焦?fàn)t冷鼓系統(tǒng)自適應(yīng)PID控制器設(shè)計(jì)

關(guān)慧敏，張世峰，董 鑫，許四長(zhǎng)（安徽工業(yè)大學(xué)電氣與信息工程學(xué)院，安徽馬鞍山243032）

焦?fàn)t冷鼓系統(tǒng)自適應(yīng)PID控制器設(shè)計(jì)

關(guān)慧敏，張世峰，董 鑫，許四長(zhǎng)
（安徽工業(yè)大學(xué)電氣與信息工程學(xué)院，安徽馬鞍山243032）

焦?fàn)t冷鼓系統(tǒng)的穩(wěn)定狀態(tài)直接影響煉焦生產(chǎn)的工藝指標(biāo)。根據(jù)現(xiàn)場(chǎng)不同工況（正常工況、檢修保溫工況、非正常工況），采用最近鄰聚類學(xué)習(xí)算法訓(xùn)練的RBF網(wǎng)絡(luò)辨識(shí)，建立焦?fàn)t冷鼓系統(tǒng)及其控制系統(tǒng)的仿真模型，辨識(shí)出Jacobian信息并用于BP神經(jīng)網(wǎng)絡(luò)整定PID參數(shù)，實(shí)現(xiàn)適應(yīng)不同工況的自整定PID控制。仿真結(jié)果表明，建立的模型及控制系統(tǒng)能將冷鼓系統(tǒng)的初冷器前吸力快速、有效地穩(wěn)定在一定范圍內(nèi)，控制精度高、穩(wěn)定性好，可保證焦?fàn)t冷鼓系統(tǒng)在不同工況下穩(wěn)定運(yùn)行，其自適應(yīng)能力對(duì)穩(wěn)定生產(chǎn)工藝指標(biāo)具有一定的有效性。

焦?fàn)t冷鼓系統(tǒng)；最近鄰聚類學(xué)習(xí)算法；RBF網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；自適應(yīng)PID

焦?fàn)t冷鼓系統(tǒng)是焦?fàn)t生產(chǎn)線中重要的組成部分，主要功能是調(diào)節(jié)初冷器前吸力，實(shí)現(xiàn)焦?fàn)t荒煤氣在不同工況下的穩(wěn)定傳輸。該系統(tǒng)是集氣管壓力穩(wěn)定的前提保證，也是整個(gè)焦化生產(chǎn)過(guò)程的核心環(huán)節(jié)［1-2］。因此，研究先進(jìn)的控制算法通過(guò)對(duì)鼓風(fēng)機(jī)轉(zhuǎn)速的調(diào)節(jié)實(shí)現(xiàn)初冷器前吸力的控制具有重要意義。

傳統(tǒng)的PID控制器對(duì)相對(duì)簡(jiǎn)單的對(duì)象進(jìn)行控制，在干擾較弱，系統(tǒng)動(dòng)態(tài)和靜態(tài)性能指標(biāo)要求不高的情況下，可獲得較好的效果。焦?fàn)t冷鼓系統(tǒng)是一個(gè)動(dòng)態(tài)變化過(guò)程，系統(tǒng)模型難以精確建立，傳統(tǒng)的PID難以達(dá)到控制要求。文獻(xiàn)［3-4］提出，采用BP神經(jīng)網(wǎng)絡(luò)PID控制和RBF神經(jīng)網(wǎng)絡(luò)控制在一定程度上能夠逼近復(fù)雜的被控對(duì)象，可提高系統(tǒng)的魯棒性。文獻(xiàn)［5］提出，冷鼓系統(tǒng)的預(yù)測(cè)控制也可解決焦?fàn)t冷鼓系統(tǒng)的穩(wěn)定控制問(wèn)題。上述控制方法雖能起到一定的調(diào)節(jié)作用，但處理復(fù)雜工況和一些未知的干擾仍需作進(jìn)一步的研究。

通過(guò)RBF神經(jīng)網(wǎng)絡(luò)在線辨識(shí)被控對(duì)象的模型，實(shí)時(shí)更新模型參數(shù)，可有效抑制系統(tǒng)時(shí)變和未建模動(dòng)態(tài)帶來(lái)的影響［6］。BP神經(jīng)網(wǎng)絡(luò)自整定PID參數(shù)的控制方法自適應(yīng)能力較強(qiáng)，控制效果較好［7-8］。本文針對(duì)焦化生產(chǎn)3種不同工況，結(jié)合上述2種控制方法，充分利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、非線性映射能力和學(xué)習(xí)能力，提出一種自適應(yīng)能力較強(qiáng)、參數(shù)可調(diào)的神經(jīng)網(wǎng)絡(luò)PID控制策略，從而提高冷鼓系統(tǒng)的輸出跟蹤精度。

1　焦?fàn)t冷鼓系統(tǒng)過(guò)程描述與建模

焦化廠實(shí)際運(yùn)行一般分為3種典型的工作情況：1）正常工況，煤氣發(fā)生量較多，集氣管傳輸煤氣壓力在一定范圍內(nèi)波動(dòng)；2）檢修工況，煤氣發(fā)生量最小，集氣管傳輸煤氣壓力保持最穩(wěn)定；3）非正常工況，包括推焦、加煤、噴灑高壓氨水，煤氣發(fā)生量最多，集氣管傳輸煤氣壓力有劇烈波動(dòng)［8］。現(xiàn)場(chǎng)冷鼓系統(tǒng)的特點(diǎn)是對(duì)象模型在3種不同工況下體現(xiàn)為不同形式，在3種工況下對(duì)不同的模型進(jìn)行在線辨識(shí)是提高控制性能的有效方法。

1.1焦?fàn)t冷鼓系統(tǒng)過(guò)程描述

焦?fàn)t冷鼓系統(tǒng)主要由鼓風(fēng)機(jī)、初冷器等裝置組成，主要功能是調(diào)節(jié)吸力。圖1為焦?fàn)t荒煤氣傳輸系統(tǒng)結(jié)構(gòu)示意圖，圖中虛線框內(nèi)即是冷鼓系統(tǒng)。

在焦?fàn)t冷鼓系統(tǒng)生產(chǎn)過(guò)程中，p1，p2為集氣管的壓力，焦?fàn)t生產(chǎn)的荒煤氣經(jīng)分管匯集到總管再由冷鼓系統(tǒng)傳輸?shù)较乱欢喂ば颉８鶕?jù)工藝要求，通過(guò)調(diào)節(jié)大循環(huán)管的閥門開度u（k）調(diào)節(jié)初冷器入口處的吸力y（k），初冷器前吸力要求穩(wěn)定在-1.0～-1.4 kPa之間，根據(jù)不同工況設(shè)定不同的吸力。在運(yùn)行過(guò)程中由于荒煤氣流量的變化及加煤、推焦、高壓氨水等操作干擾的影響，需及時(shí)調(diào)節(jié)初冷器前吸力，以確?；拿簹鈧鬏斚到y(tǒng)的穩(wěn)定。

圖1　焦?fàn)t冷鼓系統(tǒng)結(jié)構(gòu)Fig.1 Structure of coke oven cold drum system

1.2模型的建立

對(duì)焦?fàn)t冷鼓系統(tǒng)實(shí)施控制前，須建立該系統(tǒng)的數(shù)學(xué)模型［9］，采用基于ARX模型的最小二乘辨識(shí)方法得到該系統(tǒng)的參數(shù)模型?，F(xiàn)場(chǎng)采集的輸入輸出數(shù)據(jù)通常存在大量的、不可使用的數(shù)據(jù)，對(duì)辨識(shí)過(guò)程產(chǎn)生有害影響。用MATLAB工具箱中的detrend函數(shù)zd剔除數(shù)據(jù)信號(hào)中的高頻數(shù)據(jù)，該函數(shù)的基本調(diào)用格式為：

式中：o代表趨勢(shì)項(xiàng)的階次，取值為0；b用于包含分段線性趨勢(shì)數(shù)據(jù)，取值為0。從現(xiàn)場(chǎng)實(shí)時(shí)運(yùn)行的系統(tǒng)中提取輸入輸出數(shù)據(jù)，表1是工況一的部分?jǐn)?shù)據(jù)。

表1　工況一鼓風(fēng)機(jī)前吸力與大循環(huán)的閥門開度24組測(cè)量數(shù)據(jù)Tab.1 24 groups of measurement data of the blower primary suction of case 1 and its circular valve opening

根據(jù)現(xiàn)場(chǎng)系統(tǒng)變化特性，將冷鼓系統(tǒng)不同工況下的模型近似為一個(gè)2階系統(tǒng)，采用MATLAB工具箱中ARX模型IV方法得到該系統(tǒng)的黑箱模型，根據(jù)采集的冷鼓系統(tǒng)的輸入量和初輸出量數(shù)據(jù)辨識(shí)，可得鼓風(fēng)機(jī)大循環(huán)閥門開度與初冷器前吸力的冷鼓系統(tǒng)模型參數(shù)，經(jīng)過(guò)離散化后得模型一，根據(jù)工況二、三狀態(tài)下的數(shù)

據(jù)同理得到模型二、三，分別見式（2）～（4）：

2　基于神經(jīng)網(wǎng)絡(luò)非線性自適應(yīng)PID控制系統(tǒng)的實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)通過(guò)直接學(xué)習(xí)系統(tǒng)的輸入輸出數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行辨識(shí)，使誤差函數(shù)值達(dá)到最小，其辨識(shí)的實(shí)質(zhì)是選擇一個(gè)合適的神經(jīng)網(wǎng)絡(luò)模型來(lái)逼近實(shí)際的系統(tǒng)?？刂葡到y(tǒng)結(jié)構(gòu)圖如圖2。

圖2控制系統(tǒng)結(jié)構(gòu)圖Fig.2 Structure of control system

圖2中，神經(jīng)網(wǎng)絡(luò)RBFNNI用于對(duì)控制對(duì)象建模辨識(shí)；神經(jīng)網(wǎng)絡(luò)BPNNC用于PID控制參數(shù)的在線整定。根據(jù)現(xiàn)場(chǎng)采集的輸入輸出數(shù)據(jù)，采用RBF神經(jīng)網(wǎng)絡(luò)，利用最近鄰聚類的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，實(shí)現(xiàn)模型的在線辨識(shí)。將對(duì)象得到的Jacobian陣應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)整。神經(jīng)網(wǎng)絡(luò)NNC為BP神經(jīng)網(wǎng)絡(luò)控制，根據(jù)系統(tǒng)調(diào)節(jié)PID控制器的參數(shù)，對(duì)Kp,Ki,Kd（分別為比例、積分、微分系數(shù)）在線整定。這種算法可較好地解決模型時(shí)變系統(tǒng)的控制問(wèn)題。

2.1最近鄰聚類學(xué)習(xí)算法訓(xùn)練的RBF網(wǎng)絡(luò)辨識(shí)器

RBF網(wǎng)絡(luò)中心由最近鄰聚類學(xué)習(xí)算法選取，高斯函數(shù)的半徑由聚類半徑確定，隱含層到輸出層的權(quán)值由每個(gè)輸出向量的算術(shù)平均值確定。最近鄰聚類算法流程如圖3。

圖3　最近鄰聚類算法流程Fig.3 Flow chart of nearest neighbor clustering algorithm processes

確定一合適聚類半徑r，半徑修正步長(zhǎng)h和誤差閾值Et，定義A（m）用于存放屬于各類的輸出之和，計(jì)數(shù)器B（m）統(tǒng)計(jì)各類樣本個(gè)數(shù)，ω（i）為隱含層到輸出層權(quán)值（i=1，層到m），m為類數(shù)。（ci,di）為第i個(gè)類的中心。對(duì)第一對(duì)數(shù)據(jù)（x1,y1），令c1=x1，d1=y1，A（1）=y1，B（1）=1。ω（1）=A（1）/B（1）。第二對(duì)數(shù)據(jù)（x2,y2），求出x2到c1的距離。若d＜r，則c1為 x2的最近鄰聚類，令 A（1）=y1+y2，B（1）=2，ω（2）=A（2）/B（2）；若d≥r，（c2,d2）作為一個(gè)新的聚類中心，并令c2=x2，d2=y2，A（2）=y2，B（2）=1，ω（2）= A（2）/B（2）。

第i個(gè)樣本數(shù)據(jù)對(duì)（xi,yi）時(shí)，假設(shè)有m個(gè)聚類中心，利用下式求出（xi,yi）到m個(gè)聚類中心距離

設(shè)n=k時(shí)為這些距離的最小值，即（ck,dk）為（xi,yi）的最近鄰聚類，那么：若H（k）＞r，則（xi,yi）作為一個(gè)新的聚類中心，m=m+1，cm=xi，dm=yi，A（m）=yi，B（m）=1，對(duì)前一個(gè)m-1個(gè)類的A（i）和B（i）值保持不變，建立的RBF網(wǎng)絡(luò)再添加第m個(gè)隱層單元；若H（k）≤r，A（k）=A（k）+yi，B（k）=B（k）+1，保持A（i）和B（i）值不變，ω（i）=A（i）/B（i）。

RBF網(wǎng)絡(luò)輸出為

性能誤差指標(biāo)

當(dāng)E＜Et，否則用r=r-h修正聚類半徑，返回計(jì)算。由此得到Jacobian陣為

式中：ω（i）T為隱含層到輸出層權(quán)值；ci為第i節(jié)點(diǎn)的中心；ri為第i節(jié)點(diǎn)的基寬度；hi為第i節(jié)點(diǎn)徑向基函數(shù)的輸出；X=［x1,x2,…,xi］通過(guò)訓(xùn)練能夠使RBF網(wǎng)絡(luò)任意逼近被控對(duì)象的模型。將不同的設(shè)定信號(hào)u輸出給未知對(duì)象，獲得相應(yīng)的輸出y，u和y來(lái)訓(xùn)練下一個(gè)神經(jīng)網(wǎng)絡(luò)，以u(píng)（k），u（k-1），y（k），作為辨識(shí)網(wǎng)絡(luò)輸入，對(duì)應(yīng)的網(wǎng)絡(luò)輸出為y?，誤差y（k）-y?為網(wǎng)絡(luò)訓(xùn)練的指標(biāo)函數(shù)。

2.2基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器參數(shù)自整定

BP神經(jīng)網(wǎng)絡(luò)通過(guò)調(diào)整自身權(quán)系數(shù)對(duì)PID控制參數(shù)進(jìn)行調(diào)節(jié)，增量式PID控制算法的離散形式為

式中：e（k）為當(dāng)前采樣時(shí)刻的希望輸出與實(shí)際輸出之差，即e（k）=r（k）-y（k）；u（k）為當(dāng)前采樣時(shí)刻的控制量。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層。輸入層神經(jīng)元讀取初冷器前吸力設(shè)定值、當(dāng)前初冷器前吸力及吸力的偏差，然后傳遞到隱含層進(jìn)行前向運(yùn)算，通過(guò)加權(quán)處理后傳遞到輸出層輸出數(shù)據(jù)。輸入層標(biāo)號(hào)a，隱含層標(biāo)號(hào)b，輸出層標(biāo)號(hào)q。上角標(biāo)（1），（2），（3）分別為輸入層、隱含層、輸出層。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4。

圖4　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 BPneural network structure

輸出層權(quán)系數(shù)調(diào)整量

則導(dǎo)出輸出層權(quán)系數(shù)的調(diào)整量為［10-11］

1）初始化網(wǎng)絡(luò)的權(quán)值和其他參數(shù)；

2）確定RBF辨識(shí)網(wǎng)絡(luò)結(jié)構(gòu)為三輸入單輸出網(wǎng)絡(luò)，輸入為u（k），u（k-1），y（k），輸出為y?。利用最小鄰聚類算法選取聚類數(shù)即隱含層的個(gè)數(shù)，通過(guò)聚類樣本和聚類輸出，得到隱含層到輸出層的權(quán)值及Jacobian陣信息；

3）確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四輸入三輸出，選定輸入層節(jié)點(diǎn)為x=［u（k），y（k），e（k），1］，輸出為Kp，Ki，Kd，計(jì)算PID控制器的輸出u（k）；

4）用最小鄰聚類修正RBF辨識(shí)網(wǎng)絡(luò)的輸出權(quán)系數(shù)，隱含層中心矢量，隱含層節(jié)點(diǎn)寬度；用式（12）～（15）修正BP網(wǎng)絡(luò)權(quán)系數(shù)；

5）令k=k+1，返回步驟1），繼續(xù)進(jìn)行。

利用上述算法將神經(jīng)網(wǎng)絡(luò)與PID控制相結(jié)合，RBF網(wǎng)絡(luò)辨識(shí)系統(tǒng)在線辨識(shí)鼓風(fēng)機(jī)調(diào)速系統(tǒng)的模型，用BP神經(jīng)網(wǎng)絡(luò)整定PID參數(shù)，不依賴于被控對(duì)象的數(shù)學(xué)模型，在線實(shí)時(shí)辨識(shí)系統(tǒng)模型并在線修改PID的參數(shù)值。

3　仿真結(jié)果與分析

模擬焦?fàn)t冷鼓系統(tǒng)在正常工況、檢修工況及非正常工況等3種條件下工作，仿真時(shí)間t在0～50 s范圍為焦?fàn)t冷鼓系統(tǒng)檢修工況條件，初冷器前吸力的設(shè)定值應(yīng)為-1.0 kPa，即參考輸入r（k）=-1；當(dāng)t在50～100 s范圍為焦?fàn)t冷鼓系統(tǒng)的正常工況條件，初冷器前吸力的設(shè)定值應(yīng)為-1.2 kPa，即r（k）=-1.2；當(dāng)t在100～150 s范圍為焦?fàn)t冷鼓系統(tǒng)非正常工況條件，初冷器前吸力的設(shè)定值應(yīng)為-1.4 kPa，即參考輸入r（k）=-1.4。不同工況條件下，被控對(duì)象的模型結(jié)構(gòu)和模型系數(shù)均發(fā)生變化，根據(jù)工況條件的數(shù)據(jù)，分別辨識(shí)出不同工況條件焦?fàn)t冷鼓系統(tǒng)控制器的參數(shù)模型，將動(dòng)態(tài)觀測(cè)控制對(duì)象的Jacobian陣信息應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)自身權(quán)系數(shù)的調(diào)整，對(duì)PID控制參數(shù)進(jìn)行調(diào)節(jié)。選取參數(shù)η=0.2，通過(guò)MATLAB進(jìn)行仿真，結(jié)果如圖5。

焦?fàn)t鼓冷系統(tǒng)原常規(guī)PID控制吸力輸出曲線如圖5（a），基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)PID控制吸力輸出曲線如圖5（b）。比較圖5可看出：原常規(guī)PID控制在系統(tǒng)受到擾動(dòng)后的超調(diào)時(shí)間長(zhǎng)，超調(diào)量大且系統(tǒng)易震蕩；自適應(yīng)PID控制系統(tǒng)具有較強(qiáng)的克服擾動(dòng)和擾動(dòng)結(jié)束后抑制震蕩迅速恢復(fù)平穩(wěn)過(guò)程的能力，模型跟蹤精確，在設(shè)定值切換時(shí)只有微小波動(dòng)，控制效果較好。采用基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)PID控制策略應(yīng)用于焦?fàn)t冷鼓系統(tǒng)，當(dāng)工況發(fā)生改變，自適應(yīng)PID控制器能及時(shí)地對(duì)比例、積分、微分參數(shù)作出快速調(diào)節(jié)，從而快速抑制干擾，穩(wěn)定初冷器前吸力。由此表明，采用基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)PID控制方法實(shí)現(xiàn)了焦?fàn)t冷鼓系統(tǒng)的穩(wěn)定控制，較好地滿足了工藝要求。

圖5　焦?fàn)t冷鼓系統(tǒng)吸力輸出曲線Fig.5 Output curves of coke drum cooling system

4　結(jié)　論

將神經(jīng)網(wǎng)絡(luò)非線性自適應(yīng)PID控制方法應(yīng)用于焦?fàn)t冷鼓系統(tǒng)，針對(duì)焦?fàn)t不同工況條件和冷鼓系統(tǒng)被控對(duì)象復(fù)雜的情況，采用RBF網(wǎng)絡(luò)辨識(shí)建模，BP神經(jīng)網(wǎng)絡(luò)整定PID參數(shù)，可提高冷鼓系統(tǒng)的輸出跟蹤精度和自適應(yīng)能力。仿真結(jié)果表明：在初冷器前吸力出現(xiàn)工況改變的情況下，自適應(yīng)PID控制器能及時(shí)地對(duì)比例、微分、積分參數(shù)作出快速調(diào)節(jié)，從而實(shí)現(xiàn)快速穩(wěn)定初冷器前吸力的目的。該智能控方案滿足初冷器前吸力控制的實(shí)際輸出值與輸入值之間的靜態(tài)指標(biāo)要求，且具有良好的動(dòng)態(tài)性能。

［1］何建平，李輝.煉焦化學(xué)產(chǎn)品回收技術(shù)［M］.北京：冶金工業(yè)出版社，2006：11-23.

［2］王學(xué)武，顧幸生，譚得健.焦?fàn)t集氣管壓力的復(fù)合控制［J］.化工自動(dòng)化及儀表，2004，31（6）：18-21.

［3］王敬志，任開春，胡斌.基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制［J］.工業(yè)控制計(jì)算機(jī)，2011，3（3）：72-73.

［4］歐艷華.基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器設(shè)計(jì)［J］.機(jī)械設(shè)計(jì)與制造，2014，6（6）：263-265.

［5］張世峰，金科，馮強(qiáng).焦?fàn)t鼓冷系統(tǒng)建模與GPC控制器設(shè)計(jì)［J］.燃料與化工，2014，3（1）：57-60.

［6］李鵬.基于現(xiàn)場(chǎng)總線的電弧爐控制系統(tǒng)設(shè)計(jì)與研究［D］.馬鞍山：安徽工業(yè)大學(xué)，2008：48-62.

［7］盛飛.多層RBF網(wǎng)絡(luò)的自適應(yīng)遺傳算法及其在實(shí)函數(shù)逼近中的應(yīng)用［J］.安徽工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，2（4）：192-196.

［8］喬俊飛，韓紅桂.RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)動(dòng)態(tài)優(yōu)化設(shè)計(jì)［J］.自動(dòng)化學(xué)報(bào)，2010，36（6）：865-872.

［9］WANG Y N.A neural network adaptive control based on rapid learning method and application［J］.Int J Advancesin Modelling& AnalysisAMSEPress，1994，43（4）：23-28.

［10］劉金琨.先進(jìn)PID控制MATLAB仿真［M］.3版.北京：電子工業(yè)出版社，2011：301-319.

［11］周黃斌，周永華，朱麗娟.基于MATLAB的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)與比較［J］.計(jì)算技術(shù)與自動(dòng)化，2008，5（1）：28-31.

［12］張世峰，左慧敏.焦?fàn)t集氣管壓力系統(tǒng)內(nèi)?？刂破髟O(shè)計(jì)［J］.安徽工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，4（3）：395-399.

責(zé)任編輯：何莉

Design ofAdaptive PID Controller for Coke Oven Cooling Blower Drum System

GUAN Huimin，ZHANG Shifeng，DONG Xin，XU Sichang
（School of Electrical and Information Engineering，Anhui University of Technology，Ma'anshan 243032，China）

Steady state of coke oven cooling blower system directly affects process parameters of coking production.According to three different conditions（normal operating conditions，maintenance insulation conditions，abnormal conditions）on site，the nearest neighbor clustering algorithm was employed to train RBF neural network identification，and the simulation models of coke oven cooling blower system and its control system were established，the identified Jacobian information was used for BP neural network to tune PID parameters，and self-tuning PID control under different conditions was implemented.Simulation results show that with the established model and its control system the primary cooler anterior suction of cooling blower system can be controlled within a certain range quickly and effectively，with high control accuracy and good stability，which can ensure the stable operation of different condition，and its adaptability has a certain validity in stabilizing the production process parameters.

coke oven cooling blower system；nearest neighbor clustering algorithm；RBF neural network；BP neural network；adaptive PID

TP229

Adoi：10.3969/j.issn.1671-7872.2016.02.010

1671-7872（2016）02-0142-06

2015-10-19

安徽省教育廳自然科學(xué)研究項(xiàng)目（KJ2008B104）

關(guān)慧敏（1991-），女，安徽蕪湖人，碩士生，主要研究方向?yàn)榭刂评碚撆c應(yīng)用，計(jì)算機(jī)控制技術(shù)。

張世峰（1959-），男，安徽馬鞍山人，教授，主要研究方向?yàn)楣I(yè)生產(chǎn)過(guò)程控制，控制理論及應(yīng)用。