威海宏程对粉末冶金炉的从优温度预设探讨
粉末冶金可以制取用普通熔炼方法难以制取的特殊材料以及各种精密的机械零件。而作为粉末冶金中一个最重要的过程 ―――烧结 ，对最终产品的性能起着决定性作用。对于粉末冶金烧结炉这种大容量、纯滞后的系统 ，炉温超调量是主要设计指标 ，而目前的粉末冶金烧结炉控制系统大多采用手工控制、温度仪表和继电器型或者传统的 PID控制方式。传统 PID算法难以获得较好的控制效果 ，而适用于时滞系统的大林算法却依赖于控制对象的数学模型。然而影响烧结炉生产指标的因素众多 ，加之现场检测仪表不全 ，检测数据的误差及滞后性较大 ，所以难以采用线性系统辨识方法或冶炼机理推导方法得到精确的数学模型 ，而且由于系统的时变性和非线性及某些客观量难以测量等原因 ，更使得建立精确的数学模型是不可能的。当前为了充分利用电能 ，保证产品的质量 ，提高生产过程的自动化程度 ，对粉末冶金烧结炉控制系统提出了更高的要求。
随着计算机技术以及智能控制技术的迅速发展 ，推动了烧结炉控制系统向自动化和智能化的方向发展。模糊神经网络可有效地发挥模糊逻辑控制和神经网络各自的优势 ，即利用神经网络记忆模糊规则 ，实现模糊控制 ，具有大容量并行处理、分布存储和智能化模糊分类的特点 ，以及具有自组织、自学习和处理系统内在的难以解析表达的规律性的能力 ，从而提高整个系统的表达能力和学习能力。本文提出一种模糊神经网络控制方案 ，实现了难以得到精确模型的烧结炉温度控制系统的预测函数控制。
1、炉温模糊神经网络控制系统设计
烧结炉温度控制器采用模糊神经网络控制 ，其控制系统框图所示。在温控系统中 ，模糊神经网络模块的结构与算法是系统良好运行的关键因素。粉末冶金烧结炉（真空电阻炉的概述）控制系统框图针对粉末冶金烧结炉建立的模糊神经网络结构共有 5层 ，为两输入 （烧结炉温度偏差E、烧结炉温度偏差的变化速率E c）单输出（执行器换向频率）系统。第一层为输入层。每个节点直接与输入向量的各分量（ E或E c）连接，起着将输入值x = < E， E c > T传递至下一层的作用，该层只有两个节点，分别将温差E和温差变化率E c传给下一层中的节点，权值为 1.具体输入与输出的关系为第二层为模糊化层。模糊化层对模糊信息进行预处理，主要由模糊化节点组成。其主要功能是计算各输入量属于各语言变量模糊集合的隶属度等。系统选择 7个语言变量描述温差、温差变化率分别表示隶属函数的平均值与标准偏差值。
第三层为模糊推理层。系统共有 2个输入，每个输入的语言值是 7个。根据模糊规则的空间分割，可以得到总的模糊规则数N 3 =49，节点数与模糊规则数相同，这是整个网络的核心部分，其作用是用来匹配模糊规则的前提，计算每条规则的适用度。该层的输入与输出关系为模糊神经网络第三层第1节点的输出。
第四层为数值规范层。该层的作用是对每条模糊规则适用度进行归一化，避免在学习过程中由于各修正量过大而产生振荡。该层节点数与第三层相同。
2、模糊神经网络的学习算法
假设各输入分量的模糊分割数是预先确定的，那么在整个网络系统中，只有第二层和第四层带有可调参数。第二层的可调参数是隶属函数的平均值第四层带有可调参数是连接权。学习目标是使误差函数最小化从而改善其收敛性。
3、模糊神经网络控制器实验研究
粉末冶金烧结炉根据不同的工艺要求，针对不同的合金，冶炼温度并不相同，一般在 500～1200℃范围之内 ，要求温度从室温升到规定温度后长期稳定在规定温度范围内。针对铜基粉末冶金航空刹车材料的烧结进行仿真实验 ，研究表明 ，当烧结温度为 930～1000℃时 ，材料既有利于制动的稳定性 ，又能提高材料的磨损性能。
网络的训练及仿真均在 MATLAB环境下进行 ，将实际采集的监测数据经归一化处理后 ，选出 682组典型且有代表性的样本作为训练样本 ，然后在训练神经模糊推理系统过程中 ，完成对参数的调整，直到网络的误差达到设定误差。
系统设定烧结炉温度为 930℃，分别采用 PID 控制、模糊神经网络控制进行仿真 ，所得炉温响应曲线可看出 ，模糊神经网络控制相对于 PID控制超调量小、动态响应快 ，具有很好的动静态特性。
两种控制系统方案下炉温响应曲线笔者采用模糊神经网络控制方案对某单位120kW真空烧结炉进行现场实际测试 ，炉温设定均为930℃，烧结炉炉温实际输出过渡过程波形如所示。采用模糊神经网络控制烧结炉升温过程具有以下特点 ： 1）升温速率快 ； 2）升温过程无振荡 ； 3）系统超调量不超过 15℃； 4）具有较高的稳态精度 ； 5）调整时间短 ，大约 43min后炉温即进入稳态阶段。
4、结语
仿真实验及现场测试表明 ，对具有大滞后、非线性和强干扰等系统特性的烧结炉 ，模糊神经网络控制较传统控制方案具有明显的优越性 ，大大提高了粉末冶金烧结炉的温控自动化程度和电能利用率 ，具有较高的实际应用价值。
