基于RBF神經(jīng)網(wǎng)絡(luò)整定的熱風(fēng)爐溫控系統(tǒng)設(shè)計(jì)

張子蒙 章家?guī)r 馮旭剛

摘 要：為了提高熱風(fēng)爐的燃燒效率，改善熱風(fēng)爐溫控系統(tǒng)的自動(dòng)化程度，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制策略。首先，通過(guò)RBF神經(jīng)網(wǎng)絡(luò)算法和增量式PID控制器的結(jié)合，將神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自學(xué)習(xí)能力應(yīng)用于對(duì)增量式PID參數(shù)的調(diào)整。然后，在常規(guī)熱風(fēng)爐溫控系統(tǒng)的基礎(chǔ)上，將其外環(huán)改為采用RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制。熱風(fēng)爐溫控系統(tǒng)中內(nèi)環(huán)以煤氣閥門(mén)開(kāi)度為變量，外環(huán)以拱頂溫度為控制變量，通過(guò)改進(jìn)的串級(jí)控制來(lái)實(shí)現(xiàn)熱風(fēng)爐的燃燒優(yōu)化調(diào)整。 Matlab仿真分析和實(shí)際應(yīng)用效果表明，RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制曲線(xiàn)幾乎無(wú)超調(diào)量，系統(tǒng)抗干擾能力相對(duì)傳統(tǒng)的PID控制提高了50%。與傳統(tǒng)的手動(dòng)控制相比，所提出的控制策略使得原系統(tǒng)的抑制干擾能力明顯增強(qiáng)、魯棒性更好，在熱風(fēng)爐溫控方面具有良好的研究和應(yīng)用價(jià)值。

關(guān)鍵詞：控制系統(tǒng)仿真技術(shù);熱風(fēng)爐;溫度控制;RBF神經(jīng)網(wǎng)絡(luò);PID增量控制;常規(guī)PID控制

中圖分類(lèi)號(hào)：TP278 ? 文獻(xiàn)標(biāo)志碼：A ? doi：10.7535/hbkd.2019yx06007

Abstract： In order to improve the combustion efficiency of the hot blast stove and improve the automation degree of the hot blast stove temperature control system， a PID control strategy based on RBF neural network tuning is proposed. First， through the combination of the RBF neural network algorithm and the incremental PID controller， the powerful self-learning ability of the neural network is used to adjust the parameters of the incremental PID. Then， based on the conventional hot-blast stove temperature control system， the outer loop was changed to PID control using RBF neural network tuning. In the hot-blast furnace temperature control system， the inner ring takes the opening degree of the gas valve as a variable， and the outer ring takes the dome temperature as a control variable. The improved cascade control is used to optimize the combustion of the hot-blast stove. Matlab simulation analysis and practical application results show that the PID control curve set by the RBF neural network has almost no overshoot， and the anti-interference ability of the system is increased by 50% compared with the traditional PID control. Compared with the traditional manual control， the proposed control strategy makes the original system's ability to suppress interference significantly stronger and more robust. It has good research and application value in hot air furnace temperature control.

Keywords：control system simulation technology; hot blast stove; temperature control; RBF neural network; PID incremental control; conventional PID control

熱風(fēng)爐是高爐冶煉的重要輔助設(shè)備，主要作用是將煤氣燃燒所產(chǎn)生的熱量傳遞到高爐鼓風(fēng)[1-3]。在燃燒初期，熱風(fēng)爐通過(guò)煤氣量和空氣量的合理匹配實(shí)現(xiàn)快速加熱，從而使拱頂溫度迅速達(dá)到預(yù)先設(shè)定值。因此，在熱風(fēng)爐向高爐送風(fēng)過(guò)程中對(duì)送風(fēng)時(shí)間和送風(fēng)溫度的控制非常重要。為確保達(dá)到最佳燃燒效率，必須合理送風(fēng)，使熱風(fēng)爐充分蓄熱，最大限度地減少能源在傳輸過(guò)程中的損耗，從而滿(mǎn)足煉鋼企業(yè)對(duì)節(jié)能降耗、最佳經(jīng)濟(jì)效益和社會(huì)效益的要求[4-5]。

在控制方面，傳統(tǒng)的自動(dòng)化設(shè)計(jì)是在被控對(duì)象準(zhǔn)確的數(shù)學(xué)模型的基礎(chǔ)上建立起來(lái)的，但熱風(fēng)爐的燃燒過(guò)程是一個(gè)復(fù)雜的熱交換過(guò)程，有著非線(xiàn)性、大時(shí)滯、不確定性等特點(diǎn)，要想建立一個(gè)與其系統(tǒng)性能相匹配的數(shù)學(xué)模型是相當(dāng)困難的[6-7]。國(guó)際上已經(jīng)出現(xiàn)了實(shí)現(xiàn)燃燒優(yōu)化的數(shù)學(xué)模型，最具代表性的有日本川崎公司針對(duì)拱頂溫度和廢氣溫度建立的熱風(fēng)爐優(yōu)化控制數(shù)學(xué)模型[8]，以及Siemens公司在保證熱風(fēng)爐安全運(yùn)行的基礎(chǔ)上依據(jù)“熱平衡關(guān)系”建立的熱流計(jì)模型[9]，這些模型對(duì)被控對(duì)象的參數(shù)選取、測(cè)量精度的要求都比較高，而且價(jià)格不菲，給鋼鐵企業(yè)帶來(lái)巨大的經(jīng)濟(jì)壓力，因此很難在工程實(shí)際中得到廣泛應(yīng)用。針對(duì)熱風(fēng)爐溫度控制系統(tǒng)本身的特性，筆者提出一種將RBF神經(jīng)網(wǎng)絡(luò)與常規(guī)PID控制器相結(jié)合的控制策略，相比常規(guī)的單一PID控制器[10-12]，它可以使原系統(tǒng)具備較強(qiáng)的自適應(yīng)能力和強(qiáng)魯棒性，系統(tǒng)性能得到了明顯提升。

1 主工藝控制流程

1.1 熱風(fēng)爐的工作流程

熱風(fēng)爐的工作流程如圖1所示，它由4個(gè)部分組成：首先由燃燒經(jīng)換爐到燜爐部分，然后由燜爐經(jīng)換爐到送風(fēng)部分，接著由送風(fēng)經(jīng)換爐到燜爐部分，最后由燜爐經(jīng)換爐到燃燒部分。這4個(gè)工作部分構(gòu)成1個(gè)周期，循環(huán)運(yùn)行[13]。各個(gè)部分之間都是通過(guò)機(jī)械閥門(mén)控制的，而閥門(mén)本身都有一定的機(jī)械慣性，并不能夠立即完成開(kāi)/關(guān)指令，因此在完成指定動(dòng)作期間肯定存在一定的時(shí)間差，在工程上將這個(gè)過(guò)渡過(guò)程稱(chēng)為換爐狀態(tài)[4]。由于熱風(fēng)爐在換爐期間會(huì)受到冷風(fēng)的影響，使得熱風(fēng)的壓力和流量發(fā)生改變，不能穩(wěn)定地向高爐供應(yīng)同品質(zhì)的熱風(fēng)，因此熱風(fēng)爐在換爐期間要通過(guò)冷風(fēng)進(jìn)行均壓處理。均壓的方法一般有2種，分別為常規(guī)均壓和廢氣均壓，在實(shí)際生產(chǎn)中大多采用后者，不僅可以有效降低廢氣的排放，起到保護(hù)環(huán)境、節(jié)能減排的作用，還可以將冷風(fēng)對(duì)熱風(fēng)爐的影響降到最低，保證熱風(fēng)爐向高爐供應(yīng)同品質(zhì)的熱風(fēng)。

1.2 熱風(fēng)爐的工藝流程

熱風(fēng)爐的工藝流程如下。1）在燃燒狀態(tài)時(shí)，煤氣支管內(nèi)的混合煤氣和空氣支管內(nèi)的助燃空氣經(jīng)過(guò)合理配比后充分燃燒，并在蓄熱室內(nèi)產(chǎn)生大量的高溫?zé)煔?，高溫?zé)煔庖暂椛浜蛯?duì)流的方式將所攜帶的大量能量傳遞給爐內(nèi)的耐火材料[14]。之后，通過(guò)操作閥門(mén)指令使熱風(fēng)爐從燃燒狀態(tài)經(jīng)換爐切換到燜爐狀態(tài)。2）大量冷風(fēng)吸收耐火材料表面和內(nèi)部的能量后，溫度快速上升形成熱風(fēng)，當(dāng)熱風(fēng)溫度達(dá)到設(shè)定值時(shí)，相應(yīng)的閥門(mén)動(dòng)作使得熱風(fēng)爐由燜爐狀態(tài)經(jīng)換爐切換到送風(fēng)狀態(tài)，從而將上千度的熱風(fēng)送入高爐本體，確保后序工藝的需要。3）隨著熱風(fēng)能量在傳遞中逐漸損耗，溫度逐漸下降至下限值，此時(shí)相關(guān)閥門(mén)動(dòng)作，將熱風(fēng)爐由送風(fēng)狀態(tài)經(jīng)換爐切換到燜爐狀態(tài)并排除廢氣。4）最后，閥門(mén)動(dòng)作使熱風(fēng)爐由燜爐狀態(tài)經(jīng)換爐切換到燃燒狀態(tài)。這樣，熱風(fēng)爐就完成了一個(gè)周期的運(yùn)轉(zhuǎn)，再重復(fù)上述過(guò)程，反復(fù)循環(huán)運(yùn)行。

2 控制機(jī)理

2.1 經(jīng)典的PID控制器

經(jīng)典的PID控制器主要由2個(gè)部分組成，分為PID控制器和被控對(duì)象，控制的核心問(wèn)題在于對(duì)PID控制器的比例kP、積分kI、微分kD這3個(gè)參數(shù)的在線(xiàn)整定。經(jīng)典的數(shù)字PID控制系統(tǒng)可分為位置式PID、增量式PID、速度式PID。由于位置式PID控制器的輸出與過(guò)去的狀態(tài)有關(guān)，造成計(jì)算機(jī)的計(jì)算量太大，若計(jì)算機(jī)出現(xiàn)故障還會(huì)導(dǎo)致輸出發(fā)生大幅度的變化，不利于工程實(shí)際的應(yīng)用。增量式算法與位置式算法本質(zhì)上沒(méi)有太大的區(qū)別，增量式PID只是對(duì)位置式PID取增量，卻有效降低了計(jì)算量，在工程中得到了廣泛應(yīng)用。

3 仿真分析及應(yīng)用

3.1 仿真分析

在工程實(shí)際中，由于熱風(fēng)爐溫控系統(tǒng)會(huì)受到來(lái)自外界諸多因素的影響，很難建立準(zhǔn)確的數(shù)學(xué)模型用于理論分析。考慮到熱風(fēng)爐溫度控制系統(tǒng)本身的特性，采用慣性與延時(shí)環(huán)節(jié)建立理論分析模型，具體如下：GZ（s）=KnTn s+1e-Tit=1100s+1 e-80t ， （16）式中：Kn為放大系數(shù)，取值為1;Tn為時(shí)間常數(shù)，取值為100;Ti為滯后時(shí)間常數(shù)，取值為80。

工程實(shí)際應(yīng)用中，拱頂溫度一般為1 240～1 270 ℃，為了便于分析和更接近工程實(shí)際情況，將階躍響應(yīng)輸出值設(shè)置為1 200，然后利用Matlab仿真工具對(duì)RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制和常規(guī)PID控制進(jìn)行對(duì)比分析。仿真結(jié)果如圖5所示，在常規(guī)PID控制中，設(shè)kP=2.6 s，kI=18 s，kD=5 s。從圖5中可以清晰地發(fā)現(xiàn)，曲線(xiàn)的超調(diào)量為20.57%，系統(tǒng)在41.9 s后達(dá)到穩(wěn)定;基于RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制系統(tǒng)幾乎無(wú)超調(diào)量，采樣周期為1 s，17.4 s后系統(tǒng)達(dá)到穩(wěn)定，即調(diào)節(jié)時(shí)間為17.4 s。因此，基于RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制系統(tǒng)相對(duì)常規(guī)PID控制，調(diào)節(jié)時(shí)間更短，穩(wěn)態(tài)誤差更小，系統(tǒng)無(wú)超調(diào)。

2個(gè)控制系統(tǒng)達(dá)到穩(wěn)定運(yùn)行后，在45 s處加上一個(gè)正向階躍擾動(dòng)，并在75 s處加上一個(gè)大小相同、方向相反的階躍擾動(dòng)。仿真曲線(xiàn)如圖6所示，從曲線(xiàn)中可以看出，在干擾來(lái)臨時(shí)，常規(guī)PID控制系統(tǒng)產(chǎn)生的超調(diào)量是RBF神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的2倍，而且常規(guī)PID控制系統(tǒng)在12.8 s才達(dá)到穩(wěn)定，RBF神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)在8.3 s就已進(jìn)入新穩(wěn)態(tài)，顯然RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制系統(tǒng)的抗干擾能力更強(qiáng)。

3.2 現(xiàn)場(chǎng)實(shí)際應(yīng)用

為驗(yàn)證設(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制系統(tǒng)的有效性，將該設(shè)計(jì)在某熱電總廠(chǎng)熱風(fēng)爐溫控系統(tǒng)中進(jìn)行試用。該廠(chǎng)采用浙大中控DCS作為控制系統(tǒng)，在不改變?cè)到y(tǒng)的工藝結(jié)構(gòu)和硬件設(shè)置的前提下，通過(guò)優(yōu)化算法實(shí)現(xiàn)熱風(fēng)爐的自動(dòng)化控制，并采用工業(yè)組態(tài)軟件設(shè)計(jì)監(jiān)控畫(huà)面，實(shí)現(xiàn)對(duì)熱風(fēng)爐工藝流程和重要參數(shù)的實(shí)時(shí)在線(xiàn)監(jiān)測(cè)。

針對(duì)熱電廠(chǎng)現(xiàn)場(chǎng)的需要，在工業(yè)組態(tài)軟件監(jiān)控系統(tǒng)下設(shè)計(jì)切換開(kāi)關(guān)，實(shí)現(xiàn)手動(dòng)燒爐與RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制（自動(dòng)燒爐）之間的自由切換。圖7為手動(dòng) PID控制趨勢(shì)圖，圖8為RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制趨勢(shì)圖。

從圖7中很容易發(fā)現(xiàn)，當(dāng)煤氣閥門(mén)穩(wěn)定在一定開(kāi)度時(shí)，煤氣流量和煤氣壓力之間一直存在較大的差值，隨著時(shí)間的推移，差距逐漸減小，但是系統(tǒng)調(diào)節(jié)的速度相對(duì)緩慢，在熱風(fēng)爐達(dá)到穩(wěn)定運(yùn)行時(shí)煤氣流量和煤氣壓力仍存在一定的差距;煙道溫度在拱頂溫度處于穩(wěn)定運(yùn)行前有較大波動(dòng)，波動(dòng)范圍在0.5 ℃左右;由于手動(dòng)燒爐受自身機(jī)械特性的影響，煤氣閥門(mén)開(kāi)度和空氣流量之間不能實(shí)現(xiàn)有效的動(dòng)態(tài)調(diào)節(jié)，從而使得熱風(fēng)爐不能在最佳空燃比狀態(tài)下運(yùn)行。通過(guò)采用RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制后，系統(tǒng)性能得到明顯的改善。從圖8中可以清晰地看到，在煤氣閥門(mén)的動(dòng)態(tài)調(diào)節(jié)下，煤氣流量和煤氣壓力之間十分接近，多次存在交叉的階段，有一段時(shí)間內(nèi)兩者還處于隨動(dòng)的狀態(tài)，使得煤氣的供應(yīng)一直處在穩(wěn)定狀態(tài)，保證熱風(fēng)爐在安全、穩(wěn)定的環(huán)境下運(yùn)行;并且，煙道溫度在拱頂溫度處于穩(wěn)定運(yùn)行前幾乎沒(méi)有波動(dòng)，曲線(xiàn)接近于一條平滑的直線(xiàn);由于采用了RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制，煤氣閥門(mén)開(kāi)度和空氣流量的調(diào)節(jié)達(dá)到了動(dòng)態(tài)平衡，使得熱風(fēng)爐一直在最佳空燃比狀態(tài)下運(yùn)行，滿(mǎn)足了鋼鐵企業(yè)對(duì)節(jié)能降耗、提高效率的要求。

從表1和表2能夠清楚地看到手動(dòng)燒爐與RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制對(duì)拱頂溫度影響的差異性。手動(dòng)燒爐時(shí)，拱頂溫度最大值為1 251 ℃，經(jīng)過(guò)數(shù)學(xué)處理可得，拱頂溫度的平均值在1 235.83 ℃，方差為125.3，顯然數(shù)據(jù)過(guò)于分散，且溫度未達(dá)到預(yù)先設(shè)定值。而從表2可以看出，在自動(dòng)燒爐情況下，拱頂溫度最大值為1 271 ℃，同樣經(jīng)過(guò)數(shù)學(xué)處理可得，拱頂溫度的平均值為1 263.5 ℃，方差為18.583，數(shù)據(jù)比較集中，波動(dòng)范圍較小且滿(mǎn)足設(shè)定值要求，即使在煤氣管網(wǎng)壓力產(chǎn)生外加干擾時(shí)，拱頂溫度也一直在設(shè)定值上下很小的范圍內(nèi)波動(dòng)，顯然RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制系統(tǒng)的抗干擾能力很強(qiáng)。

筆者采集了3組數(shù)據(jù)，從最大拱頂溫度、煤氣消耗量等角度來(lái)對(duì)比分析了手動(dòng)燒爐和自動(dòng)燒爐的效果，如表3所示。從表3可以看出，手動(dòng)燒爐的最大拱頂溫度始終低于自動(dòng)燒爐，兩者溫度相差15～21 ℃，顯然手動(dòng)燒爐時(shí)熱風(fēng)爐的燃燒狀態(tài)達(dá)不到最佳空燃比;自動(dòng)燒爐時(shí)的煤氣消耗量始終低于手動(dòng)燒爐5.55%～8.05%;在溫度降低大于3 ℃的次數(shù)及拱頂溫度最大波動(dòng)值方面，自動(dòng)燒爐也明顯優(yōu)越于手動(dòng)燒爐。因此，采用了RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制后，系統(tǒng)各個(gè)方面的指標(biāo)性能都有所提高，熱風(fēng)爐運(yùn)行得更加穩(wěn)定、高效。

4 結(jié) 語(yǔ)

針對(duì)熱風(fēng)爐拱頂溫度非線(xiàn)性、時(shí)變、大時(shí)滯的特點(diǎn)，采用了RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制系統(tǒng)。經(jīng)過(guò)Matlab仿真分析，驗(yàn)證了RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制系統(tǒng)相對(duì)于常規(guī)PID控制超調(diào)量得到了極大的提升，調(diào)節(jié)時(shí)間明顯加快，抗干擾能力顯著增強(qiáng)，充分體現(xiàn)了RBF神經(jīng)網(wǎng)絡(luò)整定的PID串級(jí)控制的有效性和可行性。該系統(tǒng)試運(yùn)行后發(fā)現(xiàn)，采用RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制的自動(dòng)調(diào)節(jié)系統(tǒng)在各個(gè)方面的性能指標(biāo)都明顯優(yōu)越于手動(dòng)燒爐控制，而且系統(tǒng)抑制干擾的能力明顯加強(qiáng)、魯棒性更好，使熱風(fēng)爐一直在最佳空燃比狀態(tài)下運(yùn)行，既節(jié)約了能源，又有效地降低了成本。

目前該系統(tǒng)只考慮了煤氣閥門(mén)開(kāi)度和拱頂溫度這2個(gè)參數(shù)的影響，對(duì)于其他因素（諸如煤氣品質(zhì)、助燃空氣流量、煙氣溫度等）的影響還需要作進(jìn)一步的研究。

參考文獻(xiàn)/References：

[1] 朱云國(guó)，劉增良.基于模糊神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐溫度控制仿真研究[J].銅陵學(xué)院學(xué)報(bào)，2011（5）：95-97.

ZHU Yunguo，LIU Zengliang. Simulation study for hot blast stove temperature control based on fuzzy neural network[J].Journal of Tongling College，2011（5）：95-97.

[2] 張惠榮. 基于專(zhuān)家系統(tǒng)的鋼廠(chǎng)熱風(fēng)爐智能控制策略研究[D].石家莊：河北科技大學(xué)，2016.

ZHANG Huirong.Research on Intelligent Control Strategy of Hot Blast Stoves of Steel Plant Based on Expert System[D]. Shijiazhuang：Hebei University of Science and Technology， 2016.

[3] 李成勤，李新宇，郭德三.微型燃?xì)廨啓C(jī)中低熱值燃燒室設(shè)計(jì)及試驗(yàn)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2019，39（19）：5829-5834.

LI Chengqin， LI Xinyu， GUO Desan. Experimental study of a low calorific value combustor for micro gas turbine [J]. Proceedings of the CSEE， 2019，39 （19）： 5829-5834.

[4] 孫天涵. 高爐熱風(fēng)爐空燃比優(yōu)化研究[D].包頭：內(nèi)蒙古科技大學(xué)，2015.

SUN Tianhan. Research on Optimization of Hot Blast Furnace Air-Fuel Ratio[D]. Baotou： Inner Mongolia University of Science & Technology， 2015.

[5] 姜立秋，吳鏗，趙繼偉，等.熱風(fēng)爐燃燒模糊控制系統(tǒng)[J].鋼鐵研究學(xué)報(bào)，1999，11（6）：64-68.

JIANG Liqiu， WU Keng， ZHAO Jiwei， et al.Fuzzy control system for combustion of hot-air furnace[J].Journal of Iron and Steel Research， 1999，11（6）： 64-68.

[6] 郝聚顯，趙賢聰，韓玉召，等.熱風(fēng)爐煤氣消耗量中期預(yù)測(cè)模型[J].中國(guó)冶金，2018，28（2）：17-22.

HAO Juxian， ZHAO Xiancong， HAN Yuzhao， et al. Medium-term prediction model for byproduct gas consumption in hot blast stove [J].China Metallurgy，2018，28（2）：17-22.

[7] 張冰，牛洪海，耿欣，等.高爐熱風(fēng)爐熱效率計(jì)算模塊設(shè)計(jì)及應(yīng)用[J].冶金自動(dòng)化，2019，43（4）：34-38.

ZHANG Bing， NIU Honghai， GENG Xin， et al. Design and application of thermal efficiency calculation module for hot blast stove[J]. Metallurgical Industry Automation， 2019，43（4）： 34-38.

[8] 劉武亮，王冬新.DCS燃燒控制系統(tǒng)在熱風(fēng)爐中的應(yīng)用[J].輕金屬，2004（9）：20-22.

[9] 呂科東. 基于RBF神經(jīng)網(wǎng)絡(luò)PID控制在加熱爐溫度控制系統(tǒng)中的應(yīng)用[C]//天津市電子工業(yè)協(xié)會(huì)2019年年會(huì)論文集.天津：天津市電子工業(yè)協(xié)會(huì)，2019：6.

[10] 李廣軍，張晶，曾安平.基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的PID整定[J].長(zhǎng)春大學(xué)學(xué)報(bào)，2008，18（3）：57-60.

LI Guangjun，ZHANG Jing，ZENG Anping. Adaptive PID tuning based on improved RBF neural network[J].Journal of Changchun University，2008，18（3）：57-60.

[11] 王爽心，楊輝，張秀霞.基于混沌遺傳算法的主汽溫系統(tǒng)RBF-PID控制[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（23）：87-92.

WANG Shuangxin， YANG Hui， ZHANG Xiuxia. A novel RBF-PID control strategy for fresh steam temperature based on chaotic and genetic algorithm[J]. Proceedings of the CSEE， 2008，28（23）： 87-92.

[12] 甄然，于佳興，趙國(guó)花，等.基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)識(shí)別方法仿真研究[J].河北科技大學(xué)學(xué)報(bào)，2019，40（5）：397-403.

ZHEN Ran，YU Jiaxing，ZHAO Guohua， et al. Simulation research on UAV recognition method based on convolutional neural network[J].Journal of Hebei University of Science and Technology，2019，40（5）：397-403.

[13] 丁陽(yáng).熱風(fēng)爐燃燒自動(dòng)控制系統(tǒng)設(shè)計(jì)[D].呼和浩特：內(nèi)蒙古大學(xué)，2019.

DING Yang. Automatic Combustion Control System for Hot Blast[D]. Hohhot： Inner Mongolia University， 2019.

[14] 柏洪升，董立峰，徐淑婉.高爐熱風(fēng)爐自動(dòng)控制系統(tǒng)[J].軟件，2010（7）：60-61.

[15] 賈立，柴宗君.火電機(jī)組主蒸汽溫度神經(jīng)模糊-PID串級(jí)控制[J].控制工程，2013，20（5）：877-881.

JIA Li，CHAI Zongjun. Neuro-fuzzy based PID cascade control of main steam temperature of fire electrical engineering set[J]. Control Engineering of China，2013，20（5）：877-881.

[16] QIAO J F，MENG X，LI W J. An incremental neuronal-activity-based RBF neural network for nonlinear system modeling[J]. Neurocomputing， 2018，302：1-11.

[17] 鄭國(guó)杰，侯遠(yuǎn)龍，高強(qiáng)，等.基于混合粒子群的RBF神經(jīng)網(wǎng)絡(luò)PID控制策略在某隨動(dòng)系統(tǒng)測(cè)試平臺(tái)中的應(yīng)用[J].機(jī)床與液壓，2015，43（17）：7-10.

ZHENG Guojie，HOU Yuanlong，GAO Qiang， et al. Application of RBF neural network PID control strategy based on hybrid particle swarm in test platform of servo system[J].Machine Tool & Hydraulics，2015，43（17）：7-10.

[18] 劉悅婷，趙小強(qiáng).RBF-PID串級(jí)控制在加熱爐溫度系統(tǒng)中的應(yīng)用研究[J].自動(dòng)化與儀器儀表，2011（4）：3-5.

[19] 董恩增，陳增強(qiáng)，袁著祉.基于神經(jīng)網(wǎng)絡(luò)PID控制器的混沌系統(tǒng)控制與同步[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2007，37（3）：646-650.

DONG Enzeng，CHEN Zengqiang，YUAN Zhuzhi. Control and synchronization of chaos systems based on neural network PID controller[J]. Journal of Jilin University（Engineering and Technology Edition），2007，37（3）：646-650.

[20] 于會(huì)，于海峰，李凱，等.基于RBF神經(jīng)網(wǎng)絡(luò)的微機(jī)械陀螺儀溫度控制系統(tǒng)[J].河北工業(yè)科技，2018，35（5）：311-316.

YU Hui，YU Haifeng，LI Kai， et al.Temperature control system of micro-mechanical gyroscope based on RBF neural network[J]. Hebei Journal of Industrial Science and Technology，2018，35（5）：311-316.

[21] 馮曉露，朱江濤，杜勁松，等.神經(jīng)網(wǎng)絡(luò)技術(shù)在主蒸汽溫度控制系統(tǒng)前饋中的應(yīng)用[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2006，40（10）：1833-1836.

FENG Xiaolu，ZHU Jiangtao，DU Jinsong， et al. Application of neural network technology on feed forward control of main steam temperature[J].Journal of Zhejiang University（Engineering Science），2006，40（10）：1833-1836.

[22] 周宇龍.燃?xì)忮仩t主蒸汽溫度自動(dòng)控制系統(tǒng)的設(shè)計(jì)與應(yīng)用[J].冶金自動(dòng)化，2019，43（2）：73-76.

ZHOU Yulong. Design and application of automatic control system for main steam temperature of gas boiler[J]. Metallurgical Industry Automation， 2019， 43 （2）： 73-76.

[23] 謝七月，周超.基于改進(jìn)自適應(yīng)GPC的鍋爐主蒸汽溫度預(yù)測(cè)控制[J].熱能動(dòng)力工程，2018，33（12）：86-92.

XIE Qiyue，ZHOU Chao. Predictive control for the boiler main steam temperature based on improved adaptive generalized predictive control[J]. Journal of Engineering for Thermal Energy and Power， 2018，33（12）： 86-92.