电加热锅炉系统神经网络PID解耦控制器

以多输入多输出系统电加热锅炉为被控对象 ,基于神经网络 PID控制 ,提出了一种可用于带有耦合时延的多输入多输出系统的比例、积分和微分参数自整定的多输入多输出神经网络 PID解耦控制器 ,可以实现多变量系统的解耦 ,定值跟踪控制 ,并使系统具有很好的动态及稳态性能.

　2002年1月

文章编号:100026788(2002)0120123205系统工程理论与实践第1期　

电加热锅炉系统神经网络PID解耦控制器

张　杰1,杨翠娥2,李文秀1

(1.哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;2.哈尔滨工程大学电子工程系,黑龙江哈尔滨150001)

摘要:　以多输入多输出系统电加热锅炉为被控对象,基于神经网络PID控制,提出了一种可用于带

有耦合时延的多输入多输出系统的比例、积分和微分参数自整定的多输入多输出神经网络PID解耦

控制器,可以实现多变量系统的解耦,定值跟踪控制,并使系统具有很好的动态及稳态性能Λ

关键词:　电加热锅炉;神经网络;PID控制;多输入多输出系统;解耦控制

中图分类号:　TP273　　　　　　　　文献标识码:　A　　　α

PIDNeuralNetworkDecouplingControllerof

Electric2heatedBoilerSystem

121ZHANGJie,YANGCui2e,LIWen2xiu

(1.AutomationCollage,HarbinEngineeringUniversity,Harbin150001,China;2.DepartmentofElectronicEngineering,HarbinEgnineeringUniversity,Harbin150001;China)

Abstract:　BasedonthePIDneuralnetworkcontrol,adecouplingcontrollerforthe

electric2heatedboilerisgiveninthispaper.Withaperfectdynamicandstaticresponse

specifications,itcanbeappliedintoacouplingtime2delaymulti2inputandmulti2output

(MIMO)systemtodecouplemultivariablesystemortracethesetpointvalue.What’s

more,italsocanself2tunethethreeparametersofthePIDcontrolleronline.

Keywords:　neuralnetwork;PIDcontrol;MIMOsystem;decouplingcontrol

1　引言

随着生产力的不断发展,能源消耗越来越严重,节约能源是目前普遍关注的一个重要课题Λ大庆油田地处东北高寒地区,冬季时间长达近半年时间,而油田冬季作业又不能因气候寒冷而停止Λ为了能保证冬季正常施工,必须要有很好的保温加热系统,电加热锅炉既能满足实际现场需要,又能做到随用随时启动,操作方便且安全可靠Λ同时既减轻了工人的劳动强度,又减轻了环境污染,从而能够节约大量资金Λ

电加热锅炉系统与一般的锅炉系统一样,只是其结构相对简单Λ电能取代了风煤作为燃料,但是仍然存在加热量、温度以及压力的耦合作用Λ与其它多输入多输出(MIMO)系统一样,一个输入信号的变化会使多个输出量发生变化,每个输出也不只受一个输入的影响Λ而工业过程控制则要求系统能够安全稳定地运行;有较好的调节性能;能以较小的误差跟踪设定值的变化,并使误差为零Λ但是,由于系统有多个输入和多个输出,内部结构比较复杂,往往存在有一定程度的耦合作用Λ传统的解耦控制器可以在一定程度上实现解耦控制,但是其在解耦控制器的设计和实现上比较繁琐,而且解耦精度也依赖于系统数学模型的准确性Λ本文则以电加热锅炉为被控对象建立了一种新的基于BP神经网络的参数自整定多输入多输出神经网络PID控制器,用来对有强耦合带延时的一类多输入多输出系统进行解耦控制,其结构和学习算法相对简单,输入层和输出层神经元物理意义明确;它根据设定的某一控制律,通过网络的自学习,调整PID控制α收稿日期:2000204206

以多输入多输出系统电加热锅炉为被控对象 ,基于神经网络 PID控制 ,提出了一种可用于带有耦合时延的多输入多输出系统的比例、积分和微分参数自整定的多输入多输出神经网络 PID解耦控制器 ,可以实现多变量系统的解耦 ,定值跟踪控制 ,并使系统具有很好的动态及稳态性能.

124系统工程理论与实践2002年1月器的比例、积分和微分参数,从而利用经典的PID控制算法得到相应各变量的控制量参与控制,并在该过程中实现解耦控制Λ

2　电加热锅炉神经网络PID控制系统结构

电加热锅炉系统是一个多输入多输出系统,其控制系统结构则是由神经网络NN、经典PID控制器构成,其结构框图如图1所示,其中r1和y1分别对应电加热锅炉的温度给定值和输出值;r2和y2则对应于电加热锅炉水位的给定值和输出值Λ其中,经典的PID控制器直接对被控对象进行闭环控制,它的三个参数Kp,Ki和Kd则由神经网络NN在线整定;神经网络NN包括学习算法和神经元网络NN两部分,它可以根据系统的运行状态,按照学习算法,在线调整PID控制器的参数,以使得给定性能指标最优化,即使得其输出的PID控制器的三个参数Kp,Ki和Kd满足该性能指标的要求:神经元网络NN则是一个由三层的BP神经元网络构成的子网络,其结构如图2所示Λ它有J=3个输入节点,Q=8个隐含节点,L=3个输出节点Λ输入层三个节点分别接收误差E(k),误差和6E(k)以及误差增量 E(k);输出层三个节点分别律的综合,与经典PID控制部分一起形成多输入多输出控制系统

Λ对应经典PID控制器的三个参数Kp,Ki和KdΛ所有这样的N=2个子网络在控制学习算法中进行控制

图1　双输入双输出神经网络PID

控制系统的结构图

图2　神经元网络NN结构图

3　多输入多输出神经网络PID器计算方法

多输入多输出神经网络PID控制器计算方法由两部分组成,包括经典PID控制算法和基于BP神经网络的多变量学习算法Λ

3.1　经典PID控制算法

采用增量式数字PID控制的算法为:

u(k)=u(k-1)+Kp[e(k)-e(k-1)]+Ki[e(k)]+Kd[e(k)-2e(k-1)+e(k-2)](1)

以多输入多输出系统电加热锅炉为被控对象 ,基于神经网络 PID控制 ,提出了一种可用于带有耦合时延的多输入多输出系统的比例、积分和微分参数自整定的多输入多输出神经网络 PID解耦控制器 ,可以实现多变量系统的解耦 ,定值跟踪控制 ,并使系统具有很好的动态及稳态性能.

第1期电加热锅炉系统神经网络PID解耦控制器125其中,Kp,Ki和Kd分别为比例系数、积分系数和微分系数:误差e(k)=r(k)-y(k)为k时刻给定值与输出值的差Ζ

3.2　神经网络多变量学习算法

神经网络多变量学习算法与其它BP算法类似,也由前向传播算法和反向传播算法两部分组成Ζ只是由于输出层三个神经元分别对应于PID控制器的三个可调参数Kp,Ki和Kd不能为负值,所以输出层神经元的活化函数需要取非负的Sigmoid函数,而隐含层神经元的活化函数可以取为正负对称的Sigmoid函数Ζ用s表示子网络序号Ζ

1)前向传播算法

在任意采样时刻,神经元网络前向传播算法计算公式如下:

①输入层

神经网络NN的输入为:

′xs1(k)=es(k)

xs2(k)=′6k

es(t)

es(k-(2)1

)t=0′xs3(k)=es(k)-

　　②隐含层

隐含层的输入输出为:

sumsi(k)=

″″6Jj=1″′″Ξsijxsj(k)-Ηsi″(3)xsi(k)=f[sumsi(k)

]

″″式(3)中,Ξsij为子网络s中隐含层连接权系数;Ηsi为相应的阈值;f[ ]为活化函数,f[ ]=tanh(x);

③输出层

网络输出层的输入输出为:sumsi(k)=

6Ii=1 ″ Ξslixsi(k)-Ηsi (4)

(5)xsl(k)=g[sumsl(k)] Kp(s)=xsl0(k),　Ki(s)=xsl(k),Kd(s)=xs2(k)

式(4)中,Ξsli为输出层连接权系数;Η.5[1+tanh(x)].sl为其相应的阈值;g[ ]为活化函数,g[ ]=0

2)反向传播算法

本文多输入 …… 此处隐藏：5398字，全部文档内容请下载后查看。喜欢就下载吧 ……