基于BP神經(jīng)網(wǎng)絡(luò)的連續(xù)攪拌反應(yīng)釜PID自校正控制

劉 斌 孫久強 崔洋洋 柳玉昕 潘 穎

(東北石油大學(xué)電氣信息工程學(xué)院,黑龍江 大慶 163318)

PID控制方案具有對系統(tǒng)模型要求低、操作簡單、可靠性高及魯棒性強等優(yōu)點，因此成為工業(yè)過程控制領(lǐng)域使用最廣泛的控制策略之一[1]，被廣泛應(yīng)用于冶金、化工、電力及機械等工業(yè)過程控制。隨著計算機技術(shù)的發(fā)展，以微處理器為核心的數(shù)字式PID控制算法已成為工業(yè)控制過程的主流，常用的數(shù)字式PID控制算法分為位置式PID控制算法和增量式PID控制算法[2]。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)作為一門新興的邊緣交叉學(xué)科，在自動控制、故障診斷及預(yù)測分析等領(lǐng)域得到了諸多應(yīng)用[3]。ANN是由大量的、易于處理的單元廣泛互聯(lián)形成的復(fù)雜網(wǎng)絡(luò)，在一定程度上反映了人腦功能的許多基本特征，是一個高度復(fù)雜的非線性動力系統(tǒng)。雖然ANN與真正的生物神經(jīng)網(wǎng)絡(luò)有所差異，但它具備生物神經(jīng)網(wǎng)絡(luò)的基本工作特征和優(yōu)點[4]：可進行大規(guī)模的并行處理，且計算速度快；具有非常強的容錯性，局部損壞對全局結(jié)果影響不大；分布式的存儲方式，信息存取在連接權(quán)值上，單個權(quán)值看不出信息內(nèi)容；學(xué)習(xí)功能強大。

由于連續(xù)攪拌反應(yīng)釜的強非線性和復(fù)雜性，國內(nèi)外許多學(xué)者在連續(xù)攪拌反應(yīng)釜系統(tǒng)的控制方面做了大量研究[5]。Shah M A和Meckl P H設(shè)計了一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的在線控制連續(xù)反應(yīng)釜系統(tǒng)，此算法具有極強的適應(yīng)性[6]。Jalili-Kharaajoo M設(shè)計了一種基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測控制方法，用以解決反應(yīng)釜的時滯問題[7]。雷佳和蔣靜坪提出了一種充分利用遺傳算法的尋優(yōu)特性對PID參數(shù)不斷尋優(yōu)、不斷調(diào)整的方法，明顯提高了系統(tǒng)的控制效果[8]。韓光信等提出了一種應(yīng)用于連續(xù)攪拌反應(yīng)釜的非線性魯棒控制方案，對開車過程進行了優(yōu)化[9]。吳偉林提出了一種基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)控制方法，有效改善了反應(yīng)釜溫度大時滯的問題，對反應(yīng)釜溫度進行了有效控制[10]。

目前，對連續(xù)攪拌反應(yīng)釜控制技術(shù)的研究通常是將幾種PID控制算法和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，取長補短，以得到更加令人滿意的控制效果。在此，筆者將BP神經(jīng)網(wǎng)絡(luò)與PID自校正控制算法相結(jié)合，研究了一種新的連續(xù)攪拌反應(yīng)釜控制技術(shù)，以期利用BP神經(jīng)網(wǎng)絡(luò)的逼近特性和PID自適應(yīng)能力改善反應(yīng)釜內(nèi)的溫度控制效果。

1 連續(xù)攪拌反應(yīng)釜的工作原理①

連續(xù)攪拌反應(yīng)釜結(jié)構(gòu)示意圖如圖1所示。先按照一定的比例將反應(yīng)物料混合，然后與催化劑一起投入反應(yīng)釜內(nèi)，將一定的高壓蒸汽通入反應(yīng)釜的夾套之中[11]。反應(yīng)釜的夾套利用高壓蒸汽將釜內(nèi)物料的溫度升高，攪拌釜進行攪拌使導(dǎo)熱速度提高、物料和溫度分布均勻。當(dāng)反應(yīng)釜內(nèi)溫度上升到設(shè)定溫度時，釜內(nèi)開始進行化學(xué)反應(yīng)，而為了保證化學(xué)反應(yīng)能夠正常持續(xù)進行(即保持一定時間的恒溫)，直至化學(xué)反應(yīng)結(jié)束，在某些特殊情況下還需要進行二次升溫和恒溫。

圖1 連續(xù)攪拌反應(yīng)釜結(jié)構(gòu)示意圖

釜內(nèi)溫度偏低或偏高都會影響反應(yīng)的轉(zhuǎn)化率和反應(yīng)進行的深度，從而對產(chǎn)品的質(zhì)量產(chǎn)生影響，因此恒溫階段是整個工藝的關(guān)鍵。為了保證反應(yīng)釜內(nèi)溫度穩(wěn)定不偏高，通常將一定的冷卻介質(zhì)通入夾套中，用來將化學(xué)反應(yīng)放出的多余熱量及時移出，因此對反應(yīng)釜夾套內(nèi)冷卻介質(zhì)的流量進行控制是保證反應(yīng)釜內(nèi)溫度恒定的關(guān)鍵。

2 基于BP神經(jīng)網(wǎng)絡(luò)的PID自校正控制

基于BP神經(jīng)網(wǎng)絡(luò)的PID自校正控制系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的PID自校正控制系統(tǒng)結(jié)構(gòu)

已知非線性系統(tǒng)結(jié)構(gòu)參數(shù)ny、nu及d等，則基于BP神經(jīng)網(wǎng)絡(luò)的PID自校正控制算法描述如下。

第二步，采樣系統(tǒng)實際輸出y(k)和參考輸入yr(k)，并計算：

Δu(k)=KP(k-1)xc1(k)+KI(k-1)xc2(k)+

KD(k-1)xc3(k)

ec(k)=r(k)-y(k)

xc1(k)=ec(k)-ec(k-1)

xc2(k)=ec(k)

xc3(k)=ec(k)-2ec(k-1)+ec(k-2)

u(k)=u(k-1)+Δu(k)

其中，KP、KI、KD分別為PID控制律的調(diào)節(jié)參數(shù)。

第三步，計算當(dāng)前神經(jīng)網(wǎng)絡(luò)輸出ym(k)。輸入層神經(jīng)元輸出為：

(1)

隱含層神經(jīng)元輸入為：

(2)

隱含層神經(jīng)元輸出為：

(3)

輸出層神經(jīng)元輸出為：

(4)

第四步，利用式(1)～(4)計算雅可比矩陣(Jacobian)信息為：

第五步，計算KP(k)、KI(k)、KD(k)。采用梯度下降法調(diào)整PID參數(shù)，即：

則相應(yīng)的PID參數(shù)調(diào)整過程如下：

KP(k)=KP(k-1)+ΔKP(k)+αc(KP(k-1)-

KP(k-2))

KI(k)=KI(k-1)+ΔKI(k)+αc(KI(k-1)-

KI(k-2))

KD(k)=KD(k-1)+ΔKD(k)+αc(KD(k-1)-

KD(k-2))

wj(2)(k-2))

wj(1)(k-2))

第七步，返回第二步，k←k+1，循環(huán)。

3 仿真實例

考慮被控對象y(k)=1.6065y(k-1)+0.6065y(k-2)+0.1065u(k-3)+0.0902u(k-4)?？刂颇繕藶楦櫩刂疲谏窠?jīng)網(wǎng)絡(luò)的自適應(yīng)PID(NNPID)與經(jīng)典PID控制效果的對比如圖3所示，其中y-SET表示設(shè)定值，y-PID表示傳統(tǒng)的PID控制效果，y-NNPID表示基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制效果。圖4給出了兩種控制器的輸出信號，即被控對象的輸入信號(Input)，其中u-PID表示傳統(tǒng)PID控制器輸出，u-NNPID表示基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器輸出。

圖3 NNPID與經(jīng)典PID的控制效果對比

圖4 NNPID與經(jīng)典PID的控制信號對比

從圖3可以看出，基于神經(jīng)網(wǎng)絡(luò)的PID控制器與經(jīng)典PID控制器相比，在保證具有相同暫態(tài)響應(yīng)時間的前提下，前者具有較小的超調(diào)量。從圖4可以看出，基于神經(jīng)網(wǎng)絡(luò)的PID控制器輸出的控制信號遠小于傳統(tǒng)PID控制器的輸出，這對于實際的控制過程而言，代表著更小的能量消耗和儀器折舊。

4 結(jié)束語

筆者設(shè)計了基于BP神經(jīng)網(wǎng)絡(luò)的PID自校正控制系統(tǒng)結(jié)構(gòu)，并通過Matlab進行仿真，將NNPID與經(jīng)典PID的控制效果、控制信號進行對比，結(jié)果表明：基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器控制效果明顯優(yōu)于經(jīng)典PID控制器，為連續(xù)攪拌反應(yīng)釜內(nèi)的化學(xué)反應(yīng)恒溫控制提供了重要保障。

[1] 陶永華,尹怡欣,葛蘆生.新型PID控制及其應(yīng)用[M].北京:機械工業(yè)出版社,2002.

[2] 徐祖華,趙均,錢積新.一種新穎的魯棒PID控制器設(shè)計方法[J].化工學(xué)報,2009,60(1):118～121.

[3] 董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京:國防工業(yè)出版社,2005.

[4] 徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M].北京:電子工業(yè)出版社,2009.

[5] 張妍妍.連續(xù)攪拌反應(yīng)釜的智能控制器設(shè)計[D].鄭州:鄭州大學(xué),2007.

[6] Shah M A,Meckl P H.On-line Control of a Nonlinear System Using Radial Basis Function Neural Networks[C]. Proceedings of the American Control Conference. Seattle:IEEE,1995:4265～4269.

[7] Jalili-Kharaajoo M.Predictive Control of a Continuous Stirred Tank Reactor Based on Neuro-fuzzy Model of the Process[C].SICE 2003 Annual Conference. Fukui:IEEE,2003:3277～3282.

[8] 雷佳,蔣靜坪.基于遺傳算法的模型參考自適應(yīng)控制[J].控制理論與應(yīng)用,1998,15(3):466～468.

[9] 韓光信,王立國,楊世儒,等.連續(xù)攪拌反應(yīng)釜的非線性H∞控制[J].吉林化工學(xué)院學(xué)報,2003,20(1):57～60.

[10] 吳偉林.基于神經(jīng)元網(wǎng)絡(luò)的間歇反應(yīng)釜智能控制器的設(shè)計[J].微計算機信息,1997,13(5):11～13.

[11] 賈愛民,蔣靜坪.連續(xù)攪拌反應(yīng)釜的魯棒控制[J].合成橡膠工業(yè),1992,15(4):213～215.