吳新生
(廣東科學(xué)技術(shù)職業(yè)學(xué)院廣州學(xué)院,廣東 廣州 510640)
抄紙過程是將稀釋到一定濃度的紙漿在造紙機(jī)網(wǎng)部脫水,形成濕紙頁(yè),經(jīng)壓榨、烘干形成紙張。定量和水分是紙張質(zhì)量重要的2 個(gè)參數(shù),定量是每平方米紙的質(zhì)量,用g/m2來(lái)表示;水分是每平方米紙的含水量,用%來(lái)表示。它們是抄紙過程中需要控制的參數(shù)。定量通過調(diào)節(jié)進(jìn)漿閥的開度來(lái)增加或減少上網(wǎng)紙漿流量來(lái)進(jìn)行控制;水分通過調(diào)節(jié)進(jìn)入烘缸的蒸汽流量來(lái)增加或減少紙頁(yè)的水分蒸發(fā)量來(lái)實(shí)現(xiàn)[1]。但是上網(wǎng)紙漿流量的變化不僅導(dǎo)致紙頁(yè)定量的變化,也會(huì)引起紙頁(yè)水分的變化;蒸汽流量的變化不僅導(dǎo)致紙頁(yè)水分的變化,也會(huì)引起紙頁(yè)定量的變化。因此,定量與水分的控制存在高度耦合[3]。加之,抄紙過程的流程長(zhǎng),除了容積延遲外,也存在很大的純延遲,給定量水分控制帶來(lái)很大的不利影響。文獻(xiàn)[4-9]雖應(yīng)用不同的解耦方法實(shí)現(xiàn)了定量與水分之間的解耦,也有文獻(xiàn)通過應(yīng)用Smith 預(yù)估控制克服了純延遲的影響[6],但是這些方法都需要建立精確的數(shù)學(xué)控制模型,而且不能同時(shí)解決抄紙過程控制的強(qiáng)耦合和長(zhǎng)純滯后這2 種問題。加之,抄紙過程復(fù)雜,獲取精確的數(shù)學(xué)控制模型困難。因此,使用上述方法,很難取得最佳的控制效果。
本文嘗試使用PID 神經(jīng)元網(wǎng)絡(luò)對(duì)抄紙過程定量水分進(jìn)行解耦控制。PID 神經(jīng)元網(wǎng)絡(luò)不僅結(jié)構(gòu)簡(jiǎn)單,而且具有非線性特點(diǎn),且不需要建立精確的數(shù)學(xué)控制模型。仿真結(jié)果表明,設(shè)計(jì)的PID 神經(jīng)元網(wǎng)絡(luò)不僅實(shí)現(xiàn)了定量水分控制的完全解耦,而且克服了系統(tǒng)非線性和純延遲對(duì)控制性能的影響,取得了令人滿意的控制結(jié)果。
但是,PID 神經(jīng)元網(wǎng)絡(luò)的權(quán)值采用梯度學(xué)習(xí)法進(jìn)行修正,初始權(quán)值隨機(jī)給定,造成網(wǎng)絡(luò)權(quán)值在修正過程中容易陷入局部最優(yōu)。為了達(dá)到滿意的學(xué)習(xí)效果,初始權(quán)值一般需要多次給定,但初始權(quán)值的給定方法很難保證每次給定均能達(dá)到期望的控制效果。為了改善上述情形,采用粒子群算法優(yōu)選PID 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值。研究發(fā)現(xiàn),粒子群算法對(duì)PID 神經(jīng)元網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化選取,得到的PID 神經(jīng)元網(wǎng)絡(luò)在抄紙過程定量和水分的控制中取得了更佳控制效果。
文獻(xiàn)[2]使用理論和經(jīng)驗(yàn)相結(jié)合的方法,針對(duì)某一紙機(jī)對(duì)數(shù)學(xué)控制模型進(jìn)行了簡(jiǎn)化降階處理,最后得到簡(jiǎn)化的抄紙過程定量水分的數(shù)學(xué)控制模型為[2]:
其中,y1為紙頁(yè)定量;y2為紙頁(yè)水分;u1為進(jìn)漿閥門開度;u2為烘缸蒸汽閥門開度。
從上式中也可以看出:進(jìn)漿閥門開度的變化會(huì)同時(shí)引起紙頁(yè)定量水分變化,烘缸蒸汽閥門開度變化會(huì)同時(shí)引起紙頁(yè)定量水分變化,且純延遲時(shí)間長(zhǎng)。抄紙過程的控制系統(tǒng)是一個(gè)存在強(qiáng)耦合和純延遲的系統(tǒng)。
2.1.1 PID 神經(jīng)元網(wǎng)絡(luò)的原理圖
雙PID 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1 所示。該網(wǎng)絡(luò)從結(jié)構(gòu)上可以分為輸入層、隱含層、輸出層。一個(gè)單PID 神經(jīng)元網(wǎng)絡(luò)進(jìn)行一個(gè)控制量的控制,2 個(gè)控制量的PID 神經(jīng)元網(wǎng)絡(luò)包含2 個(gè)并列的相同子網(wǎng)絡(luò)。抄紙過程的控制系統(tǒng)有定量和水分2 個(gè)控制量,采用雙PID 神經(jīng)元網(wǎng)絡(luò)來(lái)進(jìn)行控制。2 個(gè)子網(wǎng)絡(luò)之間既相互獨(dú)立,又在隱含層和輸出層之間通過網(wǎng)絡(luò)連接權(quán)相互聯(lián)接。每個(gè)子網(wǎng)絡(luò)的輸入層有2 個(gè)神經(jīng)元,分別接收控制量的目標(biāo)值和當(dāng)前值。每個(gè)子網(wǎng)絡(luò)隱含層的神經(jīng)元均由比例元、積分元和微分元構(gòu)成,分別對(duì)應(yīng)著PID 控制器的比例控制、積分控制和微分控制。從PID 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)上可清楚地看出,PID 神經(jīng)元網(wǎng)絡(luò)控制不需要建立抄紙過程的精確數(shù)學(xué)控制模型。
圖1 雙PID 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)圖
2.1.2 雙PID 神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法
對(duì)于定量和水分2 個(gè)控制量的PID 神經(jīng)元網(wǎng)絡(luò),在任意采樣時(shí)刻k,各層神經(jīng)元的計(jì)算如下:
1)輸入層:該層包含4 個(gè)神經(jīng)元,分別對(duì)應(yīng)定量和水分的控制目標(biāo)值和當(dāng)前值的輸入。神經(jīng)元的輸出數(shù)據(jù)等于輸入數(shù)據(jù),計(jì)算公式如下:
其中,usi為神經(jīng)元的輸出值,xsi為神經(jīng)元的輸入值,s=1,2 為并列子網(wǎng)絡(luò)的序號(hào),i=1,2。
2)隱含層:該層包含6 個(gè)神經(jīng)元,包括2 個(gè)比例神經(jīng)元、2 個(gè)積分神經(jīng)元和2 個(gè)微分神經(jīng)元。每個(gè)子網(wǎng)絡(luò)的比例、積分和微分神經(jīng)元的輸入值均相同,計(jì)算公式如下:
6 個(gè)神經(jīng)元輸出的計(jì)算公式分別如下:
①比例神經(jīng)元:
②積分神經(jīng)元:
③微分神經(jīng)元:
上面各式中,wsij為各子神經(jīng)元網(wǎng)輸入至隱含層的連接權(quán)值;s=1,2 為并聯(lián)子網(wǎng)絡(luò)的序號(hào);j=1,2,3為每個(gè)子網(wǎng)絡(luò)中隱含層神經(jīng)元的序號(hào)。
3)輸出層:該層有2 個(gè)神經(jīng)元,對(duì)應(yīng)定量和水分2 個(gè)輸出量。輸出層的輸入為隱含層全部神經(jīng)元的輸出值加權(quán)和,計(jì)算公式如下:
神經(jīng)元的輸出為:
上式中,wsjh為隱含層至輸出層的連接權(quán)值,h=1,2 為輸出層的神經(jīng)元序號(hào)。
學(xué)習(xí)過程主要是修正網(wǎng)絡(luò)的連接權(quán)值。為了確定這些值,PID 神經(jīng)元網(wǎng)絡(luò)在控制過程中根據(jù)控制量誤差按照梯度修正法修正權(quán)值,使得控制量不斷接近控制目標(biāo)值,權(quán)值修正的過程如下:
誤差計(jì)算公式如下:
式中,n=2 為輸出節(jié)點(diǎn)數(shù),y 為預(yù)測(cè)輸出,r 為目標(biāo)值。
經(jīng)過k 步訓(xùn)練,PID 神經(jīng)元網(wǎng)絡(luò)權(quán)值的修正采用增加動(dòng)量項(xiàng)的改進(jìn)誤差反傳算法,具體的公式如下:
①輸入層到隱含層:
②隱含層到輸出層:
其中,η 為學(xué)習(xí)速率,α 為慣性系數(shù),0 <α <1。
圖2 PID 神經(jīng)元網(wǎng)絡(luò)閉環(huán)控制系統(tǒng)
抄紙過程的定量水分PID 神經(jīng)元網(wǎng)絡(luò)閉環(huán)控制系統(tǒng)原理如圖2 所示。在系統(tǒng)中,r1和r2分別是系統(tǒng)的定量和水分給定值,y1和y2是系統(tǒng)的定量和水分輸出,u1和u2分別是PID 神經(jīng)元網(wǎng)絡(luò)控制器的定量和水分控制律的輸出。對(duì)于此系統(tǒng),由于抄紙過程有定量和水分2 個(gè)控制量,所以選擇包含了2 個(gè)單神經(jīng)元網(wǎng)絡(luò)組成的多神經(jīng)元網(wǎng)絡(luò)作為系統(tǒng)控制器。
由于PID 神經(jīng)網(wǎng)絡(luò)采用梯度學(xué)習(xí)算法,隨機(jī)選取網(wǎng)絡(luò)的初始權(quán)值在學(xué)習(xí)過程中常易陷于局部最優(yōu)。為了解決這個(gè)問題,嘗試采用粒子群算法對(duì)PID 神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)選,方法如下:
在一個(gè)D 維的目標(biāo)搜索空間中,首先初始化n個(gè)粒子,組成一個(gè)種群T={X1,X2,…,Xn},其中,Xi=(xi1,xi2,…,xiD),i=1,2,…,n,表示第i 個(gè)粒子在D 維空間的位置,vi=(vi1,vi2,…,viD),i=1,2,…,n,表示第i 個(gè)粒子的速度。第i 個(gè)粒子搜索到的個(gè)體極值表示Pi=(Pi1,Pi2,…,PiD),i=1,2,…,n,在整個(gè)粒子群中,所有粒子搜索到的全局極值表示為Pg=(Pg1,Pg2,…,PgD),g∈{1,2,…,n}。則第i 個(gè)粒子按照下面的公式來(lái)更新自己的速度和位置:
上2 式中,ω 是慣性因子,i=1,2,…,n,k 是迭代代數(shù),學(xué)習(xí)因子c1和c2為2 個(gè)正常數(shù),分別調(diào)節(jié)向Pi和Pg方向飛行的步長(zhǎng),r1和r2是均勻分布于[0,1]之間的2 個(gè)隨機(jī)數(shù)。為了控制和的各個(gè)分量在合理的區(qū)域內(nèi),需指定Vmax和Xmax,則Xi∈[-Xmax,Xmax],Vi∈[-Vmax,Vmax]。為了達(dá)到較好尋優(yōu)性能和效果,使用改進(jìn)的粒子群優(yōu)化算法來(lái)調(diào)整ω 慣性因子與學(xué)習(xí)因子c1和c2。
個(gè)體在算法搜索初期使用較大慣性權(quán)重,具有較強(qiáng)全局搜索能力,后期則使用較小慣性權(quán)重,提高局部搜索能力,這樣可以減少迭代次數(shù)而找到最優(yōu)解。故本文選擇一種根據(jù)算法迭代次數(shù)使慣性權(quán)重線性遞減的策略,慣性因子的計(jì)算公式如下:
式中,k 為當(dāng)前的迭代代數(shù),kmax為算法最大迭代代數(shù)。
個(gè)體在算法的初始階段,具有大的“自身認(rèn)知”部分和小的“群體認(rèn)知”部分,以利于算法在整個(gè)尋優(yōu)空間進(jìn)行全局搜索,不至于過早陷入局部極小值;而在算法后期,應(yīng)有小的“自身認(rèn)知”部分和大的“群體認(rèn)知”部分,以利于算法收斂于全局最優(yōu)解,提高算法收斂速度和精度。故在進(jìn)化過程中動(dòng)態(tài)地調(diào)整學(xué)習(xí)因子c1和c2的值,計(jì)算公式如下:
上2 式中,kmax和k 分別為算法的最大迭代代數(shù)和當(dāng)前代數(shù)。cmax和cmin為c1的最小值和最大值,其中0 <cmin<cmax≤4。
抄紙過程定量和水分的PID 神經(jīng)元網(wǎng)絡(luò)是一個(gè)四輸入二輸出的網(wǎng)絡(luò),4 個(gè)輸入分別是定量和水分的控制目標(biāo)值和當(dāng)前值,2 個(gè)輸出分別是定量和水分的控制律輸出,網(wǎng)絡(luò)的初始權(quán)值分別為隨機(jī)得到和使用粒子群算法優(yōu)化得到,網(wǎng)絡(luò)學(xué)習(xí)均取學(xué)習(xí)率η=0.01,慣性系數(shù)α=0.001,定量和水分的控制目標(biāo)分別定為60 g/m2和6 %。網(wǎng)絡(luò)初始權(quán)值隨機(jī)得到的PID 神經(jīng)元網(wǎng)絡(luò)控制效果如圖3 所示,控制總誤差如圖4 所示。PID 神經(jīng)元網(wǎng)絡(luò)的初始權(quán)值使用粒子群算法優(yōu)化得到,PID 神經(jīng)元網(wǎng)絡(luò)控制效果如圖5 所示,控制總誤差如圖6 所示。粒子群算法采用種群規(guī)模和進(jìn)化代數(shù)分別為20 和50。
圖3 PID 神經(jīng)元網(wǎng)絡(luò)控制效果(初始權(quán)值未優(yōu)化)
圖4 PID 神經(jīng)元網(wǎng)絡(luò)控制誤差曲線(初始權(quán)值未優(yōu)化)
圖5 PID 神經(jīng)元網(wǎng)絡(luò)控制效果(初始權(quán)值優(yōu)化后)
圖6 PID 神經(jīng)元網(wǎng)絡(luò)控制誤差曲線(初始權(quán)值優(yōu)化后)
通過仿真結(jié)果分析,可以發(fā)現(xiàn):
1)從圖3 和圖5 可知,初始權(quán)值優(yōu)化前后,采用抄紙過程定量和水分的PID 神經(jīng)元控制系統(tǒng),定量和水分的實(shí)際值都能平緩接近目標(biāo)值,沒有超調(diào),PID神經(jīng)元網(wǎng)絡(luò)控制系統(tǒng)具有較好的動(dòng)態(tài)控制特性。
2)比較圖3 和圖5,初始權(quán)值優(yōu)化前后的PID 神經(jīng)網(wǎng)絡(luò)控制器都能夠控制抄紙過程的定量水分系統(tǒng),系統(tǒng)的實(shí)際輸出達(dá)到控制目標(biāo),調(diào)節(jié)時(shí)間分別約為0.09 s 和0.02 s。這也說明優(yōu)化后的PID 神經(jīng)網(wǎng)絡(luò)能夠使系統(tǒng)保持更好的動(dòng)態(tài)特性和更快的響應(yīng)速度。
3)比較圖4 和圖6,初始權(quán)值優(yōu)化前后的PID 神經(jīng)元網(wǎng)絡(luò)控制系統(tǒng)的控制誤差平方均值分別在0.09 s、0.02 s后接近0。這也說明優(yōu)化后的PID 神經(jīng)元網(wǎng)絡(luò)控制系統(tǒng)響應(yīng)時(shí)間更短,控制系統(tǒng)的魯棒性更強(qiáng),控制效果更佳。
在抄紙過程定量水分的控制系統(tǒng)中,采用PID 神經(jīng)元網(wǎng)絡(luò)方法能充分發(fā)揮神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的能力,可以在模型不精確的前提下,克服系統(tǒng)的強(qiáng)耦合、純滯后和非線性,系統(tǒng)響應(yīng)速度快、調(diào)節(jié)平穩(wěn)性好,控制系統(tǒng)的控制質(zhì)量較高。
粒子群算法優(yōu)化后的抄紙過程定量水分PID 神經(jīng)元網(wǎng)絡(luò)控制系統(tǒng)的控制響應(yīng)速度更快,具有更高的動(dòng)態(tài)特性,控制系統(tǒng)的魯棒性更強(qiáng),能得到更高的控制精度。
[1]張玲,鄭恩讓.抄紙過程水分定量智能控制[J].自動(dòng)化儀表,2000,21(12):37-39.
[2]孫鑫,孫亞廣,孫優(yōu)賢.造紙過程定量水分的建模與控制[J].中國(guó)造紙,2000(5):19-23.
[3]孫鑫,孫優(yōu)賢.造紙過程定量水分解耦控制分析[J].控制理論與應(yīng)用,2001,18(S1):121-124.
[4]胡積勝,許宗保.解耦控制在紙機(jī)生產(chǎn)中的應(yīng)用[J].黑龍江造紙,2003,31(3):40-41.
[5]沈國(guó)江,胡丹,孫優(yōu)賢.造紙過程定量水分神經(jīng)網(wǎng)絡(luò)建模和控制[J].中國(guó)造紙學(xué)報(bào),2004,19(1):151-155.
[6]張玲,鄭恩讓.多變量DMC 控制在水分定量中的應(yīng)用[J].自動(dòng)化及儀器儀表,2004(3):34-36.
[7]熊淑貞,張根寶.抄紙過程定量水分控制仿真研究[J].計(jì)算機(jī)仿真,2007,24(1):314-318.
[8]陳鐵軍,王梅.造紙過程定量和水分的結(jié)構(gòu)分散化控制[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(28):214-216.
[9]李艷,許合金.造紙過程定量水分的小波神經(jīng)網(wǎng)絡(luò)PID控制[J].計(jì)算機(jī)仿真,2012,29(3):249-253.
[10]舒懷林.PID 神經(jīng)元網(wǎng)絡(luò)對(duì)強(qiáng)耦合帶時(shí)延多變量系統(tǒng)的解耦控制[J].控制理論與應(yīng)用,1998,15(6):920-924.
[11]舒懷林,郭秀才,舒杰磊.注塑機(jī)料筒多段溫度PID 神經(jīng)網(wǎng)絡(luò)解耦控制系統(tǒng)[J].計(jì)算技術(shù)與自動(dòng)化,2004,23(4):55-57.
[12]徐以山,曾碧,尹秀文,等.基于改進(jìn)粒子群算法的BP神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(35):233-235.
[13]沈?qū)W利,張紅巖,張紀(jì)鎖.改進(jìn)粒子群算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2010,19(2):57-61.
[14]張焱.新型粒子群算法[J].計(jì)算機(jī)與現(xiàn)代化,2011(10):1-3.
[15]饒興華,王文格,胡旭.多樣性反饋與控制的粒子群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用,2014,34(2):506-509,513.
[16]楊晨,孫歡.改進(jìn)粒子群優(yōu)化PID 的變風(fēng)量空調(diào)控制策略[J].計(jì)算機(jī)仿真,2014,31(6):424-428.
[17]衣治安,牟春苗,孫寅萍.基于改進(jìn)粒子群算法的模糊神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(6):135-140.