基于OSVR的煤调湿系统智能预测控制.pdf

第 4 2卷 第 3期 2 0 l 6年 3月 工矿 自 动化 I nd us t r y a n d M i n e Aut o ma t i on Vo 1 ． 4 2 NO ． 3 M a r ．2 0 1 6 文 章 编号 1 6 7 1 2 5 l X 2 0 1 6 0 3 0 0 5 5 0 5 DO I 1 0 ． 1 3 2 7 2 ／ j ． i s s n ． 1 6 7 1 2 5 l x ． 2 0 1 6 ． 0 3 ． 0 1 3 孟永政， 李晓斌． 基于 OS VR的煤调湿系统智能预测控制 [ J ] ． 工矿 自动化 ， 2 0 1 6 ， 4 2 3 5 5 5 9 ． 基于O S V R 的煤调湿系统智能预测控制 孟永 政 ， 李 晓斌 上海 应用 技术 学 院 电气 与 电子 工 程学 院 ，上海2 0 0 2 3 5 摘要 针 对现 有煤 调 湿预 测模 型 出现 的 训练 时 间长 、 模 型 失配 问题 ， 建 立 了基 于 o S VR 的煤 调 湿预 测模 型 ， 提 出了基 于 OS VR的煤 调 湿 系统智 能预 测控 制 方法 。该 方法利 用智 能优 化 算 法与预 测 函数 控 制相 结合 来实现对煤调 湿系统 出口煤湿度的精确控制。仿真和实验结果表明， 该方法具有较好的鲁棒性和较 高的控 制精 度 。 关键 词 煤调 湿 ；智能预 测控 制 ； 在 线 支持 向量 回 归 ； 预 测 函数控 制 中图分类 号 T D6 7 文献 标 志码 A 网络 出版 时间 2 0 1 6 0 3 0 7 1 5 2 0 网络 出版 地 址 h t t p ／ ／ www． c n k i ． n e t ／ k c ms ／ d e t a i l ／ 3 2 ． 1 6 2 7 ． T P ． 2 O 1 6 0 3 0 7 ． 1 5 2 0 ． 0 1 3 ． h t ml 收稿 日期 2 0 1 5 1 1 2 3 ； 修回 日期 2 0 1 6 一 O l 一 2 2 ； 责任编辑 张强 。 基金项 目 上海市科研计划项 目 1 1 5 1 0 5 0 2 7 0 0 ； 上海市教委科研创新重点计划项 目 1 2 Z Z 1 8 9 ； 上海应用技术学 院博士基金资助项 目 Y J 2 O l l 2 2 ／ YJ 2 0 1 1 - 3 3 。 作 者简介 孟 永政 1 9 8 9 一 ， 男 ， 河南驻马店人 ， 硕士研究生 ， 研究方向为智能控制与优 化，E - ma i l me n g y o n g z h e n g 1 6 3 ． c o rn。 。 司 0 司 一 0 0 司 一0 3 结语 O 4 0 0 8 0 0 1 2 0 0 1 6 0 0 2 0 o 0 采样 点数 a 航向角误差 0 4 0 0 8 0 0 1 2 0 0 l 6 0 0 2 0 0 0 采样 点数 b 俯仰角误差 0 4 0 0 8 0 0 1 2 0 0 1 6 0 0 2 0 0 0 采样点数 c 横滚角误差 图 5 采煤 机姿态角误差 针对 井 下 采 煤 机 自主定 位 的 问题 ， 提 出 了一 种 基于 R o d r i g u e s 算法 的采煤 机捷联 惯导定位方法 。 该方法利用 R o d r i g u e s 参数法对采煤机斜切进刀工 作过程进行定位仿真 ， 其仿真轨迹能够较好地跟踪 基准轨迹 ， 姿态角误差最 大值 为 0 ． 6 0 2 2。 ， 位置定 位误 差最 大值 为 0 ． 2 9 1 4 m， 定 位 精 度 能够 满 足井 下采 煤机定 位要 求 。 参考文献 张世洪．我国综采 采煤 机技术 的创 新研究 [ J ] ． 煤 炭学 报 ， 2 0 1 0 ， 3 5 1 1 1 8 9 8 1 9 0 2 ． 杨海 ， 李 威 ，罗成 名 ，等．基 于捷 联惯导 的采 煤机 定 位定姿 技术 实验 研 究[ J ] ．煤炭 学报 ，2 0 1 4 ， 3 9 1 2 25 5 0 25 56 ． 樊启高 ，李 威 ，王禹桥 ，等．一种 采用捷 联惯 导 的采 煤机动态定位方法[ J ] ． 煤炭学报 ， 2 0 1 1 ， 3 6 1 O 1 7 5 8 1 76 1． 周江华 ， 苗育 红 ， 王明海．姿态运动的 R o d r i g u e s 参数 描述[ J ] ．宇航学报 ，2 0 0 4 ， 2 5 5 5 1 4 5 1 9 ． 王勇军 ， 秦 永元 ，杨波．四元数 、 R o d r i g u e s 参 数在 卫 星姿态解算上 的对 比研 究 [ J ] ．中 国 空 间科 学 技术 ， 2 0 0 7 ， 2 7 3 1 8 2 3 ． 秦永元．惯性导航 [ M] ．北京 科学 出版社 ， 2 0 1 4 ． ] ] ] ] ] ] 口 【 J 5 6 工矿 自动化 2 0 1 6年 第 4 2卷 I n t e l l i g e n t p r e d i c t i v e c o n t r o l o f c o a l mo i s t u r e c o n t r o l s y s t e m b a s e d o n OSVR M ENG Yo ng z he n g，LI Xi a o bi n Sc ho o l o f El e c t r i c a l a nd El e c t r on i c En gi n e e r i n g，Sh a ng ha i I n s t i t ut e of Te c hn ol o g y， S h a n g h a i 2 0 0 2 3 5，Ch i n a Ab s t r a c t I n v i e w o f p r o b l e m o f t h e l o n g t r a i n i n g t i me a n d mi s ma t c h mo d e l o f e x i s t i n g c o a l mo i s t u r e pr e d i c t i o n m o d e l ， a pr e di c t i on m o d e l o f c o a l mo i s t ur e c o nt r o l b a s e d on OSVR wa s e s t a bl i s he d， a n i nt e l l i ge nt pr e d i c t i ve c on t r o l me t h o d o f c o a l mo i s t ur e c o nt r o l s y s t e m b a s e d on OSVR wa s pr o p os e d． The m e t ho d a do p t s i nt e l l i ge nt o pt i mi z a t i on a l go r i t hm a nd pr e d i c t i v e f u nc t i on a l c on t r o l t o r e a l i z e a c c u r a t e c o n t r o l o f e x p o r t c o a l mo i s t u r e o f c o a l mo i s t u r e c o n t r o l s y s t e m．Th e s i mu l a t i o n a n d e x p e r i me n t a l r e s u l t s s ho w t ha t t h e pr o po s e d me t ho d ha s b e t t e r r o bu s t ne s s a nd hi ghe r c o nt r o l p r e c i s i on． Ke y wo r d s c o a l m o i s t u r e c on t r o l ； i nt e l l i ge nt p r e d i c t i ng c on t r o l ；on l i n e s up po r t v e c t o r r e g r e s s i o n； p r e d i c t i ve f un c t i on a l c o nt r ol 0 引言 煤调湿 C o a l Mo i s t u r e C o n t r o l ， C Mc 简单 来 说就 是对 炼焦 原煤在 装炉 前进行 水分 处理 。稳定 的 入炉煤水分既可稳定焦炉生产操作、 增加焦炭产量， 又可改善焦炭质量。近些年， 为了实现对入炉煤湿 度 的精确 控制 ， 许多 有关煤 调湿 系统 的建模 、 优化 和 控制方法被提出来 了。参考文献[ 1 ] 以煤调湿反应 器为控制体 ， 计算了烟道废气量、 入 口废气温度、 出 口废气温度 、 入口煤粉湿度对调湿后煤粉湿度和废 气含量的影响， 但是并没有给 出实际的控制器数学 模型 ； 参考文献[ 2 ] 提出了粒子群算法优化 的径 向基 函 数 P a r t i c l e S wa r m Op t i mi z a t i o n Ra d i a l B a s i s F u n c t i o n ， P S O R B F 煤 调 湿建 模 方 法 ， 但 由于粒 子 群的迭代计算， 使得此种建模方法 的训练时问较长 ； 参考文献[ 3 ] 提出了煤调湿系统的多模型建模方法， 根据 不 同的工况 将 系 统划 分 为 不 同 的子 区 间 ， 又 分 别对每个 区间建模 ， 但 此方法任务量大 ， 无法建立 一 个满足所有工况 的通用模型。参考文献 [ 4 5 ] 提 出了公式法和前馈 反馈这 2种煤料水分的控制方 法， 但公式法 由于计算的时间点位于干燥机的入 口， 而结果 却反 映在 干燥 机 的出 口， 所 以会 造 成 系 统 的 滞 后 ， 这样也 就无 法进行 准确 跟踪 控制 ， 而前 馈 反 馈方法计算复杂 ， 且对仪表的要求较为严格。 因此 ， 为了实现对煤调湿系统出口煤湿度的精 确控 制 ， 针 对 以往 煤 调 湿 预测 模 型 出现 的训 练 时 间 长 、 无法 建立满 足所有 工况 的通 用模 型问题 ， 本 文从 煤调 湿工 艺 的特性 出发 ， 通过 研 究 与 人 炉煤 水 分 直 接 或间接 的相关 因素 ， 建 立 了基 于在 线 支 持 向量 回 归 O n l i n e S u p p o r t Ve c t o r Re g r e s s i o n ， 0S VR 的 煤调 湿预测 模 型 ， 在此 基础上 ， 针对 传统 的控 制方 法 跟踪 不准确 问题 ， 提 出 了基 于 OS VR 的煤调 湿 系 统 智能预测控制方法 ， 该方法利用智能优化算法与预 测 函数控 制相结 合来 实现对 煤 调湿 系统 出 口煤湿 度 的精确控 制 。 1基于 O S V R 的煤调 湿预测 模型 建立 OS V R 是 一 种 先 进 的 支 持 向 量 机 S u p p o r t Ve c t o r Ma c h i n e ， S VM 训 练方 法 。 ] ， 与 S VM 不 同 的是 ， 当模型的预测值 和实际值 的偏差超过设 定值 时， OS VR会通过保存中问变量进行在线学习， 以此 来校 正模型 参数 ， 从而 避免 了重新训 练 所有样本 ， 节 省 了训练 时 间 。本 文 以某 厂 煤 调 湿 系 统 为 研 究 对 象 ， 建 立基 于 0 S VR 的煤 调湿 预测模 型 。 某厂煤调湿工艺过程如图 1所示 ， 在整个煤调 湿过 程 中涉及 到 的参 数有 主 电动机 电流 、 煤 切人 量 、 入 口煤 湿度 、 蒸汽压 力 、 蒸 汽管 网流量 、 出 口煤湿 度 、 进 料螺 旋 电流 、 蒸 汽实 际流量等 。 排空 调湿煤 9 1 0 1 一氮气加热器 ； 2 一布袋式除尘器 ； 3 一转筒干燥器 ； 4 一烟道气 5 一循环烟道气 ； 6 一蒸 汽； 7 一冷凝罐 ； 8 一闪蒸罐；9 一冷凝水 1 0 一循环气加热器 图 l 某厂煤调湿工艺过程 2 0 1 6年 第 3期 孟永政 等 基 于 O S VR 的煤调 湿 系统 智能预 测控 制 5 7 要保 证 煤 料 水 分 控 制 系 统 中 出 口煤 湿 度 的稳 定 ， 关键 是控 制 蒸 汽 的 流 量 。选 取 某 厂 过往 一 段 时 间的数 据 ， 通过 对 电流 、 压力 等参 数与 出 口煤湿 度 的 相关 性 分析 ， 考 虑 到 实施 的可 行 性 以及 与 出 口煤 湿 度相 关性 最 高 的独 立变量 ， 最 终确 定入 口煤 湿度 、 煤 切入量 、 干燥机出 口温度和蒸汽流量分别作 为系统 模 型 的输 入 和输 出。 OS VR 以 KKT Ka r u s h Ku h n Tu c k e r 条 件 为 基础 ， 通 过在 线修 改 参数 来更 新 预测模 型 ， 从而 缩短 了训练时间， 提高了预测精度， 参考文献 [ 6 3 介 绍了 KKT条 件 和 O S VR 算 法 的详 细 步 骤 ， 在 此 不再 赘述 。 从 煤 调 湿 现 场 采 集 的数 据 中 取 一 组 训 练 数 据 T一 { z ， ， i 一 1， 2 ， ⋯ ， Z ， z ∈R ， Y ∈R， X 一 黝 ， ， 为 样 本 的 输入 ， ， 勘 ， 分 别 为 人 口 煤湿度、 煤切人量 、 干燥机出 口温度 ， Y 为输出 ， z 为 样本 个数 ， 可 以构 造 如下 回归 函数 厂 z一 W z b 1 式中 z 为非线性映射 ； W 和b为待求参数 。 引入惩罚系数 c和松弛变量 ， ， 则 w 和 b 可通过求解以下优化 函数求得 1 l m i n F W， 6 一告 w w 4 - C ∑ 8 4- 2 i 一 1 约束 条 件 为 f Y W z 一 b≤ e 8 s ． t ． W b Y ≤ ￡ 【 8， ≥ 0， i一 1， 2 ⋯ ， 1 式中 e为 允 许 误 差 ； W W 为模 型 的结 构 信 息 ； l c ∑ ￡ 为函数对于e 的违反程度； 惩罚系数 f 一 1 C只作 用 于 Y 和 f x 之 间偏差 大 于 ￡的样本 点 。 式 2 通过 拉格 朗 日乘 子 的引入 ， 可 以构 造拉 格 朗 日函数 ， 对其 求解 ， 式 1 可 以写成 f 厂 a 一 口 k x i ， b 3 i 一 1 式 中 愚 z ， z ， 一 ， 为 核 函数 ， a 为 拉格 朗 日乘 子 。 定 义 误 差 函 数 h 2 12 一 f z 一 Y ， 令 0 a 一a ， 由拉格朗 日乘子和 KKT条件 推导过程见 参考文献[ 6 ] 可以把样本分为以下 3 个集合 1 错 误 支 持 向量 集 E一 { i l 0 l C， l h x I ≥￡ 。 2 边 界 支 持 向 量 集 S一 { i 一 0 J 0 l C， I h I s 。 3 样 本 保 持 支 持 向 量 集 R一 { i 一 I 一0 ， l h x i I 一￡ 。 每 当有新 样 本加 入 到训 练 集 T， 训 练 的最 终 目 的就是使 新增 样本 加入 到 E、 s、 R 中的任何一 个 ， 同 时 ， 确保所 有 的样本 满 足 K KT 条件 。 2智 能预 测控 制方 法 智 能预测 控制 的原 理是 利用 被控对 象 的历史输 入信息、 历史输出信息以及未来输入信息， 根据 内部 模 型 ， 预 测 系统 未来 的输 出状 态 。经 过用 模 型 输 出 误差进行反馈校正 以后 ， 再与参考轨迹进行比较 ， 应 用二次型性能指标进行滚动 、 优化 ， 然后再计算 当前 时 刻加 于系统 的控 制 ， 完 成 整个 动 作 循 环 。滚 动优 化 是预 测控 制 的主要 特 征 ， 即通 过 目标 函数 的 最优 来 确定 未来 的控 制 输 入 ， 并 且 在 线 反 复 进 行 优 化 。 由于预测模型越来越复杂 ， 使得 目标函数 的直接最 优求解变得十分 困难 。与传统 的预测控制相 比， 预 测 函数 控 制 P r e d i c t i v e F u n c t i o n a l C o n t r o l ，P F C 最 大 的优点 在于 它加 入 了基 函数 ， 增 强 了对 控 制结 构的重视， 使控制输入更具规律性 ， 在一定程度上使 在线计算得到简化， 而多 Ag e n t 粒子群算法 Mu l t i Ag e n t P a r t i c l e S wa r m O ’p t i mi z a t i o n ，MAP S 0 利 用 粒子 群之 间 的相互合 作机 制使 寻到 的控制 量更 加 精 确 。基于 0 S VR 的煤 调 湿 系 统智 能 预测 控 制方 法就是将 MAP S O与 P F C结合起来使用 。 2 ． 1 MAP S O算 法 MAP S O算法是建立在粒子群与多 Ag e n t 的自 治学 习、 相 互 竞 争 以及 相 互 协 作 的 基 础 上。在 MAP S O 中， 将 P S O算 法 中的每个粒子 都看成 是 一 个智能体 ， 这样 ， 每个粒子 除了执行 P S O算法 中 的进 化规则 ， 还要 与其 邻 近粒子 进行信 息交互 。 MAP S 0 算法 步骤如 下 1 多 Ag e n t 粒子群参数设置。 2 各 粒 子 的适 应 度 函数 计 算 。计 算 公 式 如下 1 F一 一Y 4 式中 N 为粒子数 ； Y 、 Y 分别为 O S VR训练模型输 出值和期望输出值。 3 粒子根据其邻近位置环境信息更换位置。 假设 空 间中某 粒子 的位 置为 L 一 Z ， z 一， l a ， 在 其邻居 中拥有最佳适应值的粒子位置 Mi ， ， 一 m ， m2 ， ⋯， m 。如果 f L ≤厂 ． J ， 则 L 在空间 的位 置 不 变 ， 否 则 ， L 将 按 公 式 L， ． ， 一 ． j 4- 5 8 工矿 自动 化 2 0 1 6年 第 4 2卷 r a n d 一1 ， 1 L 一 ， ， 进行 位 置更新 。 4 粒子 的速 度 和位 置 更 新 。根 据 式 5 更 新 粒 子 的速度 和位置 f 一 伽 C 1 r 1 P b z C 2 r 2 g b ⋯ 1 式 中 7． U为 惯 性 权 重 ； ， z 分别 为 粒 子 的 速 度 和 位 置 ； C ， ， c 。为学习因子 ； g b ， P 分别 为全局极值 和个 体 极值 ， r 为 随机数 。 5 如果满 足结束 的条 件 ， 保存 最 优粒 子 位置 ， 算 法结 束 ， 如果不 满足 ， 则跳 到步 骤 2 继续 。 由于 Ag e n t 之 间的相 互 通信 和协 调 ， 吸收 粒 子 群算 法 的进 化方 法 ， 使 其 能够 提 高 解 决 实 际 问题 的 能力 ， 从 而更快 地收敛 到全 局最 优解 。 2 ． 2预 测 函数 控 制 通过 训练 样本集 T一{ 1z ， Y ， i 一1 ， 2 ， ⋯ ， Z 可 以获得 回归方 程 中 的参 数 0 i 1 ， 2 ， ⋯ ， z 、 b 。现 设 定预测 步长 为 P ， 则 在 k时刻 未 来第 P 步 的 预测 模型输出值为 Y 忌 一∑O ik E x i ， 2C t 忌 P 一1 ] b i 一 1 6 式中 k P一 1 一 [ k P一 1 ，⋯， Y 是 1 ， ⋯ ， Y 忌 一 户 ， k P 一 1 ，⋯ ， 尼 ， ⋯ ， u k p ] ； m 、 n 为系统 的阶次， 由拟 合 精度 确定 。 控制输入取基 函数的线性组合 u k 一 f J f J 7 一 1 式 中 u k 为 i 时刻 的控 制量 ； ， 为 基 函数 的 线性 组合 系数 ； f J 为第 个 基 函数 在 t i T时 刻 的值 ， 基 函数通 常取 阶跃 函数 、 斜坡 函数 、 指 数 函数 等； 为基函数的个数 。 常见 的参 考轨迹 形式 如下 Y 忌J 一 a 忌 1一 a 。 J 8 式中 Y 忌 为 k 时刻设定的参考轨迹值 一 e x p 一T ／ T ， 为参考轨迹柔化系数 ， T 为采样周 期 ， T 。 为采样 参 考 轨 迹 响 应 时 间 ； ．y 为 系统 的实 际输 出值 ； Y 是 为 k 时刻的跟踪设定值。 预测 误差 为 e 愚 一 Y 忌 Y 愚 9 误差 补偿 后 的预测输 出为 Y J 一 Y 是 h i e 是 1 0 式 中 h ， 为误差 权重 系数 。 优 化 目标 函数 取为 ra i n ．， 是 一∑ E y 志 一 足 ] 1 1 J1 3仿真 及 实验 比较 3 ． 1 数 据 采集 影 响 煤调 湿 系 统 出 口煤 湿 度 的 因素 有很 多 ， 但 考虑 到建模 的复 杂性 ， 这 里 选 取 影 响 出 口煤 湿度 最 大 的 4个 因素 煤 切 入 量 、 干 燥 机 出 口温 度 、 入 口煤 湿度 和蒸 汽流量 分 别作 为 模 型 的输 入 量 和 输 出量 。 以某 厂煤 调湿 系统为 对象 ， 系统 的煤切 入量 、 干燥 机 出 口温度 、 蒸汽 流量 等 在线 数 据 是 通 过相 应 的传 感 器测 得 ， 煤 湿度 是通 过 工 人从 现场 采 集煤 样 本 送 回 化验 室化 验而 获得 。用拉 丁超 立 方 的抽 样 方 法 ， 最 终得到 1 2 4组实验数据 部分实验数据见表 1 。 表 1 现场采集的部分实验数据 2 O O 5 O O 2 3 5 5 0 0 2 O O 0 O O 1 7 5 5 0 0 1 8 3 2 0 0 2 2 9 6 0 0 1 9 5 2 0 0 1 9 9 5 0 O 2 0 0 7 0 O 2 6 8 5 O 0 1 0 ． 6 1 0 ． 1 9．9 9 ． 9 1 0 ． 1 1 0 ． 6 1 0 ． 6 1 0 ． 5 1 O ． 6 1 0 ． 8 ● 3 ． 2仿 真 比较 为 了证 明 MAP S O F P C方 法 控制 的精确 性 ， 用 P I D控制 结果 与之 比较 。 实验 仿真 软件 为 Ma t l a b R 2 0 1 2 a ， 选 用 R B F核 函数 ， 核 宽度 口取 0 ． 8 ， 惩 罚 系数 c取 3 0 0 ， 设定 允 许 误差 ￡ 一0 ． 1 ， 把 前 面 8 O组 数据 用 来辨 识模 型 ， 余 下 的 4 4组数 据用来 校验模 型 。 蒸汽流量直接决定着煤调湿 系统 的出 口煤湿 度 。蒸 汽流 量实 际值 和 OS VR模 型 预 测 值 的 比较 如 图 2 所 示 。由图 2可 以看 出 ， 基 于 OS V R 的 煤调 湿 预测模 型 的有效 性 。 参考文献[ 2 ] 已证明 P S O R B F模型是文 中所 有 建模 方法 中最好 的 ， 为 了证 明基 于 OS VR的 预测 模 型 的优 越 性 ， 将 其 与 P S O R B F模 型 进 行 比较 。 选 取粒 子群 迭代次 数为 2 5 0 ， 粒子 维数 为 4 0 ， 种 群规 2 0 1 6年 第 3 期 孟永政 等 基 于 OS VR 的煤调 湿 系统智 能预 测控制 5 9 模为 2 O ， 蒸汽流量 的实际值 与 P S O - R B F模 型预 测 值 的 比较结 果 如 图 3所 示 。 图 2 蒸 汽流量实际值与 O S VR模 型预测值 的 比较结果 图 3 蒸 汽流量实际值与 P S O- R B F模型预测值 的比较 结果 为 直 接 比 较 2种 模 型 的 准 确 性 ， 分 别 求 出 P S O RB F和OS VR 2种模 型 的相对 误 差 图 4 和训 练 、 测 试 时 间 表 2 。 媸 靛 嚣 艇 图 4 2种模型 的相 对误差 表 2 P S O - R B F和 O S VR模 型的训练 、 测试 时间 比较 由图 4和表 2可 知， 2种模型 的相对误差差别 不大 ， 但 oS VR模 型训练时 间明显短于 P S O R B F 模 型 训 练时 间 ， 证 明了 OS VR模 型 的优 越 性 。 OS VR模 型实 现 了系统 动态 调 整和参 数 的在 线 更新 ， 在 此 基 础 上 ， 用 MAP S O F P C对 煤 调 湿 系 统 蒸汽 流 量进 行 多 Ag e n t 粒 子 群 优 化 预 测 函 数 控制 ， 并与传统的 P I D控制 比较 。设预测步长 P一1 0 ， 控 制步长 H一1 ， 给定信号为幅值在 1和 2之 间、 周期 为 1 0 0 s 的方波信号 ， 柔化系数 a 一0 ． 3 。 MAP S O P F C控制 的方 波信 号响应 仿真 结果 如图 5所示 ， 传统 P I D控制 的方波信号响应仿真结 果 如 图 6所示 。 图 5 MA P S O P F C控制的方波信号响应仿真结果 图 6 P I D控制的方波信号响应仿真结果 从 图 5和 图 6可 以 明显 看 出 ， MAP S O- P F C控 制方 法 的控制 结果 波 动 小 ， 达 到稳 定 所 需 的 时 间更 短 ， 跟踪更加精确 ， 明显优 于传统 的 P I D控制方法 的控 制 结果 。 4 结 语 以某厂煤调湿系统为研究对象， 针对传统的煤 调湿控制方法出现的跟踪不准确问题 ， 提 出了基于 O S VR的智能预测控制方法。仿真实验结果表明， 基于 OS VR的煤调湿智能预测控制方法的控制效 果要 明显优 于传 统 的 P I D控 制 方法 ， 具 有 很高 的跟 踪性能 ， 为煤调湿系统 出口煤湿度 的稳定控制提供 了新 方法 。 参考文献 [ 1 3 高建军 ， 郭玉华 ， 周和敏 ， 等． 煤调湿工艺数学模型 与计 算 I- J ] ． 燃料 与化 工， 2 0 1 2 ， 4 3 5 1 - 7 ． [ 2 ] 余 杨 ， 李 晓斌 ， 金 鸣林 ， 等． 煤调湿控制系统 的智 能建模 与优化方法研究 [ J ] ． 科 学技 术与工 程 ， 2 0 1 3 ， 1 3 3 0 8 93 8 8 9 43． [ 3 ] 王建华 ， 罗雷 涛 ， 耿佳 灿． 煤 调湿 系统 蒸汽 消耗量 的多 模型建模研究[ J ] ． 自动化仪表 ， 2 0 1 4 ， 3 5 1 2 8 8 9 3 ． 1- 4 ] 曹善甫 ， 史晋 文 ， 詹 仲福． 焦炉煤调 湿装置控 制系 统的 研 究与设计[ J ] ． 煤化工 ， 2 0 1 3 5 5 3 5 5 ． E 5 ] 詹仲福 ， 曹善 甫， 窦岩 ， 等． 煤调湿装 置蒸 汽管 回转干燥 系统研究I- J ] ． 化工机械 ， 2 0 1 3 ， 4 0 6 7 6 4 7 6 7 ． [ 6 ] MA J s ， J AME s T， S I MON P ． A c c u r a t e o n - l i n e s u p p o r t v e c t o r r e g r e s s i o n[ J ] ． N e u r a l C o mp u t i n g ， 2 0 0 3 ， 1 5 1 1 2 6 8 3 2 7 0 4 ． 1- 7 ] 陈进东 ， 潘 丰．基于在线支 持 向量 回归 的非 线性模 型 预测控制方法[ J ] ． 控制与决策 ， 2 0 1 4 ， 2 9 3 4 6 0 4 6 4 ．