基于BP神經(jīng)網(wǎng)絡(luò)PID控制技術(shù)在氯化工藝控制中的應(yīng)用

摘要：針對(duì)當(dāng)前化工領(lǐng)域中，特別是氯化工藝領(lǐng)域控制的精度要求，結(jié)合傳統(tǒng)的PID控制存在的問題，提出一種采用BP進(jìn)行改進(jìn)的方法。即通過BP神經(jīng)網(wǎng)絡(luò)在自學(xué)習(xí)方面的優(yōu)勢(shì)，通過BP優(yōu)化減少輸入?yún)?shù)與輸出參數(shù)的誤差。最后，以氯化工藝中的壓力控制為例，通過仿真對(duì)工藝進(jìn)行模擬優(yōu)化，結(jié)果表明，經(jīng)BP優(yōu)化后的PID在延遲量等方面，都有很大的優(yōu)勢(shì)。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);PID控制;仿真;氯化工藝

中圖分類號(hào)：TQ086;rIP183;TP273

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-5922（2020）09-0050-04

氯化工藝由于具有一定的危險(xiǎn)性，需要通過多種技術(shù)監(jiān)管工藝的流程，以保證更高的安全性。但是在氯化安全控制中存在非線性、滯后性、干擾多等問題，只是通過常規(guī)的PID控制方式難以得到合適的控制參數(shù)，影響到了實(shí)際的控制效果。本文針對(duì)上述問題進(jìn)行了研究，結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)了更先進(jìn)的PID氯化工藝控制系統(tǒng)，并通過實(shí)驗(yàn)仿真的方式驗(yàn)證了系統(tǒng)的應(yīng)用效果?；贐P神經(jīng)網(wǎng)絡(luò)下的PID控制系統(tǒng)具有較高的靈活性，能夠利用神經(jīng)網(wǎng)絡(luò)算法自整定各個(gè)控制參數(shù)，從而在氯化工藝控制中達(dá)到更佳的效果。

1 PID控制參數(shù)的BP優(yōu)化

PID控制被廣泛應(yīng)用在工業(yè)領(lǐng)域，主要通過比例（P）、積分（I）、微分（D）三個(gè)參數(shù)進(jìn)行組合的形式來對(duì)偏差進(jìn)行調(diào)節(jié)，確保系統(tǒng)整體處于最佳的運(yùn)行狀態(tài)。在實(shí)際應(yīng)用中一般先要對(duì)控制器進(jìn)行調(diào)節(jié)，在此基礎(chǔ)上調(diào)整各個(gè)設(shè)備的運(yùn)行狀態(tài)，由此得到最佳的控制效果。具體控制計(jì)算方法為：

但PID控制也存在很多局限，如超調(diào)量大、控制靈活度不高等。此外在控制波動(dòng)大、非線性對(duì)象時(shí)效果不佳，需要對(duì)傳統(tǒng)PID算法進(jìn)行改進(jìn)。與此同時(shí)，BP神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用在工業(yè)控制領(lǐng)域，具有良好的非線性映射性能，能夠?qū)斎?、輸出進(jìn)行完整的映射，且可實(shí)現(xiàn)對(duì)知識(shí)的自學(xué)習(xí)。因此，針對(duì)傳統(tǒng)PID控制中存在的非線性問題，引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)優(yōu)化。

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

1.1.1 層數(shù)確定

在構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)時(shí)首先要確定網(wǎng)絡(luò)層數(shù)以及對(duì)應(yīng)的神經(jīng)元數(shù)目，其中本次研究中將隱含層數(shù)目設(shè)為1，并選用了S型函數(shù)，由此形成了一個(gè)標(biāo)準(zhǔn)的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1.1.2 神經(jīng)元數(shù)確定

在確定網(wǎng)絡(luò)層數(shù)后還應(yīng)該各個(gè)層的神經(jīng)元數(shù)目進(jìn)行確定，在此過程中需要結(jié)合PID參數(shù)的控制輸出Kp、K1、Kd進(jìn)行分析，具體參數(shù)的確定過程如下所示。

1）輸入層神經(jīng)元數(shù)目。在利用BP神經(jīng)網(wǎng)絡(luò)的過程中必須先明確具體的用途，然后對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行設(shè)計(jì)，根據(jù)網(wǎng)絡(luò)的復(fù)雜度可以確定輸入層的神經(jīng)元數(shù)目。但是在實(shí)際應(yīng)用中一般要適當(dāng)減小網(wǎng)絡(luò)規(guī)模，通過這種方式降低計(jì)算的復(fù)雜度，有助于提升計(jì)算效率。

根據(jù)本文的研究內(nèi)容可知，在氯化工藝中需要控制的變量主要有預(yù)期溫度、實(shí)際溫度、閾值以及誤差，因此對(duì)應(yīng)的輸入層神經(jīng)元數(shù)目為4，由此得到了網(wǎng)絡(luò)的第一個(gè)層次。

2）隱含層神經(jīng)元數(shù)目。本次設(shè)計(jì)中的隱含層僅有一層，相關(guān)研究顯示即使隱含層數(shù)目為1，也能夠滿足各種類型網(wǎng)絡(luò)的構(gòu)建要求，因此只需要合理設(shè)置對(duì)應(yīng)的神經(jīng)元數(shù)目，即可以映射各種類型的函數(shù)。但是在實(shí)際應(yīng)用中難以有效地確定神經(jīng)元數(shù)目，數(shù)目過多或者過少都容易引發(fā)不利的影響，例如在數(shù)目過大時(shí)，會(huì)顯著增大網(wǎng)絡(luò)的復(fù)雜度，學(xué)習(xí)的效率降低;在數(shù)目過小時(shí)，則無法保證構(gòu)建最佳條件判決，最終降低了網(wǎng)絡(luò)的學(xué)習(xí)效果。當(dāng)前確定隱含層神經(jīng)元數(shù)目上主要采用的方法是經(jīng)驗(yàn)判斷法，對(duì)于研究人員的經(jīng)驗(yàn)提出了更高的要求，因此在這方面還需要重點(diǎn)研究和實(shí)踐，以保證更佳的應(yīng)用效果。

1.1.3 BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值的確定

除了上述參數(shù)外，還需要確定合適的初始權(quán)值，這將會(huì)對(duì)網(wǎng)絡(luò)的收斂性以及效率產(chǎn)生直接的影響?？紤]到此方面的因素，當(dāng)前大多采用偏小的初始權(quán)值。

收斂效果與設(shè)置的初始值直接相關(guān)，如果初始權(quán)值較小，特別是幾乎等于零時(shí)，則在輸入累加過程中會(huì)對(duì)神經(jīng)元的輸出分布產(chǎn)生較大的影響。權(quán)值一般是在某個(gè)范圍內(nèi)接近于零的常數(shù)，在本次研究中將其設(shè)置在[-0.5，0.5]范圍內(nèi)。

1.2 BP神經(jīng)網(wǎng)絡(luò)的PID參數(shù)優(yōu)化

將傳統(tǒng)PID控制與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，得到圖l所示的參數(shù)優(yōu)化過程，具體的結(jié)構(gòu)參數(shù)如下所示：網(wǎng)絡(luò)層數(shù)為3，各個(gè)層對(duì)應(yīng)的神經(jīng)元數(shù)目是4、5、3。

其中α表示慣性系數(shù)，η表示學(xué)習(xí)速率，由此能夠提升收斂的速率，避免網(wǎng)絡(luò)陷入局部極小值。

2 基于BP神經(jīng)網(wǎng)絡(luò)的控制器設(shè)計(jì)

在本次研究中將傳統(tǒng)的PID控制器與BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行融合，總體結(jié)構(gòu)劃分為兩部分，分別是神經(jīng)網(wǎng)絡(luò)部分與PID控制部分，其中前者主要結(jié)合系統(tǒng)的運(yùn)行情況來對(duì)各個(gè)參數(shù)進(jìn)行調(diào)節(jié)，而保證最佳的控制效果;后者則完成具體的控制過程，使得系統(tǒng)能夠保持最佳的運(yùn)行狀態(tài)?；谶@種方式提升了系統(tǒng)調(diào)節(jié)的靈活度，能夠充分發(fā)揮神經(jīng)網(wǎng)絡(luò)自適應(yīng)調(diào)節(jié)的優(yōu)勢(shì)，有助于改善整個(gè)系統(tǒng)的控制性能?？刂破鹘Y(jié)構(gòu)如圖2所示。

系統(tǒng)的核心控制算法按照上式（1）。

具體執(zhí)行步驟為：

1）首先確定網(wǎng)絡(luò)的層數(shù)和對(duì)應(yīng)的神經(jīng)元數(shù)目，然后根據(jù)設(shè)置的加權(quán)系數(shù)得到合適的學(xué)習(xí)次數(shù)，由此形成完整的網(wǎng)絡(luò)結(jié)構(gòu);

2）開始進(jìn)行采樣的過程，并得到對(duì)應(yīng)的采樣誤差;

3）學(xué)習(xí)過程中計(jì)算各個(gè)層神經(jīng)元的輸入和輸出，并得到PID控制器的參數(shù);

4）基于PID控制算法得到對(duì)應(yīng)的輸出;

5）設(shè)置好學(xué)習(xí)速率等參數(shù)后開始進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)的過程，根據(jù)系統(tǒng)的運(yùn)行狀態(tài)調(diào)節(jié)加權(quán)系數(shù);

6）繼續(xù)執(zhí)行后續(xù)的學(xué)習(xí)過程，重復(fù)從步驟（2）開始的過程，直到完成學(xué)習(xí)的整個(gè)過程。

3 仿真結(jié)果

3.1 控制對(duì)象的模型建立

在構(gòu)建控制對(duì)象的模型時(shí)考慮到較多的因素，氯化工藝控制系統(tǒng)的超調(diào)量較小，具有明顯的純滯后特征，并且對(duì)于溫度和壓力的控制要求較高，最終選擇一階慣性滯后環(huán)節(jié)系統(tǒng)，由此可以認(rèn)為將一個(gè)慣性環(huán)節(jié)與純環(huán)節(jié)串聯(lián)即可得到閉環(huán)傳遞函數(shù)。從時(shí)間上來看，采用這種設(shè)計(jì)方式能夠保證控制對(duì)象的滯后時(shí)間與純環(huán)節(jié)滯后時(shí)間的一致性，系統(tǒng)不會(huì)在形成超調(diào)量，有助于改善系統(tǒng)的穩(wěn)定性。在參數(shù)調(diào)節(jié)方面可以利用Cohn-Coon公式進(jìn)行處理，具體如下所示。

公式中的τ表示純滯后時(shí)間。

3.2 被控對(duì)象壓控系統(tǒng)建模

在本次研究中，給定壓力的階躍信號(hào)是0.5MPa，在壓力數(shù)據(jù)采集方面選用了專用的壓力傳感器，采樣間隔設(shè)置為5s，因?yàn)榉磻?yīng)釜內(nèi)的壓力持續(xù)變化，并且變化的頻率較高，致使采集數(shù)據(jù)中的誤差較大，為了有效地解決此問題，在處理過程中去除了特定的干擾數(shù)據(jù)，在優(yōu)化之后得到的壓力數(shù)據(jù)如表l所示：

根據(jù)采集的壓力數(shù)據(jù)繪制了對(duì)應(yīng)的變化曲線，具體如圖4所示。

3.3 仿真測(cè)試

為了對(duì)算法的應(yīng)用效果進(jìn)行測(cè)試，在研究過程中選用了Simulink工具進(jìn)行仿真。Simulink工具已經(jīng)更多的應(yīng)用到了動(dòng)態(tài)仿真中，其適應(yīng)性較強(qiáng)，應(yīng)用范圍廣，基本不會(huì)受到其他條件的限制，能夠?qū)崿F(xiàn)動(dòng)態(tài)化的系統(tǒng)建模。用戶可以根據(jù)實(shí)際的需要調(diào)用其中的模型庫，以滿足個(gè)性化的建模需求。在仿真中主要將本文提出的算法與傳統(tǒng)的PID算法的控制效果進(jìn)行了對(duì)比，分析二者在控制作用上的差異性。具體的仿真參數(shù)設(shè)置如下：初始溫度和控制溫度分別是10℃、100℃，仿真時(shí)間和采樣時(shí)間則分別是200s、5s，參數(shù)設(shè)置完成后開始進(jìn)行仿真的過程。最終得到的仿真結(jié)果即為圖5、圖6所示。

根據(jù)上述兩圖中的曲線變化特征可知，采用基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器在控制效果上具有一定的優(yōu)勢(shì)，其只需要很短時(shí)間即可達(dá)到穩(wěn)定狀態(tài)，有助于維持系統(tǒng)運(yùn)行的穩(wěn)定性，避免受到不利因素的干擾。

根據(jù)表2中的實(shí)驗(yàn)數(shù)據(jù)可知，在延遲量、穩(wěn)定時(shí)間以及調(diào)節(jié)量上，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制方法得到的數(shù)據(jù)都更低，因此能夠獲取比傳統(tǒng)PID控制方法更佳的效果。總之，通過上述分析以及實(shí)驗(yàn)結(jié)果都可以證明，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器適合應(yīng)用到氯化工藝的控制中，能夠有效地提升氯化工藝流程的安全性。

4 結(jié)語

通過上述的研究看出，經(jīng)過神經(jīng)網(wǎng)絡(luò)對(duì)PID輸人參數(shù)的優(yōu)化，可提高傳統(tǒng)PID控制的精度，進(jìn)而提高整個(gè)PID控制的準(zhǔn)確度。而仿真試驗(yàn)結(jié)果也表明，BP+PID的控制，在穩(wěn)定時(shí)間和延時(shí)量方面，都優(yōu)于傳統(tǒng)的PID控制。但是BP自身在參數(shù)優(yōu)化中也存在一些問題，因此下一步的工作是重點(diǎn)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行再優(yōu)化。

參考文獻(xiàn)

[1]龍江，郭鵬程，陳梓銘，等，人工蜂群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在汽車座椅舒適性中的應(yīng)用[J/OL].機(jī)械科學(xué)與技術(shù)，2020（02）：273-281.

[2]王文玉，王希良，張騫，基于關(guān)聯(lián)分析和遺傳算法優(yōu)化BP的隧道圍巖變形預(yù)測(cè)[J/OL].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2020（05）：126-132.

[3]田震，荊雙喜，趙麗娟，等，基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的采煤機(jī)可靠性預(yù)測(cè)[J/OL].河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2020（01）：68-74.

[4]宋波，辛文賢，馮云霞.基于BP神經(jīng)網(wǎng)絡(luò)的臨床路徑優(yōu)化[J/OL].計(jì)算機(jī)技術(shù)與發(fā)展，2020（04）：156-160.

[5]王文中，張樹生，余隋懷.基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)原算法研究[J].西北工業(yè)大學(xué)學(xué)報(bào)，2018，36（04）：709-714.

[6]徐杰，侯旭東，優(yōu)化BP網(wǎng)絡(luò)的超聲波測(cè)距的補(bǔ)償算法[J].黑龍江科技大學(xué)學(xué)報(bào)，2017，27（01）：87-90.

[7]鄧建威，章云.基于擴(kuò)展PSO優(yōu)化的SVM鉛酸蓄電池荷電狀態(tài)估測(cè)[J].工業(yè)控制計(jì)算機(jī)，2017，30（03）：126-127+129.

[8]劉荷花.基于BP神經(jīng)網(wǎng)絡(luò)的激光焊接工藝參數(shù)優(yōu)化數(shù)據(jù)庫系統(tǒng)[J].激光雜志，2015，36（04）：182-184.

[9]楊東超，馮雷，黃道敏，等，升沉補(bǔ)償樣機(jī)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].機(jī)械與電子，2018，36（05）：3-6+12.

[10]楊光輝，嚴(yán)盈富.BP神經(jīng)網(wǎng)絡(luò)PID在氯化工藝中的應(yīng)用[J].化工自動(dòng)化及儀表，2018，45（06）：434-438.

[11]解來卿，羅禹貢，李升波，等.分布式電驅(qū)動(dòng)車輛的ACC協(xié)同控制[J].汽車工程，2018，40（06）：652-658+665.

作者簡介：婁勇（1984-），男，漢族，陜西人，大學(xué)本科，講師，研究方向：電子信息技術(shù)、機(jī)械電子工程。