吳新生
(廣東科學技術職業(yè)學院廣州學院,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網部脫水,形成濕紙頁,經壓榨、烘干形成紙張。定量和水分是紙張質量重要的2 個參數(shù),定量是每平方米紙的質量,用g/m2來表示;水分是每平方米紙的含水量,用%來表示。它們是抄紙過程中需要控制的參數(shù)。定量通過調節(jié)進漿閥的開度來增加或減少上網紙漿流量來進行控制;水分通過調節(jié)進入烘缸的蒸汽流量來增加或減少紙頁的水分蒸發(fā)量來實現(xiàn)[1]。但是上網紙漿流量的變化不僅導致紙頁定量的變化,也會引起紙頁水分的變化;蒸汽流量的變化不僅導致紙頁水分的變化,也會引起紙頁定量的變化。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,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很大的不利影響。文獻[4-9]雖應用不同的解耦方法實現(xiàn)了定量與水分之間的解耦,也有文獻通過應用Smith 預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)學控制模型,而且不能同時解決抄紙過程控制的強耦合和長純滯后這2 種問題。加之,抄紙過程復雜,獲取精確的數(shù)學控制模型困難。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 神經元網絡對抄紙過程定量水分進行解耦控制。PID 神經元網絡不僅結構簡單,而且具有非線性特點,且不需要建立精確的數(shù)學控制模型。仿真結果表明,設計的PID 神經元網絡不僅實現(xiàn)了定量水分控制的完全解耦,而且克服了系統(tǒng)非線性和純延遲對控制性能的影響,取得了令人滿意的控制結果。
但是,PID 神經元網絡的權值采用梯度學習法進行修正,初始權值隨機給定,造成網絡權值在修正過程中容易陷入局部最優(yōu)。為了達到滿意的學習效果,初始權值一般需要多次給定,但初始權值的給定方法很難保證每次給定均能達到期望的控制效果。為了改善上述情形,采用粒子群算法優(yōu)選PID 神經網絡的初始權值。研究發(fā)現(xiàn),粒子群算法對PID 神經元網絡初始權值進行優(yōu)化選取,得到的PID 神經元網絡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[2]使用理論和經驗相結合的方法,針對某一紙機對數(shù)學控制模型進行了簡化降階處理,最后得到簡化的抄紙過程定量水分的數(shù)學控制模型為[2]:
其中,y1為紙頁定量;y2為紙頁水分;u1為進漿閥門開度;u2為烘缸蒸汽閥門開度。
從上式中也可以看出:進漿閥門開度的變化會同時引起紙頁定量水分變化,烘缸蒸汽閥門開度變化會同時引起紙頁定量水分變化,且純延遲時間長。抄紙過程的控制系統(tǒng)是一個存在強耦合和純延遲的系統(tǒng)。
2.1.1 PID 神經元網絡的原理圖
雙PID 神經元網絡結構圖如圖1 所示。該網絡從結構上可以分為輸入層、隱含層、輸出層。一個單PID 神經元網絡進行一個控制量的控制,2 個控制量的PID 神經元網絡包含2 個并列的相同子網絡。抄紙過程的控制系統(tǒng)有定量和水分2 個控制量,采用雙PID 神經元網絡來進行控制。2 個子網絡之間既相互獨立,又在隱含層和輸出層之間通過網絡連接權相互聯(lián)接。每個子網絡的輸入層有2 個神經元,分別接收控制量的目標值和當前值。每個子網絡隱含層的神經元均由比例元、積分元和微分元構成,分別對應著PID 控制器的比例控制、積分控制和微分控制。從PID 神經元網絡結構上可清楚地看出,PID 神經元網絡控制不需要建立抄紙過程的精確數(shù)學控制模型。
圖1 雙PID 神經元網絡結構圖
2.1.2 雙PID 神經元網絡的學習算法
對于定量和水分2 個控制量的PID 神經元網絡,在任意采樣時刻k,各層神經元的計算如下:
1)輸入層:該層包含4 個神經元,分別對應定量和水分的控制目標值和當前值的輸入。神經元的輸出數(shù)據等于輸入數(shù)據,計算公式如下:
其中,usi為神經元的輸出值,xsi為神經元的輸入值,s=1,2 為并列子網絡的序號,i=1,2。
2)隱含層:該層包含6 個神經元,包括2 個比例神經元、2 個積分神經元和2 個微分神經元。每個子網絡的比例、積分和微分神經元的輸入值均相同,計算公式如下:
6 個神經元輸出的計算公式分別如下:
①比例神經元:
②積分神經元:
③微分神經元:
上面各式中,wsij為各子神經元網輸入至隱含層的連接權值;s=1,2 為并聯(lián)子網絡的序號;j=1,2,3為每個子網絡中隱含層神經元的序號。
3)輸出層:該層有2 個神經元,對應定量和水分2 個輸出量。輸出層的輸入為隱含層全部神經元的輸出值加權和,計算公式如下:
神經元的輸出為:
上式中,wsjh為隱含層至輸出層的連接權值,h=1,2 為輸出層的神經元序號。
學習過程主要是修正網絡的連接權值。為了確定這些值,PID 神經元網絡在控制過程中根據控制量誤差按照梯度修正法修正權值,使得控制量不斷接近控制目標值,權值修正的過程如下:
誤差計算公式如下:
式中,n=2 為輸出節(jié)點數(shù),y 為預測輸出,r 為目標值。
經過k 步訓練,PID 神經元網絡權值的修正采用增加動量項的改進誤差反傳算法,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 為學習速率,α 為慣性系數(shù),0 <α <1。
圖2 PID 神經元網絡閉環(huán)控制系統(tǒng)
抄紙過程的定量水分PID 神經元網絡閉環(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 神經元網絡控制器的定量和水分控制律的輸出。對于此系統(tǒng),由于抄紙過程有定量和水分2 個控制量,所以選擇包含了2 個單神經元網絡組成的多神經元網絡作為系統(tǒng)控制器。
由于PID 神經網絡采用梯度學習算法,隨機選取網絡的初始權值在學習過程中常易陷于局部最優(yōu)。為了解決這個問題,嘗試采用粒子群算法對PID 神經網絡初始權值進行優(yōu)選,方法如下:
在一個D 維的目標搜索空間中,首先初始化n個粒子,組成一個種群T={X1,X2,…,Xn},其中,Xi=(xi1,xi2,…,xiD),i=1,2,…,n,表示第i 個粒子在D 維空間的位置,vi=(vi1,vi2,…,viD),i=1,2,…,n,表示第i 個粒子的速度。第i 個粒子搜索到的個體極值表示Pi=(Pi1,Pi2,…,PiD),i=1,2,…,n,在整個粒子群中,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 個粒子按照下面的公式來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),學習因子c1和c2為2 個正常數(shù),分別調節(jié)向Pi和Pg方向飛行的步長,r1和r2是均勻分布于[0,1]之間的2 個隨機數(shù)。為了控制和的各個分量在合理的區(qū)域內,需指定Vmax和Xmax,則Xi∈[-Xmax,Xmax],Vi∈[-Vmax,Vmax]。為了達到較好尋優(yōu)性能和效果,使用改進的粒子群優(yōu)化算法來調整ω 慣性因子與學習因子c1和c2。
個體在算法搜索初期使用較大慣性權重,具有較強全局搜索能力,后期則使用較小慣性權重,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算法迭代次數(shù)使慣性權重線性遞減的策略,慣性因子的計算公式如下:
式中,k 為當前的迭代代數(shù),kmax為算法最大迭代代數(shù)。
個體在算法的初始階段,具有大的“自身認知”部分和小的“群體認知”部分,以利于算法在整個尋優(yōu)空間進行全局搜索,不至于過早陷入局部極小值;而在算法后期,應有小的“自身認知”部分和大的“群體認知”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。故在進化過程中動態(tài)地調整學習因子c1和c2的值,計算公式如下:
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 神經元網絡是一個四輸入二輸出的網絡,4 個輸入分別是定量和水分的控制目標值和當前值,2 個輸出分別是定量和水分的控制律輸出,網絡的初始權值分別為隨機得到和使用粒子群算法優(yōu)化得到,網絡學習均取學習率η=0.01,慣性系數(shù)α=0.001,定量和水分的控制目標分別定為60 g/m2和6 %。網絡初始權值隨機得到的PID 神經元網絡控制效果如圖3 所示,控制總誤差如圖4 所示。PID 神經元網絡的初始權值使用粒子群算法優(yōu)化得到,PID 神經元網絡控制效果如圖5 所示,控制總誤差如圖6 所示。粒子群算法采用種群規(guī)模和進化代數(shù)分別為20 和50。
圖3 PID 神經元網絡控制效果(初始權值未優(yōu)化)
圖4 PID 神經元網絡控制誤差曲線(初始權值未優(yōu)化)
圖5 PID 神經元網絡控制效果(初始權值優(yōu)化后)
圖6 PID 神經元網絡控制誤差曲線(初始權值優(yōu)化后)
通過仿真結果分析,可以發(fā)現(xiàn):
1)從圖3 和圖5 可知,初始權值優(yōu)化前后,采用抄紙過程定量和水分的PID 神經元控制系統(tǒng),定量和水分的實際值都能平緩接近目標值,沒有超調,PID神經元網絡控制系統(tǒng)具有較好的動態(tài)控制特性。
2)比較圖3 和圖5,初始權值優(yōu)化前后的PID 神經網絡控制器都能夠控制抄紙過程的定量水分系統(tǒng),系統(tǒng)的實際輸出達到控制目標,調節(jié)時間分別約為0.09 s 和0.02 s。這也說明優(yōu)化后的PID 神經網絡能夠使系統(tǒng)保持更好的動態(tài)特性和更快的響應速度。
3)比較圖4 和圖6,初始權值優(yōu)化前后的PID 神經元網絡控制系統(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 神經元網絡控制系統(tǒng)響應時間更短,控制系統(tǒng)的魯棒性更強,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 神經元網絡方法能充分發(fā)揮神經網絡自學習的能力,可以在模型不精確的前提下,克服系統(tǒng)的強耦合、純滯后和非線性,系統(tǒng)響應速度快、調節(jié)平穩(wěn)性好,控制系統(tǒng)的控制質量較高。
粒子群算法優(yōu)化后的抄紙過程定量水分PID 神經元網絡控制系統(tǒng)的控制響應速度更快,具有更高的動態(tài)特性,控制系統(tǒng)的魯棒性更強,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].控制理論與應用,2001,18(S1):121-124.
[4]胡積勝,許宗保.解耦控制在紙機生產中的應用[J].黑龍江造紙,2003,31(3):40-41.
[5]沈國江,胡丹,孫優(yōu)賢.造紙過程定量水分神經網絡建模和控制[J].中國造紙學報,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用[J].自動化及儀器儀表,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].計算機仿真,2007,24(1):314-318.
[8]陳鐵軍,王梅.造紙過程定量和水分的結構分散化控制[J].計算機工程與應用,2008,44(28):214-216.
[9]李艷,許合金.造紙過程定量水分的小波神經網絡PID控制[J].計算機仿真,2012,29(3):249-253.
[10]舒懷林.PID 神經元網絡對強耦合帶時延多變量系統(tǒng)的解耦控制[J].控制理論與應用,1998,15(6):920-924.
[11]舒懷林,郭秀才,舒杰磊.注塑機料筒多段溫度PID 神經網絡解耦控制系統(tǒng)[J].計算技術與自動化,2004,23(4):55-57.
[12]徐以山,曾碧,尹秀文,等.基于改進粒子群算法的BP神經網絡及其應用[J].計算機工程與應用,2009,45(35):233-235.
[13]沈學利,張紅巖,張紀鎖.改進粒子群算法對BP 神經網絡的優(yōu)化[J].計算機系統(tǒng)應用,2010,19(2):57-61.
[14]張焱.新型粒子群算法[J].計算機與現(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].計算機應用,2014,34(2):506-509,513.
[16]楊晨,孫歡.改進粒子群優(yōu)化PID 的變風量空調控制策略[J].計算機仿真,2014,31(6):424-428.
[17]衣治安,牟春苗,孫寅萍.基于改進粒子群算法的模糊神經網絡[J].計算機系統(tǒng)應用,2014,23(6):135-140.