基于迭代學習的硅錳爐自動配料系統(tǒng)研究

邢樂　柴榮霞　黨蒙

摘 要 硅錳爐自動配料系統(tǒng)屬于一種特殊的計量監(jiān)控系統(tǒng)，其原理是結合將配料工藝與配方比例相結合，從而在此基礎上展開動態(tài)定量稱重。然而在進行配料時，由于空中余量的存在，必然會導致稱量誤差的出現(xiàn)，從而影響配料的精度，本文根據(jù)物料稱量過程，提出了配料過程的迭代自學習稱量反饋控制系統(tǒng)圖；這種迭代學習控制算法能夠?qū)崿F(xiàn)對稱量系統(tǒng)的精準控制，同時也通過實驗對這一算法進行了檢驗。結果表明該算法對提高硅錳爐配料系統(tǒng)的精度有較好的作用。

關鍵詞 空中余量 迭代學習控制 配料系統(tǒng)

中圖分類號：TP273 文獻標識碼：A DOI：10.16400/j.cnki.kjdks.2017.07.012

Study on Manganese Furnace Automatic Batching System Based on Iterative Learning

XING Le， CAO Rongxia， DANG Meng

（Xian University of Science and Technology， Xian， Shaanxi 710054）

Abstract Guimeng furnace automatic batching system belongs to a special measuring and monitoring system， its principle is combining the batching process and formula of proportional combination， and on the basis of dynamic quantitative weighing. However， in the ingredients， because the air margin exists， will inevitably lead to the emergence of the weighing error， thus affecting the accuracy of the batching， according to weighing process， put forward the self-learning control system diagram weighing feedback iterative blending process； the iterative learning control algorithm to achieve the precise control of the weighing system， but also through the experimental results verify the effectiveness of the algorithm. The results show that the algorithm has a good effect on improving the accuracy of silicomanganese furnace proportioning system.

Keywords air margin； iterative learning control； batching system

配料精度和配料速度是衡量配料系統(tǒng)好壞的主要指標，在配料過程中，由于機械結構，空中余料，以及惡劣的現(xiàn)場環(huán)境和外界干擾，會產(chǎn)生一定的配料稱量誤差，而對配料精度起最大影響作用的因素為空中余料。

所謂空中余料，即在對配料進行稱量操作時，當停止給料機的運行后，滯留于空中并未進入料斗秤的余料被稱之為空中余料。對于空中余料的影響，現(xiàn)在主要依靠積累的經(jīng)驗，由操作人員進行調(diào)節(jié)。能否減小空中余料的影響，降低配料誤差，直接關系到配料精度能否得到改善。使用硅錳爐進行配料的過程是連續(xù)不間斷的且多相共存的操作，因此只有科學有效地對空中余料進行控制，才能達到較高的配料精度，而有效實現(xiàn)空中余料的控制，以采用先進的控制算法進行改善，本文采用迭代算法來提高配料精度。

1 迭代學習算法原理

迭代學習控制（ Iterative Learning Control），簡稱為ILC，屬于智能系統(tǒng)控制的一種，同時其能夠使用數(shù)學進行準確的描述。通過進行多次系統(tǒng)訓練，積存了無數(shù)的數(shù)據(jù)，利用這些數(shù)據(jù)對不斷修正系統(tǒng)中存在的不確定性因子，具體說來，就是通過計算系統(tǒng)的目標輸出與實際輸出之間存在的誤差，以此來改進舊的控制信號，從而形成準確率更高的控制信號，這樣有利于被控信號更接近期望值，同時也有利于系統(tǒng)跟蹤功能的提升。

迭代學習控制算法遵循的規(guī)律可用下式表示：

其中：xk，yk和uk表征的是系統(tǒng)進行k次運行后，對應的相關狀態(tài)量。

隨著次數(shù)k的不斷增加，若在[0，T]的范圍內(nèi)ek（t）也在以一定的速度不斷趨向于零，那么認為該迭代學習控制處于收斂狀態(tài)。也可解釋為，在[0，T]的時間范圍內(nèi)，相對于yk（t），對應的uk（t）在響應方面得到了很大的提升。由此可見，通過多次的迭代學習控制后，系統(tǒng)輸出的信號將會越來越接近理想信號的運動。同時其對數(shù)學模型的精確度要求并不高，即使是處理不確定因子極高的時滯非線性系統(tǒng)也只需要通過極為簡便的方法。

能夠在迭代范圍內(nèi)系統(tǒng)進行學習和控制是迭代控制算法的主要特色，針對這一特點，這種算法更適用于處理高精度控制的問題，如建模難、強耦合、重復性運動以及強非線性等。

2 配料系統(tǒng)中迭代學習算法控制

2.1 稱量過程控制策略

根據(jù)稱量配料的數(shù)學模型算式，可以知道該模型是一個非線性的不確定性模型，傳統(tǒng)方法難以對其實現(xiàn)控制，因此我們根據(jù)圖1，圖2，對配料控制過程做進一步詳細分析。

上述給料過程物料時刻分布圖可解釋為，啟動系統(tǒng)后的t開時刻，進料隨之開始，物料于t0時刻開始進入料斗秤，直到t關時刻系統(tǒng)停止運行，進料也隨之停止，而空中余料都進入料斗秤中的時間為t1時刻。因為配料時存在一定的滯留時間，所以可將系統(tǒng)停止運行的時間提前，此時空中仍有一定的物料存在，當空中余料悉數(shù)進入料斗秤時，這兩部分物料加起來的重量即為物料的總重量，當總重量與期望重量值的偏差在允許的閾值內(nèi)，即認為符合配料精度的要求。即：Gz=Gg+Gu=（G-u）+sH（t）=（G-u）+s[H-h（t）]=（G-u）+s[H-k（G-u）]=sH+（1-sk）G+（sk-1）u （2）

從上述公式中可以看出物料總量是與提前停止量有關的函數(shù)，和表征的是料斗倉、物料性質(zhì)有關的參數(shù)，因此，可將最終料斗內(nèi)所盛物料的總重量視作其總的輸出量，而將和等視作整個料斗系統(tǒng)的特定參數(shù)，提前停止量視作為主要的控制措施，以目標重量值與實際重量之間的差值作為一種表征，并以此來對提前停止量進行修正，以構造一個閉環(huán)反饋控制系統(tǒng)模型。如圖3所示。

2.2 稱量過程的控制方法

以迭代學習控制算法的理論作為指導，配料時在（t0-t1）的時間范圍內(nèi)，首先確定一個輸入控制量u（t）和目標重量曲線yd（t），目的是確保最終的物料重量yk（t）通過這一控制手段落在確定的誤差閾內(nèi)，無限接近yd（t）。

假設輸入控制量為提前停止量u，并設M=U0，為輸入控制量的初始值，M落在（0，G）的范圍內(nèi)。

假設經(jīng)過k次配料后，對應的提前給料量為Uk，最終的配料重量用Wk表示，確定的目標配料量用G表示，那么k次配料后允許的誤差ek可用下式表示： （3）

則第K+1次配料提前停止量為： （4）

在一次次的迭代訓練中，當計算得到的e k>0時，稱之為正向迭代，得到的迭代結果UK不斷增大，而當?shù)玫降膃 k<0時，則稱之為負向迭代，得到的迭代結果為UK不斷減小。

若提前給料量屬于正向迭代的情況下，UK也隨之不斷增加，此時需要進行驗證，確保UK落在（0，G）的范圍內(nèi)。

所以，e k （0） = 0 （即k →∞ ）是多次進行迭代訓練符合的基本條件，隨著迭代次數(shù)的增加，最終的輸出量也在不斷趨近于目標配料量，用公式表示為|e k |→JG，其中 J表征的是要求的配料精度。

基于此，下一次進行配料時便可依據(jù)之前通過修正后的提前給料停止量來確定系統(tǒng)停止運行的時間。經(jīng)過多次的迭代訓練之后，停止給料量也得到了不斷的修正，使得最終的配料重量更加接近設定的目標重量值。

3 配料系統(tǒng)實驗結果與分析

依據(jù)公式（2），利用VB軟件，寫出迭代學習對應的程序，配料趨近與目標重量的軌跡的迭代速度主要有系統(tǒng)的幾個固定參數(shù)決定，包括迭代因子q、物料密度、料倉橫截面積s以及落差高度h。而其中料倉的橫截面積s是確定的，因此只需改變迭代因子和落差高度對同一物料稱量4次，分別得到h=1.8m，q=0.8； h=1.8m，q=0.6； h=1.8m，q=0.4；h=3.2m，q=0.6四組實測數(shù)據(jù)，結果如圖4所示。

根據(jù)實驗數(shù)據(jù)可以看出：上述進行稱重的原料為沙子，選擇沙子為原料的原因在于沙子具有良好的流動性且密度均勻，這就意味著其具有穩(wěn)定的稱重精度，硅錳爐配料的成分主要以焦炭、白云石、輔料和鐵礦石等為主，這些物料表面積較大且不易流動，同時輔料較為粘稠，配料過程屬于粗放型的，上述特征導致了不穩(wěn)定的配料過程，使得迭代訓練進展較慢，誤差水平達到了1.42%以上，不過仍滿足了5%的配料精度要求。

4 結論

在落差高度h一定的條件下，自動配料系統(tǒng)的學習速度隨著迭代學習因子q的增大而變快，對應的配料精度也得以提升。當落差高度h變化時，系統(tǒng)受到不確定因素的干擾，配料過程主要與物料的密度有關，隨著落差高度的增加，自動配料系統(tǒng)的不穩(wěn)定性也逐漸增強。

參考文獻

[1] 劉庚.硅錳爐自動配料系統(tǒng)研制[D].西安：西安科技大學，2012.

[2] 謝勝利，田森平，謝振東.迭代學習控制的理論與應用[M].北京：科學出版社，2005：1.

[3] 季利偉.迭代自學習動態(tài)稱量配料方法及其在混凝土攪拌系統(tǒng)中的應用[D].浙江：浙江大學，2001.

[4] 石斐，張民，宋曉峰.迭代學習控制算法在稱重配料系統(tǒng)的應用[J].機電技術，2014（6）：47-50.