模糊神經(jīng)網(wǎng)絡(luò)在電廠給水加藥系統(tǒng)中的應(yīng)用

吳振興，李朋軒

（1.西安建筑科技大學(xué) 信息與控制工程學(xué)院，陜西 西安 710055；2.防災(zāi)科技學(xué)院 防災(zāi)儀器系，河北 廊坊 065201）

模糊神經(jīng)網(wǎng)絡(luò)在電廠給水加藥系統(tǒng)中的應(yīng)用

吳振興，李朋軒

（1.西安建筑科技大學(xué) 信息與控制工程學(xué)院，陜西 西安 710055；2.防災(zāi)科技學(xué)院 防災(zāi)儀器系，河北 廊坊 065201）

火電廠的給水加藥系統(tǒng)具有時(shí)滯、非線性等特點(diǎn)，并且難以建立數(shù)學(xué)模型。模糊控制對(duì)非線性、時(shí)滯、難以建立數(shù)學(xué)模型等系統(tǒng)有較好的控制效果和魯棒性。神經(jīng)網(wǎng)絡(luò)在自學(xué)習(xí)、自適應(yīng)和容錯(cuò)性方面表現(xiàn)出了良好的效果。將這兩種智能算法融合，使系統(tǒng)在更好利用經(jīng)驗(yàn)規(guī)則實(shí)現(xiàn)較好控制效果的同時(shí)能根據(jù)環(huán)境的變化不斷地學(xué)習(xí)，提高系統(tǒng)的自適應(yīng)能力和魯棒性。文章設(shè)計(jì)了基于T-S模糊神經(jīng)網(wǎng)絡(luò)的加藥控制器，并通過(guò)仿真對(duì)比檢驗(yàn)了T-S模糊神經(jīng)網(wǎng)絡(luò)靜態(tài)性能和動(dòng)態(tài)性能以及對(duì)于非線性和時(shí)滯的控制效果。

火電廠；化學(xué)水處理；模糊神經(jīng)網(wǎng)絡(luò)控制

1 相關(guān)概念介紹

1.1 給水加藥系統(tǒng)簡(jiǎn)介

在火力發(fā)電廠化學(xué)水處理經(jīng)過(guò)預(yù)處理和除鹽之后水質(zhì)較好，但是還是會(huì)發(fā)生金屬的電化學(xué)腐蝕問(wèn)題。這種腐蝕不僅會(huì)損壞給水管道和相關(guān)的設(shè)備，嚴(yán)重時(shí)還會(huì)損壞鍋爐[1]。給水的自動(dòng)加藥系統(tǒng)由PH表、控制器、變頻器、加藥泵等組成。PH值的采樣點(diǎn)在給水泵后面。氨的加藥點(diǎn)在除氧器的后面，在給水泵的前面。系統(tǒng)在給水泵后面采樣PH值后根據(jù)PH值來(lái)決定加藥量，然后通過(guò)控制變頻器來(lái)控制加藥泵的頻率，從而控制加藥量的多少。通過(guò)對(duì)加藥控制過(guò)程的分析，可以得出加藥控制系統(tǒng)具有時(shí)滯、非線性的特點(diǎn)。

1.2 T-S模糊神經(jīng)網(wǎng)絡(luò)介紹

1985年Takagi等[2]提出了T-S模糊邏輯系統(tǒng)，其由前件和后件部分組成。前件部分主要是對(duì)輸入量進(jìn)行模糊化并利用模糊規(guī)則對(duì)模糊變量進(jìn)行表達(dá)。T-S模糊神經(jīng)網(wǎng)絡(luò)有前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩個(gè)子網(wǎng)絡(luò)組成，其中前件網(wǎng)絡(luò)包括輸入層、隸屬度層、模糊規(guī)則層和前件輸出層4層神經(jīng)元。后件網(wǎng)絡(luò)包括輸入層、隱含層，模糊神經(jīng)輸出層3層神經(jīng)元組成[3]。前件網(wǎng)絡(luò)主要負(fù)責(zé)的是對(duì)輸入向量進(jìn)行模糊化和對(duì)模糊規(guī)則進(jìn)行推理。后件網(wǎng)絡(luò)主要負(fù)責(zé)將模糊規(guī)則進(jìn)行線性組合并匯總輸出。

1.3 基于T-SFNN的加藥控制系統(tǒng)

基于T-SFNN的加藥控制系統(tǒng)的結(jié)構(gòu)如圖1所示。其中T-S模糊神經(jīng)網(wǎng)絡(luò)的輸入量為PH實(shí)際值與期望值的誤差e（k）和誤差的變化量ec（k）[4]。輸出量為控制量的變化量Δu（k）（加藥泵頻率的變化值）。學(xué)習(xí)和訓(xùn)練的方式采用的是正向傳播法和反向誤差傳播法，學(xué)習(xí)和訓(xùn)練調(diào)整的參數(shù)為前件隸屬函數(shù)的中心值和寬度值cij和σij，還有后件網(wǎng)絡(luò)輸入層和隱層之間的權(quán)值wij，通過(guò)對(duì)這些參數(shù)的調(diào)整來(lái)實(shí)現(xiàn)模糊規(guī)則的實(shí)時(shí)跟新，使系統(tǒng)能更好地適應(yīng)環(huán)境，從而達(dá)到控制要求[5]。

圖1 基于T-S模糊神經(jīng)網(wǎng)絡(luò)加藥控制結(jié)構(gòu)

1.4 加藥控制系統(tǒng)的訓(xùn)練過(guò)程

開(kāi)始我們定義一個(gè)目標(biāo)函數(shù)：

其中，MSE為均方誤差，EI（k）表示的是在k時(shí)刻的瞬時(shí)平方差，N為樣本數(shù)，rink（k）和yout（k）分別為k時(shí)刻PH值的期望輸出值和采樣輸出值，e（k）為k時(shí)刻系統(tǒng)的誤差值。

在真實(shí)的加藥系統(tǒng)控制過(guò)程中，每當(dāng)采樣一次后，T-SFNN就會(huì)通過(guò)正向傳播和反向誤差傳播的方式進(jìn)行學(xué)習(xí)和訓(xùn)練，通過(guò)更新前件網(wǎng)絡(luò)隸屬度函數(shù)的中心值cij和寬度值σij其更新的推導(dǎo)公式為：

式中cij（k）和cij（k+1）分別為k和k+1時(shí)刻的中心值，σij（k）和σij（k+1）分別為k時(shí)刻和k+1時(shí)刻的寬度值，η為學(xué)習(xí)率的值。在前件網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練更新隸屬度函數(shù)的中心值和寬度值的同時(shí)后件網(wǎng)絡(luò)也通過(guò)正向傳播和反向誤差傳播的學(xué)習(xí)和訓(xùn)練來(lái)更新后輸入層和隱藏層之間的連接權(quán)值。其更新的推導(dǎo)公式為：

其中，wij（k）和wij（k+1）分別表示k和k+1時(shí)刻后，在網(wǎng)絡(luò)中輸入層與隱層之間的權(quán)值。

2 系統(tǒng)的仿真研究

本文主要采用MATLAB對(duì)T-S模糊神經(jīng)網(wǎng)絡(luò)控制器和PID控制器來(lái)進(jìn)行仿真，通過(guò)對(duì)其靜態(tài)性能和動(dòng)態(tài)性能進(jìn)行仿真測(cè)試系統(tǒng)的靜態(tài)性能和動(dòng)態(tài)性能。其中PH的設(shè)定值為9，學(xué)習(xí)率選取為0.7，前件網(wǎng)絡(luò)隸屬度函數(shù)高斯函數(shù)的中心值，寬度值以及后件網(wǎng)絡(luò)的權(quán)值皆隨機(jī)進(jìn)行初始化。

圖2中的是T-S模糊神經(jīng)網(wǎng)絡(luò)階躍響應(yīng)曲線，是PID階躍響應(yīng)曲線。由圖2可得普通的PID的響應(yīng)速度快，但是過(guò)度時(shí)間較長(zhǎng)且有超調(diào)和輕微振蕩。而T-S模糊神經(jīng)網(wǎng)絡(luò)雖然響應(yīng)速度比PID稍慢，但過(guò)度時(shí)間短，整體的穩(wěn)定性和魯棒性T-S模糊神經(jīng)網(wǎng)絡(luò)要好于PID。

圖2 PID和T-S模糊神經(jīng)網(wǎng)絡(luò)階躍響應(yīng)

3 結(jié)語(yǔ)

首先文章對(duì)加藥過(guò)程和自動(dòng)加藥系統(tǒng)進(jìn)行了分析，并基于自動(dòng)加藥系統(tǒng)非線性，時(shí)滯的特點(diǎn)對(duì)相應(yīng)的控制算法模糊控制和神經(jīng)網(wǎng)絡(luò)進(jìn)行了介紹。接著根據(jù)模糊控制能利用專家經(jīng)驗(yàn)不能自學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力較強(qiáng)不能利用專家經(jīng)驗(yàn)特點(diǎn)，將兩種算法融合進(jìn)行優(yōu)勢(shì)互補(bǔ)得到模糊神經(jīng)網(wǎng)絡(luò)。最后設(shè)計(jì)了基于T-S模糊神經(jīng)網(wǎng)絡(luò)的加藥控制系統(tǒng)并對(duì)相應(yīng)的控制算法和PID控制算法在MATLAB上進(jìn)行了仿真比較，得出基于T-S模糊神經(jīng)網(wǎng)絡(luò)的自動(dòng)加藥控制系統(tǒng)具有良好的靜態(tài)特性和動(dòng)態(tài)性。

[1]CHEN C S.Robust self-organizing neural-fuzzy control with uncertainty observer for mimo nonlinear systems[J].Fuzzy Systems Transactions on Institute of Electrical and Electronic Engineers, 2011（4）：694-706.

[2]WAEWSAK C, NOPHARATANA A, CHAIPRASERT P. Neural-fuzzy control system application for monitoring process response and control of anaerobic hybrid reactor in wastewater treatment and biogas production[J].Journal of Environmental Science, 2010（12）：1883.

[3]侯越.基于改進(jìn)T-S模糊神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)[J].計(jì)算機(jī)科學(xué)與探索，2014（1）：121-126.

[4]張宇，盧文喜，陳社明，等. 基于T-S模糊神經(jīng)網(wǎng)絡(luò)的地下水水質(zhì)評(píng)價(jià)[J].節(jié)水灌溉，2012（7）：35-38.

Application of fuzzy neural network in feed water dosing system of power plant

Wu Zhenxing, Li Pengxuan
（1.Information and Control Engineering School of Xi’an University of Architecture and Technology, Xi’an 710055, China; 2.Disaster Prevention Instrument Department of Institute of Disaster Prevention, Langfang 065201, China）

The feed water dosing system in thermal power plant has the characteristics of time delay and nonlinearity, and it is dif fi cult to establish the mathematical model. The fuzzy control has better control effect and robustness for solving these problems of modeling system. Neural networks show good results in self-learning, adaptive and fault tolerance. The two intelligent algorithms are integrated so that the system can better use the empirical rules to achieve better control effect, and can learn constantly according to the change of environment to improve the system robustness and adaptability. This paper designs a dosing controller based on T-S fuzzy neural network, then compares and veri fi es the static performance and dynamic performance of T-S fuzzy neural network, as well as nonlinear and time-delay control effects by simulation.

heat-engine plant; chemical water treatment; fuzzy neural network control

吳振興（1992— ），男，湖北天門。