F 9/00, G05B 13/02 от 31.12.2003), содержащий управляющую нейронную сеть, объект управления, выходы которого с первого по второй соединены соответственно с первым и вторым входами управляющей нейронной сети, вход объекта управления соединен с выходом управляющей нейронной сети. В него также введены блок коэффициента эффективности, обучающая нейронная сеть, блок правил самообучения управляющей нейронной сети, блок истории работы объекта управления, причем входы блока коэффициента эффективности с первого по второй связаны соответственно с первым и вторым выходами объекта управления, первый вход обучающей нейронной сети связан с выходом блока коэффициента эффективности, выход обучающей нейронной сети соединен с первым входом блока правил самообучения управляющей нейронной сети, первый вход блока истории работы объекта управления связан с первым выходом блока правил самообучения управляющей нейронной сети, второй и третий входы связаны с первым и вторым выходами объекта управления соответственно, первый выход блока истории работы объекта управления связан со вторым входом обучающей нейронной сети и вторым входом блока правил самообучения управляющей нейронной сети, а выходы со второго по третий связаны с первым и вторым входами управляющей нейронной сети, четвертый выход блока истории работы объекта управления соединен с выходом управляющей нейронной сети.Known intelligent controller with a neural network and self-modification rules (patent 2266558, class G06F 9/00, G05B 13/02 of 12/31/2003) containing a control neural network, a control object whose outputs from the first to the second are connected respectively to the first and second the inputs of the control neural network, the input of the control object is connected to the output of the control neural network. It also includes a block of the efficiency coefficient, a training neural network, a block of self-learning rules for the control neural network, a block of the history of the control object, and the inputs of the block of the coefficient of efficiency from the first to the second are connected respectively to the first and second outputs of the control object, the first input of the training neural network is connected with the output of the efficiency coefficient block, the output of the training neural network is connected to the first input of the self-learning rules block of the control neural network, the first input of the work history block The control object is connected with the first output of the control neural network self-learning rules block, the second and third inputs are connected with the first and second outputs of the control object, respectively, the first output of the control object work history block is connected with the second input of the training neural network and the second input of the control neural learning rules block networks, and the outputs from the second to the third are connected with the first and second inputs of the control neural network, the fourth output of the control unit operation history block is connected to the output I control her neural network.
В интеллектуальном контроллере с нейронной сетью и правилами самомодификации блок истории работы объекта управления состоит из стека параметров адаптации и стека работы объекта управления, причем первый и второй выходы блока правил самообучения управляющей нейронной сети соединены с первым входом стека параметров адаптации и первым входом стека работы объекта управления соответственно, первый выход стека параметров адаптации соединен со вторым входом обучающей нейронной сети, второй выход стека параметров адаптации соединен с вторым входом блока правил самообучения управляющей нейронной сети, первый и второй выходы стека работы объекта управления соединены с первым и вторым входами управляющей нейронной сети соответственно, третий выход стека работы объекта управления соединен с выходом управляющей нейронной сети, четвертый и пятый выходы стека работы объекта управления соединены с третьим и четвертым входами блока правил самообучения нейронной сети, второй и третий входы стека работы объекта управления соединены с первым и вторым выходами объекта управления.In an intelligent controller with a neural network and self-modification rules, the control object operation history block consists of a adaptation parameter stack and a control object work stack, with the first and second outputs of the self-learning control block of a control neural network connected to the first input of the adaptation parameter stack and the first input of the control object work stack accordingly, the first output of the adaptation parameter stack is connected to the second input of the training neural network, the second output of the adaptation parameter stack is connected to the second the input of the self-learning rules block of the control neural network, the first and second outputs of the control object work stack are connected to the first and second inputs of the control neural network, respectively, the third output of the control object work stack is connected to the output of the control neural network, the fourth and fifth outputs of the control object work stack with the third and fourth inputs of the neural network self-learning rules block, the second and third inputs of the control object work stack are connected to the first and second outputs of the control object .
В интеллектуальном контроллере с нейронной сетью и правилами самомодификации блок коэффициента эффективности состоит из блока формулы коэффициента эффективности и стека коэффициента эффективности, причем второй выход блока формулы коэффициента эффективности связан с первым входом стека коэффициента эффективности, первый выход блока формулы коэффициента эффективности связан с первым входом обучающей нейронной сети, первый выход стека коэффициента эффективности связан с третьим входом обучающей нейронной сети.In an intelligent controller with a neural network and self-modification rules, the block of the efficiency coefficient consists of the block of the formula of the coefficient of efficiency and the stack of the coefficient of efficiency, with the second output of the block of the formula of the coefficient of efficiency associated with the first input of the stack of the coefficient of efficiency, the first output of the block of the formula of the coefficient of efficiency is connected with the first input of the training neural network, the first output of the efficiency coefficient stack is connected to the third input of the training neural network.
Недостатком интеллектуального контроллера с нейронной сетью и правилами самомодификации является отсутствие ПИД-регулятора, влекущее за собой потерю контроля над управлением в момент обучения нейронной сети, что неприемлемо для шахтной печи, которая нуждается в осуществлении постоянного контроля основных параметров процесса.The disadvantage of an intelligent controller with a neural network and self-modification rules is the lack of a PID controller, which entails a loss of control over the control at the time of training the neural network, which is unacceptable for a shaft furnace, which requires constant monitoring of the main process parameters.
Известен нейросетевой регулятор для управления курсом судна (патент 2359308, кл. G05D 1/02, от 29.11.2007).Known neural network controller for controlling the course of the vessel (patent 2359308, CL G05D 1/02, from 29.11.2007).
Нейросетевой регулятор для управления курсом судна выполнен в виде информационно-вычислительного комплекса, содержащего информационно-аналитический блок для обработки данных с целью прогнозирования и выработки курса судна, связанный протоколами передачи данных с блоком сбора данных для сбора информации о курсе судна и блоком вывода обработанных данных для вывода обобщенного сигнала управления курсом судна. Новым является то, что нейросетевой регулятор дополнительно включает две или более вычислительные системы в виде независимых друг от друга вычислительных алгоритмов, каждая из которых соединена с информационно-аналитическим блоком с помощью интерфейса и выполнена с возможностью обработки данных, переданных для обработки из информационно-аналитического блока; базу знаний, соединенную с информационно-аналитическим блоком с помощью интерфейса и предназначенную для хранения критериев выбора информационно-аналитическим блоком той или иной вычислительной системы. Здесь, блок вывода обработанных данных содержит невизуальные устройства вывода обработанных данных; информационно-аналитический блок включает интеллектуальный классификатор, соединенный интерфейсами с графическим интерфейсом пользователя, подсистемой управления сеансами связи с блоком сбора данных через соответствующий протокол передачи данных и подсистемой управления сеансами связи с блоком вывода обработанных данных через соответствующий протокол передачи данных. Причем интеллектуальный классификатор выполнен с возможностью выбора одной или более вычислительных систем для обработки данных, передачи данных на графический интерфейс пользователя и передачи данных на невизуальные устройства вывода обработанных данных.The neural network controller for controlling the heading of the vessel is made in the form of an information and computing complex containing an information and analytical unit for processing data to forecast and develop the heading of the vessel, connected by data transfer protocols with a data collection unit for collecting information about the heading of the vessel and an output unit for processed data for output a generalized ship heading control signal. New is that the neural network controller additionally includes two or more computing systems in the form of independent computing algorithms, each of which is connected to the information-analytical unit via an interface and is capable of processing data transmitted for processing from the information-analytical unit ; a knowledge base connected to the information-analytical unit using the interface and designed to store the selection criteria by the information-analytical unit of a particular computing system. Here, the processed data output unit comprises non-visual processed data output devices; the information-analytical unit includes an intelligent classifier connected by interfaces to a graphical user interface, a session management subsystem with a data collection unit via an appropriate data transfer protocol, and a session management subsystem with a processed data output unit via an appropriate data transmission protocol. Moreover, the intelligent classifier is configured to select one or more computing systems for processing data, transmitting data to a graphical user interface, and transmitting data to non-visual output devices of processed data.
Графический интерфейс пользователя может быть выполнен с возможностью выбора устройств вывода информации, выбора режима работы и выбора приоритета работы из группы: максимальное качество обработки данных, минимальное качество обработки данных и ручной выбор настроек информационно-вычислительного комплекса. При этом в качестве устройства вывода информации используется хотя бы одно устройство из группы: принтер, плоттер, экран дисплея, а режим работы включает обучение информационно-вычислительного комплекса или обработку данных для управления курсом судна.The graphical user interface can be configured to select information output devices, select an operating mode, and select a work priority from a group: maximum data processing quality, minimum data processing quality, and manual selection of information and computer complex settings. At the same time, at least one device from the group is used as an information output device: a printer, a plotter, a display screen, and the operation mode includes training of an information-computer complex or data processing to control the ship's course.
Невизуальные устройства вывода обработанных данных могут быть выполнены с возможностью реализации функции управления приводами, другими системами и исполнительными механизмами судна, используемыми для управления курсом судна.Non-visual output devices of the processed data can be configured to implement the control function of the drives, other systems and actuators of the vessel, used to control the course of the vessel.
Каждая из вычислительных систем может быть выполнена с возможностью обработки массива данных на основе одной из следующих нейронных сетей: реккурентная нейронная сеть Элмана, многослойная сеть прямого распространения или нейронная сеть на основе радиально-базисных функций.Each of the computing systems can be configured to process a data array based on one of the following neural networks: Elman's recurrent neural network, multilayer direct distribution network, or a neural network based on radial basis functions.
В качестве базы знаний может использоваться промышленная база данных, хранящая критерии выбора той или иной вычислительной системы для обработки массива данных, выбираемая из следующих баз данных: реляционная база данных типа Sybase или Oracle или объектно-ориентированная база данных типа Cache.As a knowledge base, an industrial database can be used that stores the selection criteria for a particular computer system for processing a data array, selected from the following databases: a relational database such as Sybase or Oracle or an object-oriented database such as Cache.
Недостатками данного способа являются обучение сетей на эталонных моделях, которые довольно сложно создать для процесса шахтного обжига известняка, а также значительное увеличение времени решения при регулировании большим количеством параметров.The disadvantages of this method are the training of networks on the reference models, which are rather difficult to create for the process of mine calcining of limestone, as well as a significant increase in the solution time when controlling a large number of parameters.
Известна экспертная система шахтной печи, представленная в статье «Автоматизация управления шахтными печами цеха металлизации с использованием динамической экспертной системы» (журнал «Мехатроника, автоматизация, управление», 2004 г., №4, с.44-49).A well-known expert system of a shaft furnace is presented in the article “Automation of control of shaft furnaces of a metallization shop using a dynamic expert system” (journal “Mechatronics, automation, control”, 2004, No. 4, p. 44-49).
Информационное поле экспертной системы шахтной печи обеспечено датчиками контроля температуры, давления, расхода и концентрации, а в качестве управляющего модуля задействован микропроцессорный регулирующий контроллер с выработкой управляющих воздействий на исполнительные механизмы загрузки сырья, подачи воздуха и газов, а также выгрузки готового продукта.The information field of the expert system of the shaft furnace is provided with sensors for monitoring temperature, pressure, flow and concentration, and a microprocessor control controller is used as a control module with the development of control actions on the executive mechanisms of loading raw materials, air and gas, as well as unloading the finished product.
Экспертная система шахтной печи характеризуется особенностями автоматизации шахтных печей в масштабе цеха металлизации, как нижний уровень интегрированной системы автоматического управления указанными объектами, при котором решается комплекс поставленных задач: контроль параметров шахтных печей, а также расходов и параметров материальных и энергетических потоков, входящих и выходящих; с созданием отдельных регулирующих контуров по стабилизации наиболее важных параметров и наличием каналов управления механизмами печей. В качестве микропроцессорного устройства выработки управляющих воздействий используется только один микропроцессорный регулирующий контроллер.The expert system of the shaft furnace is characterized by the specifics of automation of shaft furnaces on the scale of the metallization shop, as the lower level of the integrated system for the automatic control of these facilities, in which a set of tasks is solved: control of the parameters of shaft furnaces, as well as the costs and parameters of material and energy flows entering and leaving; with the creation of separate control loops to stabilize the most important parameters and the presence of control channels for the mechanisms of furnaces. As a microprocessor device for generating control actions, only one microprocessor control controller is used.
К недостаткам приведенного устройства относятся:The disadvantages of this device include:
1. Использование экспертной системы требует экспертной оценки мнения специалистов по особенностям поведения данного объекта в регламентном или изменившемся режимах, которые часто бывают противоречивыми, что, безусловно, приводит к формированию неточных управляющих воздействий.1. The use of an expert system requires an expert assessment of the opinions of specialists on the behavior of a given object in a regulated or changed regime, which is often contradictory, which, of course, leads to the formation of inaccurate control actions.
2. Высокая чувствительность экспертной системы шахтной печи к параметрам настройки модели, когда незначительные погрешности в ее наладке, вызванные неточностью априорных знаний о характеристиках объекта управления, каковым является шахтная печь, могут привести к существенному снижению качества управления).2. High sensitivity of the expert system of the shaft furnace to the settings of the model, when minor errors in its adjustment, caused by inaccuracy of a priori knowledge about the characteristics of the control object, which is the shaft furnace, can lead to a significant decrease in the quality of control).
Известна параллельная схема нейронного управления (Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. - М.: ИПРЖР, 2000 - стр.142).A parallel circuit of neural control is known (Omatu S., Khalid M., Yusof R. Neurocontrol and its applications. - M .: IPRZhR, 2000 - p.142).
Здесь в качестве контроллера используется обычный ПИД-контроллер, а нейроконтроллер параллельного типа используется для настройки управляющего входного сигнала u1, который является выходным сигналом обычного контроллера. Настройка выполняется таким образом, чтобы выходной сигнал объекта управления у как можно точнее соответствовал заданному опорному сигналу r. Задача нейроконтроллера параллельного типа заключается в том, чтобы подкорректировать управляющее воздействие u1, если оно не обеспечивает хорошего результата. Схема содержит нейронную сеть для эмулятора объекта управления, создающую оценку выходной координаты объекта управления у, и нейронную сеть, выдающую управляющий сигнал u2, используемый для коррекции управляющего сигнала u1, создаваемого обычным контроллером. Коррекция выполняется таким образом, чтобы обеспечить минимизацию рассогласования между опорным сигналом и выходом объекта управления.Here, a conventional PID controller is used as a controller, and a parallel type neurocontroller is used to configure the control input signal u1, which is the output signal of a conventional controller. The setting is performed in such a way that the output signal of the control object y corresponds as closely as possible to the given reference signal r. The task of the parallel type neurocontroller is to correct the control action u1 if it does not provide a good result. The circuit contains a neural network for a control object emulator, which creates an estimate the output coordinate of the control object y, and the neural network issuing a control signal u2 used to correct the control signal u1 generated by a conventional controller. The correction is performed in such a way as to minimize the mismatch between the reference signal and the output of the control object.
Недостатками этой схемы являются работа по жестко заданному алгоритму, низкие адаптационные свойства системы и неспособность вести многопараметрическое управление объектом.The disadvantages of this scheme are the work on a strictly defined algorithm, low adaptive properties of the system and the inability to conduct multi-parameter control of the object.
Известен нейросетевой регулятор, используемый в способе автоматического управления процессом прокаливания сырьевого материала во вращающейся печи (патент 2308651, кл. F27B 7/42, F27D 19/00, от 11.04.2006), принимаемый за прототип.Known neural network controller used in the method for automatically controlling the process of calcination of raw material in a rotary kiln (patent 2308651, CL F27B 7/42, F27D 19/00, from 11.04.2006), adopted as a prototype.
Устройство содержит: датчики расхода топлива, температуры прокаленного материала (кокса) на выходе из печи, температуры отходящих из печи газов, скорости ленты дозатора (в качестве дозатора используют дозатор-весоизмеритель ленточный - ДВЛ), мгновенного веса фиксированного объема загружаемого сырьевого материала на ленте ДВЛ; блок расчета расхода загружаемого в печь сырьевого материала; исполнительные механизмы соответственно регулирования расхода сырьевого материала (кокса) в печь и объемного расхода топлива (мазута), направляющие аппараты печного дымососа; виртуальные регуляторы стабилизации расхода топлива (мазута), коррекции расхода топлива (мазута) по температуре прокаленного материала (кокса) на выходе из печи, стабилизации температуры отходящих из печи газов, стабилизации расхода сырьевого материала (кокса) в печь, коррекции расхода сырьевого материала (кокса) в печь по текущему мгновенному весу на ленте ДВЛ, блок определения среднего значения мгновенного веса сырьевого материала на ленте ДВЛ, которые реализованы в управляющем вычислительном устройстве (микропроцессорный контроллер и ЭВМ). В нем же реализованы: блок вычисления задания регулятору, корректирующему задание регулятору, стабилизирующему расход сырьевого материала (кокса) в печь, алгоритм обработки данных, база данных нейросетевой математической модели (НСМ), алгоритм адаптации, НСМ, оптимизационная подсистема управления ОПСУ.The device contains: sensors for fuel consumption, temperature of the calcined material (coke) at the outlet of the furnace, temperature of the exhaust gases from the furnace, the speed of the dispenser belt (a dispenser-belt weight meter is used as a dispenser), instant weight of a fixed volume of the loaded raw material on the DVL tape ; a unit for calculating the flow rate of the raw material loaded into the furnace; actuators, respectively, regulation of the consumption of raw material (coke) in the furnace and volumetric fuel consumption (fuel oil), guiding apparatus of the stove exhaust fan; virtual regulators of stabilization of fuel consumption (fuel oil), correction of fuel consumption (fuel oil) according to the temperature of the calcined material (coke) at the outlet of the furnace, stabilization of the temperature of the exhaust gases from the furnace, stabilization of the flow of raw material (coke) into the furnace, correction of the consumption of raw material (coke) ) into the furnace at the current instantaneous weight on the DVL tape, a unit for determining the average value of the instantaneous weight of raw material on the DVL tape, which are implemented in the control computing device (microprocessor controller and computers). It also implements: a unit for calculating the task for the regulator, correcting the task for the regulator, stabilizing the consumption of raw materials (coke) in the furnace, a data processing algorithm, a database of a neural network mathematical model (NSM), an adaptation algorithm, NSM, an optimization subsystem for controlling the control system.
Устройство обеспечивает осуществление автоматического управления процессом прокаливания сырьевого материала во вращающейся печи, включающее измерение температуры отходящих из печи газов, ее регулирование изменением разрежения в печи, измерение и регулирование температуры прокаленного материала на выходе из печи изменением расхода топлива при стабилизированном заданном расходе загружаемого в печь сырьевого материала дозатором-весоизмерителем. Новым является то, что дополнительно измеряют и стабилизируют расход топлива на заданном уровне, измеряют мгновенный вес фиксированного объема загружаемого в печь сырьевого материала на ленте дозатора-весоизмерителя и по отклонению от вычисленного его среднего значения за установленный период корректируют расход загружаемого в печь сырьевого материала; регулирование температуры прокаленного материала на выходе из печи и температуры отходящих из печи газов осуществляют изменением заданий регуляторам температуры прокаленного материала на выходе из печи и температуры отходящих из печи газов, которые рассчитывают в автоматическом режиме, с дискретностью 8 мин с использованием оптимизационной нейросетевой подсистемы управления; что в качестве задания для оптимизационной нейросетевой подсистемы управления устанавливают требуемые по технологии показатели качества прокаленного материала.The device provides automatic control of the process of calcination of raw material in a rotary kiln, including measuring the temperature of the exhaust gases from the kiln, regulating it by changing the vacuum in the kiln, measuring and regulating the temperature of the calcined material at the kiln outlet by changing the fuel consumption at a stabilized set flow rate of the raw material loaded into the kiln dispenser weight meter. What is new is that fuel consumption is additionally measured and stabilized at a predetermined level, the instantaneous weight of a fixed volume of raw material loaded into the furnace is measured on the tape of the metering meter, and the flow rate of the raw material loaded into the furnace is adjusted for deviation from its calculated average value over a specified period; the temperature of the calcined material at the outlet of the furnace and the temperature of the exhaust gases from the furnace are controlled by changing the assignments to the regulators of the temperature of the calcined material at the exit of the furnace and the temperature of the exhaust gases from the furnace, which are calculated in automatic mode, with a resolution of 8 min using an optimization neural network control subsystem; that as a task for the optimization neural network control subsystem, the quality parameters of the calcined material required by the technology are set.
Недостатками данного устройства являются:The disadvantages of this device are:
1. Наличие контура оптимизации в структуре регулятора указывает на работу по жестко заданному алгоритму; наличие ограниченного пространства оптимизации сокращает варианты поиска оптимальных управляющих воздействий.1. The presence of the optimization loop in the structure of the controller indicates the work according to a rigidly defined algorithm; the presence of a limited optimization space reduces the search options for optimal control actions.
2. Построенный по предложенной в патенте RU 2308651 схеме регулятор не способен вести многопараметрическое управление, вследствие того что настройка каждого ПИД-регулятора производится отдельно, то есть при корректировке управляющих воздействий не учитываются нелинейные взаимосвязи между ними.2. The controller constructed according to the scheme proposed in patent RU 2308651 is not capable of multi-parameter control, because each PID controller is configured separately, that is, non-linear relationships between them are not taken into account when adjusting control actions.
3. Настройка параметров нейросетевой модели с частотой «один раз в сутки» может способствовать передаче некачественных управляющих сигналов объекту управления вследствие расстройства коэффициентов нейросетевой модели.3. Setting the parameters of the neural network model with a frequency of "once a day" can facilitate the transfer of low-quality control signals to the control object due to a disorder of the coefficients of the neural network model.
Техническим результатом изобретения является повышение адаптационных свойств системы, принимаемой за прототип, а именно стабилизация температуры в разных зонах печи и повышение качества получаемого продукта.The technical result of the invention is to increase the adaptive properties of the system adopted as a prototype, namely, stabilization of temperature in different zones of the furnace and improving the quality of the resulting product.
Технический результат достигается тем, что в нейросетевой регулятор для управления процессом обжига известняка в печах шахтного типа, содержащий объект управления, блок первичной переработки данных, блок ввода/вывода данных, блок реализации алгоритмов ПИД-регулирования, блок истории работы системы, блок моделирования, основой которого является нейросетевая модель процесса, блок выбора способа управления, введены блок многопараметрического управления, блок интеллектуального классификатора, блок управления, в основе которого лежит нейросетевой регулятор процесса; при этом в нейросетевом регуляторе для связи блоков используются следующие соединения: выход объекта управления соединен с входом блока первичной переработки данных, первый выход блока первичной переработки данных соединен с четвертым входом блока истории работы системы, второй выход блока первичной переработки данных соединен с первым входом блока ввода/вывода данных, первый выход блока ввода/вывода данных соединен с пятым входом блока истории работы системы, второй выход блока ввода/вывода данных соединен с входом блока реализации алгоритмов ПИД-регулирования, выход блока истории работы системы соединен с первым входом блока интеллектуального классификатора, первый выход блока интеллектуального классификатора соединен с шестым входом блока истории работы системы, второй выход блока интеллектуального классификатора соединен с первым входом блока моделирования, третий выход блока интеллектуального классификатора соединен с первым входом блока управления, первый выход блока моделирования соединен со вторым входом блока интеллектуального классификатора, второй выход блока моделирования соединен со вторым входом блока истории работы системы, третий выход блока моделирования соединен со вторым входом блока управления, первый выход блока управления соединен с первым входом блока истории работы системы, второй выход блока управления соединен со вторым входом блока выбора способа управления, выход блока реализации алгоритмов ПИД-регулирования соединен с первым входом блока выбора способа управления, выход блока выбора способа управления соединен с входом объекта управления.The technical result is achieved by the fact that in the neural network controller for controlling the process of calcining limestone in shaft-type furnaces, it contains a control object, a primary data processing unit, a data input / output unit, a PID control algorithm implementation unit, a system operation history unit, a modeling unit, the basis which is a neural network process model, a control method selection block, a multi-parameter control block, an intelligent classifier block, a control block based on which rosetevoy process controller; in this case, the following connections are used in the neural network controller for communication between the blocks: the control object output is connected to the input of the primary data processing unit, the first output of the primary data processing unit is connected to the fourth input of the system history block, the second output of the primary data processing unit is connected to the first input of the input unit data output, the first output of the data input / output block is connected to the fifth input of the system operation history block, the second output of the data input / output block is connected to the input of the implementation block PID control algorithms, the output of the system history block is connected to the first input of the smart classifier block, the first output of the smart classifier block is connected to the sixth input of the system history block, the second output of the smart classifier block is connected to the first input of the simulation block, the third output of the smart classifier block is connected with the first input of the control unit, the first output of the simulation unit is connected to the second input of the smart classifier unit, the second the first output of the simulation unit is connected to the second input of the system operation history unit, the third output of the simulation unit is connected to the second input of the control unit, the first output of the control unit is connected to the first input of the system operation history block, the second output of the control unit is connected to the second input of the control method selection unit, the output of the implementation block of the PID control algorithms is connected to the first input of the control method selection block, the output of the control method selection block is connected to the input of the control object.
Сущность изобретения поясняется фиг.1, где изображена схема нейросетевого регулятора для управления процессом обжига известняка в печах шахтного типа, включающая следующие блоки: 1 - объект управления, 2 - блок первичной переработки данных, 3 - блок ввода/вывода данных, 4 - задание оператора; 5 - блок реализации алгоритмов ПИД-регулирования, 6 - блок многопараметрического управления, 7 - блок истории работы системы, 7-1 - блок сбора параметров работы объекта управления, 7-2 - блок формирования рабочих массивов, 7-3 - блок формулы коэффициента эффективности, 7-4 - блок сбора значений коэффициента эффективности, 8 - блок интеллектуального классификатора, 9 - блок моделирования, 10 - блок управления, 11 - блок поступления данных с лаборатории, 12 - блок выбора способа управления.The invention is illustrated in figure 1, which shows a diagram of a neural network controller for controlling the process of calcining limestone in shaft-type furnaces, including the following blocks: 1 - control object, 2 - primary data processing unit, 3 - data input / output unit, 4 - operator task ; 5 - block for the implementation of PID control algorithms, 6 - block for multi-parameter control, 7 - block for the history of the system, 7-1 - block for collecting parameters of the control object, 7-2 - block for generating work arrays, 7-3 - block for the formula for the efficiency coefficient , 7-4 - block for collecting values of the coefficient of efficiency, 8 - block of intelligent classifier, 9 - block of modeling, 10 - block of control, 11 - block of data from the laboratory, 12 - block for choosing a control method.
Шахтная печь представляет собой высокую шахту, оборудованную механизмами для загрузки и выгрузки материала, вентиляторами для подачи холодного воздуха и отбора отходящих газов и устройствами для сжигания топлива. В работающей печи вся шахта заполнена кусковым материалом, который, двигаясь сверху вниз под действием силы тяжести, последовательно подогревается, обжигается и охлаждается. Готовый продукт выгружается в нижней части шахты через разгрузочное устройство, при этом весь столб материала опускается вниз и на освободившееся вверху место поступает сырой материал. В печи соблюдается принцип противотока: в зоне подогрева и обжига материал движется навстречу дымовым газам, образовавшимся при горении топлива, а в зоне охлаждения - навстречу воздуху. Воздух, охлаждая материал, сам нагревается и горячим достигает зоны обжига, где участвует в процессе горения топлива или смешивается с топочными газами, если топливо сгорает вне печи в специальных топках.A shaft furnace is a high shaft equipped with mechanisms for loading and unloading material, fans for supplying cold air and selecting exhaust gases, and devices for burning fuel. In a working furnace, the entire mine is filled with lumpy material, which, moving from top to bottom under the action of gravity, is sequentially heated, calcined and cooled. The finished product is unloaded at the bottom of the shaft through the unloading device, while the entire column of material is lowered down and raw material enters the vacant space at the top. In the furnace, the counterflow principle is observed: in the heating and firing zone, the material moves towards the flue gases generated during the combustion of the fuel, and in the cooling zone towards the air. Air cooling the material itself heats up and reaches the firing zone hot, where it participates in the fuel combustion process or mixes with flue gases if the fuel is burned outside the furnace in special furnaces.
На шахтной печи при помощи установки соответствующих датчиков организуется непрерывный контроль следующих параметров: уровень породы в печи (L), расход газа на нижний пояс (FНП), расход газа на верхний пояс (FВП), расход газа на охлаждение (FГ), температура газа (ТГ), давление газа на нижний пояс (РГНП), давление газа на верхний пояс (Ргвп), температура приточного воздуха (ТВ), температура приточного воздуха на нижний ярус (ТВНЯ), расход воздуха на нижний пояс (FВНП), расход воздуха на верхний пояс (FВВП), расход воздуха на охлаждение (FВОХЛ), температура рециркулята (ТРЕЦ), расход рециркулята на верхний пояс (FРВП), расход рециркулята на нижний пояс (FРНП), расход рециркулята на охлаждение (FРОХЛ), температура в зоне подогрева (ТЗП), температура в нижней зоне обжига (ТНЗО), температура в верхней зоне обжига (ТВЗО), температура в зоне охлаждения (ТЗОХЛ), температура отходящих газов (ТОТХГ). Кроме того, в лаборатории каждые 2 часа организуются измерения следующих параметров: содержание CaO+MgO (% CaO+MgO), содержание MgO (%MgO), содержание СO2 (%СO2).Using the installation of appropriate sensors, a continuous monitoring of the following parameters is organized in the shaft furnace: rock level in the furnace (L), gas flow to the lower belt (F NP ), gas flow to the upper belt (F VP ), gas consumption for cooling (F G ) , gas temperature (T G ), gas pressure to the lower zone (R GNP ), gas pressure to the upper zone (R GVP ), supply air temperature (T B ), supply air temperature to the lower tier (T VNYA ), air flow to lower belt (F GNP ), air flow to the upper belt (F GDP ), air flow for cooling (F VOHL ), recycle temperature (T REC ), recycle rate to the upper zone (F RHP ), recycle rate to the lower zone (F RHP ), recycle rate to cool (F ROHL ), temperature in the heating zone (T ZP ), temperature in the lower firing zone (Т НЗО ), temperature in the upper firing zone (Т ВЗО ), temperature in the cooling zone (Т ЗОХЛ ), exhaust gas temperature (Т ОТХГ ). In addition, in the laboratory, measurements of the following parameters are organized every 2 hours: CaO + MgO content (% CaO + MgO), MgO content (% MgO), CO 2 content (% CO 2 ).
Предлагаемое устройство осуществляет управление следующими параметрами: температура в зоне подогрева (ТЗП), температура в нижней зоне обжига (ТНЗО), температура в верхней зоне обжига (ТВЗО), температура в зоне охлаждения (ТЗОХЛ), температура отходящих газов (ТОТХГ), содержание CaO+MgO (% CaO+MgO), содержание MgO (%MgO) и содержание CO2 (%СO2)The proposed device controls the following parameters: temperature in the heating zone (T ZP ), temperature in the lower firing zone (T NZO ), temperature in the upper firing zone (T VZO ), temperature in the cooling zone (T ZOKHL ), temperature of exhaust gases (T OTGG ), CaO + MgO content (% CaO + MgO), MgO content (% MgO) and CO 2 content (% CO 2 )
Нейросетевой регулятор для управления процессом обжига известняка в печах шахтного типа выполнен в виде информационно-вычислительного комплекса и состоит из следующих основных блоков (фиг.1): объект управления 1; блок первичной переработки данных 2, осуществляющий преобразование данных, полученных с объекта управления, в форму, определенную пользователем; блок ввода/вывода данных 3 или другими словами графический интерфейс пользователя, осуществляющий взаимодействие пользователя и системы, на который приходит задание 4; блок реализации алгоритмов ПИД-регулирования 5, где на основе показаний единичного датчика формируется единичное управляющее воздействие на исполнительный механизм; блок многопараметрического управления 6, состоящий из четырех основных блоков: блока истории работы системы 7, осуществляющего сбор основных параметров системы и формирование различных выборок данных для отдельных блоков системы, а также осуществляющего расчет формулы коэффициента эффективности работы системы, интеллектуального классификатора 8, формирующего и передающего массивы данных (для работы блока моделирования 9 и блока управления 10), осуществляющего мониторинг качества решения, получаемого с помощью нейросетевых алгоритмов и оценивающего целесообразность расширения области допустимых значений для обучения нейронных сетей, блока моделирования 9, выполняющего оценку состояния объекта управления с точки зрения изменения тактики и стратегии поведения, и блока управления 10, выдающего управляющие воздействия; блок выбора способа управления 12, который на основании оценки, полученной от блока моделирования 9, выбирает на основании некоторого критерия способ управления для каждого управляемого параметра системы, то есть блок выбора способа управления на основании некоего критерия принимает решение о передаче управления либо ПИД-регулятору, либо многопараметрическому регулятору, оптимизируя при этом достижение цели управления.The neural network controller for controlling the process of calcining limestone in shaft-type furnaces is made in the form of an information-computer complex and consists of the following main blocks (Fig. 1): control object 1; primary data processing unit 2, converting data received from the control object into a user-defined form; data input / output unit 3 or, in other words, a graphical user interface that interacts with the user and the system to which task 4 arrives; a block for implementing PID control algorithms 5, where, based on the readings of a single sensor, a single control action on the actuator is formed; a multi-parameter control unit 6, consisting of four main blocks: a system history block 7, which collects the main parameters of the system and generates various data samples for individual blocks of the system, as well as calculates the formula for the efficiency of the system, an intelligent classifier 8, which generates and transmits arrays data (for the operation of the modeling unit 9 and the control unit 10) that monitors the quality of the solution obtained using neural network algorithms evaluating the feasibility of increasing the tolerance range for training neural networks, the simulation unit 9 evaluates the state of the control object in terms of changing the behavior of tactics and strategies, and the control unit 10 outputs a control influence; a control method selection unit 12, which, on the basis of an estimate received from the modeling unit 9, selects, based on some criterion, a control method for each controlled parameter of the system, i.e., a control method selection block, based on some criterion, decides to transfer control to either the PID controller, or a multi-parameter regulator, while optimizing the achievement of the control goal.
Система предусматривает последовательную реализацию следующих основных режимов: подготовка данных, обучение и обработка данных. Причем во время нахождения системы в режимах подготовки данных и обучения, блок многопараметрического управления в управлении объектом управления не участвует.The system provides for the consistent implementation of the following main modes: data preparation, training and data processing. Moreover, while the system is in the data preparation and training modes, the multi-parameter control unit is not involved in the control of the control object.
Режим подготовки данных состоит из трех связанных процессов: формирование исходных векторов данных о работе объекта управления, их идентификация и создание рабочих массивов данных объекта управления.The data preparation mode consists of three related processes: the formation of the initial vectors of data on the operation of the control object, their identification and the creation of working arrays of data of the control object.
Данные о работе печи собираются с заданным интервалом блоком сбора параметров работы объекта управления 7-1. Далее осуществляют идентификацию исходных векторов данных о работе объекта управления, которая заключается в присвоении им идентификационных меток. Идентификационные метки соответствуют уникальным свойствам этих векторов и дают информацию о работе объекта управления. Процесс создания рабочих массивов данных осуществляется блоком формирования рабочих массивов 7-2 и состоит в постановке соответствия каждому сформированному в блоке 7-1 исходному вектору данных объекта управления. В результате этого образуется рабочий массив данных объекта управления.Data on the operation of the furnace is collected at a predetermined interval by the unit for collecting operation parameters of the control object 7-1. Next, the initial vectors of data on the operation of the control object are identified, which consists in assigning identification labels to them. Identification marks correspond to the unique properties of these vectors and provide information about the operation of the control object. The process of creating working data arrays is carried out by the unit for generating working arrays 7-2 and consists in stating the correspondence to each source data vector of the control object formed in block 7-1. As a result of this, a working data array of the control object is formed.
Сбор данных блоком сбора параметров работы объекта управления 7-1 осуществляется непрерывно во всех режимах работы системы.Data collection by the unit for collecting parameters of the operation of the control object 7-1 is carried out continuously in all operating modes of the system.
По окончании режима подготовки данных над ними производят дальнейшие операции (обучение, обработку) в зависимости от режима работы системы.At the end of the data preparation mode, further operations are performed on them (training, processing), depending on the operating mode of the system.
В режиме обучения осуществляют адаптацию параметров всех интеллектуальных блоков системы в соответствии с предъявленными требованиями к выходной информации, а именно блоков управления 10, моделирования 9 и формулы коэффициента эффективности 7-3. Обучение производят на рабочих массивах, сформированных в блоке формирования рабочих массивов 7-2. Полученные в процессе обучения значения коэффициента эффективности записываются в блок сбора значений коэффициента эффективности 7-4 для последующего анализа его значений блоком интеллектуального классификатора 8.In the training mode, the adaptation of the parameters of all intelligent blocks of the system is carried out in accordance with the requirements for output information, namely, control units 10, modeling 9 and the formula for the efficiency coefficient 7-3. Training is carried out on working arrays formed in the block of formation of working arrays 7-2. The values of the efficiency coefficient obtained during training are recorded in the block for collecting the values of the coefficient of efficiency 7-4 for subsequent analysis of its values by the block of intelligent classifier 8.
По окончанию процедуры обучения, посредством блока ввода/вывода данных 3 задают режим процедуры обработки данных (автоматический или ручной).At the end of the training procedure, by means of the data input / output unit 3, the mode of the data processing procedure (automatic or manual) is set.
При реализации процедуры обработки данных в автоматическом режиме система самостоятельно в блоке интеллектуального классификатора по значениям коэффициента эффективности и параметрам качества работы системы определяет оптимальную стратегию управления или производит смену режима.When implementing the data processing procedure in automatic mode, the system independently in the block of intelligent classifier determines the optimal control strategy or changes the mode by the values of the efficiency coefficient and the quality parameters of the system.
При реализации процедуры обработки данных в ручном режиме оптимальную стратегию управления или смену режима производит оператор, анализируя самостоятельно коэффициент эффективности, параметры качества работы системы и другие показатели, выводимые системой в блоке ввода/вывода данных 3.When implementing the data processing procedure in manual mode, the optimal control strategy or mode change is performed by the operator, analyzing independently the efficiency coefficient, system performance parameters and other indicators displayed by the system in the data input / output block 3.
Таким образом, предлагаемый нейросетевой регулятор для управления процессом обжига известняка в печах шахтного типа позволяет стабилизировать температуру в разных зонах печи и повысить качество получаемого продукта за счет повышения адаптационных способностей системы.Thus, the proposed neural network controller for controlling the process of calcining limestone in shaft-type furnaces makes it possible to stabilize the temperature in different zones of the furnace and improve the quality of the resulting product by increasing the adaptive capabilities of the system.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009147892/08A RU2445668C2 (en) | 2009-12-22 | 2009-12-22 | Neuron network control for calcination process control in shaft-type furnaces |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009147892/08A RU2445668C2 (en) | 2009-12-22 | 2009-12-22 | Neuron network control for calcination process control in shaft-type furnaces |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2009147892A RU2009147892A (en) | 2011-06-27 |
RU2445668C2 true RU2445668C2 (en) | 2012-03-20 |
Family
ID=44738754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2009147892/08A RU2445668C2 (en) | 2009-12-22 | 2009-12-22 | Neuron network control for calcination process control in shaft-type furnaces |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2445668C2 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2533321C1 (en) * | 2013-06-28 | 2014-11-20 | Антон Андреевич Бекаревич | Method for adaptive forecasting of residual operating life of complex objects, and device for its implementation |
RU2644843C1 (en) * | 2016-12-02 | 2018-02-14 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский технологический университет "МИСиС" | Automatic neural net parameter setter of the pi-regulator for controlling heating objects |
RU2809892C1 (en) * | 2023-05-22 | 2023-12-19 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Device for determining malfunction of gas temperature sensors |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112616230A (en) * | 2020-12-21 | 2021-04-06 | 江苏恒通照明集团有限公司 | Remote operation and maintenance control system for intelligent street lamp |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475795A (en) * | 1990-06-29 | 1995-12-12 | University College London | Neural processing devices for handling real-valued inputs |
US6611737B1 (en) * | 1999-04-23 | 2003-08-26 | Canadian Space Agency | Advanced ship autopilot system |
RU2308651C1 (en) * | 2006-04-11 | 2007-10-20 | Общество с ограниченной ответственностью "Русская инжиниринговая компания" | Method of automatic control of roasting of raw material in rotating drum |
RU2359308C2 (en) * | 2007-11-29 | 2009-06-20 | Нелли Алексеевна Седова | Neural network regulator for controlling ship heading |
-
2009
- 2009-12-22 RU RU2009147892/08A patent/RU2445668C2/en not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475795A (en) * | 1990-06-29 | 1995-12-12 | University College London | Neural processing devices for handling real-valued inputs |
US6611737B1 (en) * | 1999-04-23 | 2003-08-26 | Canadian Space Agency | Advanced ship autopilot system |
RU2308651C1 (en) * | 2006-04-11 | 2007-10-20 | Общество с ограниченной ответственностью "Русская инжиниринговая компания" | Method of automatic control of roasting of raw material in rotating drum |
RU2359308C2 (en) * | 2007-11-29 | 2009-06-20 | Нелли Алексеевна Седова | Neural network regulator for controlling ship heading |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2533321C1 (en) * | 2013-06-28 | 2014-11-20 | Антон Андреевич Бекаревич | Method for adaptive forecasting of residual operating life of complex objects, and device for its implementation |
RU2644843C1 (en) * | 2016-12-02 | 2018-02-14 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский технологический университет "МИСиС" | Automatic neural net parameter setter of the pi-regulator for controlling heating objects |
RU2809892C1 (en) * | 2023-05-22 | 2023-12-19 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Device for determining malfunction of gas temperature sensors |
RU2811493C1 (en) * | 2023-05-22 | 2024-01-12 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Method for determining malfunction of gas temperature sensors |
Also Published As
Publication number | Publication date |
---|---|
RU2009147892A (en) | 2011-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2330468B1 (en) | On-line optimization of induration of wet iron ore pellets on a moving grate | |
CN104019662B (en) | Rotary kiln control system | |
CN112100916B (en) | Method, device, electronic equipment and medium for constructing reinforcement learning model | |
CN103019097A (en) | Optimal control system for steel rolling heating furnace | |
CN102224380B (en) | Oxygen trim controller tuning during combustion system commissioning | |
RU2445668C2 (en) | Neuron network control for calcination process control in shaft-type furnaces | |
CN103234347B (en) | Method for optimizing and controlling rotary kiln air volume | |
CN108151253A (en) | A kind of air quantity variable air conditioner wind pushing temperature automatic compensating method | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
CN104503510A (en) | Temperature synchronizing system and method used for metallurgic performance measuring device | |
CN104894362A (en) | Method for setting temperature of heating furnace in cold and hot steel billet mixed loading | |
CN114721253A (en) | Heating furnace temperature fractional order PID control system and method based on artificial bee colony algorithm | |
Fan et al. | Mathematical models and expert system for grate-kiln process of iron ore oxide pellet production. Part II: Rotary kiln process control | |
Bonvin et al. | Control and optimization of batch chemical processes | |
CN100371842C (en) | Method and apparatus for controlling temperature response of part in conveyorized thermal processor | |
CN103499101A (en) | Method and device for regulating temperature of hearth of ternary ignition furnace | |
CN103499212A (en) | Method and device for adjusting temperature of combustion chamber of dual ignition furnace | |
JP2009084636A (en) | Method and apparatus for controlling combustion in hot blast stove | |
JP2010066852A (en) | Method of tuning control parameter | |
US4692216A (en) | Method for controlling heat input into a coke oven | |
JP5849612B2 (en) | Combustion control method and combustion control apparatus for hot stove | |
CN113253618B (en) | Intelligent management and control system for all-dimensional sintering process | |
JP2017008363A (en) | Method for estimating layer thickness distribution in blast furnace, method for operating blast furnace, and device for estimating layer thickness distribution in blast furnace | |
Butkarev et al. | Boosting the hot-blast temperature in blast furnaces by means of an optimal control system | |
CN103017158A (en) | Automatic control system of smoke oven |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20120215 |
|
NF4A | Reinstatement of patent |
Effective date: 20140120 |
|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20151223 |