电弧炉炼钢是一个复杂的工业生产过程,电极调节是电弧炉炼钢中的关键环节,其性能是影响生产效益的重要因素。冶炼过程中要求电极调节系统能够根据电弧的变化情况,快速而准确地调节电极与废钢之间的距离,从而保证电弧的稳定,以达到高效率和低能耗的目的。由于电弧炉电极调节系统中存在非线性、参数时变,传统的电弧炉电极调节器的调节效果并不十分令人满意,导致电弧炉系统耗电量高、效率低。因此,研制高性能的电极自动调节器对于提高炼钢质量,降低电能消耗具有重要意义。由于电弧炉电极升降系统具有死区非线性,另外液压系统的一些特征参数,如液压固有频率、液压阻尼比及外界干扰力等随着负载变化有一定的随机性质,使液压系统为非线性时变系统,所以实现电弧炉弧长的稳定控制并非易事。死区参数随时间的变化而变化,线性部分的参数也受压力等影响具有时变性。对于死区参数已知的情况,通常建立一个死区逆模型作为控制器输出的补偿,以抵消死区特性。但对于电弧炉电极升降系统中存在的死区,首先它的测量是比较困难的,其次由于电极调节需要非常快的速度,传统的神经网络学习算法如BP等学习速度较慢,因而需要采用速度更快的学习算法在线学习辨识死区参数,再进行补偿控制。本文将电弧炉电极调节系统简化成死区和三阶线性串联系统结构,针对升降机构存在的死区非线性进行辨识补偿。为了实现对死区非线性的补偿,在控制器中加入一定的控制信号,达到完全补偿死区的效果。经过补偿后系统变为线性三阶系统。传统的PID控制最大缺点在于仅能对电弧炉目前的状况做出反应,调节往往滞后于电弧炉实际状况的变化。本文将直接广义预测算法应用于速度变化很快的电弧炉电极调节系统,当模型失配时,广义预测算法可以快速更新预测模型,计算出新的最优控制量。最后通过Matlab7.0对电极调节系统进行了仿真研究,仿真结果显示可以很好地跟踪设定值的变化,同时对于系统外部干扰和模型参数变化具有很好的适应能力,有很好的应用前景。