燃?xì)忮仩t主汽壓的RBF神經(jīng)網(wǎng)絡(luò)滑?？刂撇呗栽O(shè)計(jì)

王 勝，章家?guī)r，馮旭剛

(安徽工業(yè)大學(xué) 電氣與信息工程學(xué)院，安徽馬鞍山 243032)

主蒸汽壓力( 簡(jiǎn)稱主汽壓)是表征鍋爐運(yùn)行狀況的重要被控參數(shù)，是衡量鍋爐蒸汽產(chǎn)量與負(fù)荷是否匹配的重要指標(biāo)，它反映了鍋爐燃燒過(guò)程中的能量供求關(guān)系。對(duì)于燃?xì)忮仩t，燃燒控制系統(tǒng)的主要任務(wù)是根據(jù)汽輪機(jī)負(fù)荷變化來(lái)實(shí)時(shí)調(diào)整鍋爐的燃料供應(yīng)量，保持鍋爐主汽壓等被控參數(shù)的穩(wěn)定，這對(duì)于保證火電機(jī)組鍋爐設(shè)備的安全穩(wěn)定運(yùn)行，實(shí)現(xiàn)節(jié)能降耗和降本增效，提高企業(yè)經(jīng)濟(jì)效益都具有重要意義[1-3]。

鍋爐運(yùn)行過(guò)程中，主汽壓發(fā)生變化說(shuō)明其產(chǎn)汽量與汽輪機(jī)的耗汽量不匹配，對(duì)于燃?xì)忮仩t，應(yīng)該實(shí)時(shí)調(diào)整燃?xì)夤?yīng)量，使得產(chǎn)汽量跟隨耗汽量的變化而變化，從而保證鍋爐主汽壓的穩(wěn)定。但由于燃?xì)忮仩t采用的燃料大都是鋼鐵企業(yè)生產(chǎn)過(guò)程中產(chǎn)生的高爐煤氣和轉(zhuǎn)爐煤氣，其壓力和熱值波動(dòng)較大，導(dǎo)致主汽壓難以穩(wěn)定控制，常規(guī)的控制方法難以達(dá)到理想的控制效果。Ma等[4]針對(duì)主汽壓研究了12輸入3輸出的徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)控制，有效提高了鍋爐負(fù)荷響應(yīng)速率和自適應(yīng)能力，但由于該網(wǎng)絡(luò)輸入輸出數(shù)量較大，導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)速度下降。Shi等[5]采用基于Smith預(yù)估結(jié)構(gòu)的滑?？刂?，將內(nèi)?？刂坪蚐mith預(yù)估器相結(jié)合處理主汽壓的時(shí)變問(wèn)題，有效克服了對(duì)象的模型失配問(wèn)題，但由于系統(tǒng)狀態(tài)測(cè)量存在誤差且缺少對(duì)誤差的補(bǔ)償，導(dǎo)致波形抖動(dòng)。Wang[6]采用模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了主汽壓的自適應(yīng)和自學(xué)習(xí)控制，具有實(shí)時(shí)在線調(diào)節(jié)的能力，但由于其設(shè)計(jì)的模糊化和解模糊過(guò)程較為粗糙，導(dǎo)致波形抖動(dòng)較大，控制精度降低。

為此，筆者以燃?xì)忮仩t主汽壓為控制對(duì)象，提出了一種基于神經(jīng)網(wǎng)絡(luò)和滑?？刂葡嘟Y(jié)合的主汽壓優(yōu)化控制策略，并引入干擾觀測(cè)器實(shí)現(xiàn)對(duì)不匹配擾動(dòng)的補(bǔ)償。利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力對(duì)滑?？刂频那袚Q增益進(jìn)行及時(shí)調(diào)整，并通過(guò)仿真來(lái)驗(yàn)證該控制算法的有效性。

1 主汽壓控制系統(tǒng)構(gòu)建

1.1 控制系統(tǒng)原理分析

燃?xì)忮仩t燃燒控制系統(tǒng)如圖1所示，整個(gè)燃燒過(guò)程主要涉及燃料、送風(fēng)和引風(fēng)3個(gè)子環(huán)節(jié)[7-8]。高爐煤氣、轉(zhuǎn)爐煤氣和焦?fàn)t煤氣是燃?xì)忮仩t的主要燃料來(lái)源[9]，根據(jù)鍋爐負(fù)荷的變化合理調(diào)整鍋爐燃燒器的煤氣供給量是保證鍋爐主汽壓穩(wěn)定的關(guān)鍵。但由于冶金行業(yè)的高爐煉鐵和轉(zhuǎn)爐煉鋼生產(chǎn)工藝具有間歇性的特點(diǎn)，且整個(gè)煤氣供應(yīng)管網(wǎng)生產(chǎn)用戶(如軋鋼加熱爐、煉鐵熱風(fēng)爐)眾多，會(huì)造成煤氣產(chǎn)耗有很大的不確定性，導(dǎo)致供給鍋爐燃燒的煤氣壓力波動(dòng)顯著，這也是煤氣流量的主要擾動(dòng)源。因此，為保證燃燒過(guò)程的經(jīng)濟(jì)性和生產(chǎn)的安全性，在控制主汽壓的同時(shí)，還要保持最佳空燃比和爐膛負(fù)壓的穩(wěn)定，即當(dāng)煤氣供應(yīng)量改變時(shí)，送風(fēng)量和引風(fēng)量也要進(jìn)行相應(yīng)調(diào)整。

圖1 燃?xì)忮仩t燃燒控制系統(tǒng)

1.2 主汽壓控制回路設(shè)計(jì)

針對(duì)燃?xì)忮仩t主汽壓控制的非線性、干擾大和模型參數(shù)易變的特點(diǎn)，筆者采用干擾觀測(cè)器、神經(jīng)網(wǎng)絡(luò)滑?？刂破骱头蔷€性補(bǔ)償器對(duì)主汽壓調(diào)節(jié)實(shí)現(xiàn)前饋、滑模串級(jí)主調(diào)和非線性補(bǔ)償控制，控制回路設(shè)計(jì)方案如圖2所示。圖中，鍋爐主汽壓信號(hào)y通過(guò)變送器轉(zhuǎn)換成4～20 mA的信號(hào)反饋至控制器輸入端，該電信號(hào)與生產(chǎn)現(xiàn)場(chǎng)主汽壓設(shè)定值SV之間形成偏差信號(hào)e，RBF神經(jīng)網(wǎng)絡(luò)滑?？刂破饕云钚盘?hào)輸出的控制量作為副回路的設(shè)定值，副回路通過(guò)調(diào)節(jié)煤氣流量閥門(閥門已進(jìn)行非線性補(bǔ)償)開(kāi)度來(lái)改變煤氣流量，并利用干擾觀測(cè)器對(duì)煤氣流量擾動(dòng)進(jìn)行前饋補(bǔ)償，從而提高鍋爐主汽壓控制系統(tǒng)的穩(wěn)定性，工程實(shí)踐一般要求鍋爐主汽壓穩(wěn)定在設(shè)定值的±5%。

圖2 燃?xì)忮仩t主汽壓控制總體方案Fig.2 Overall plan for main steam pressure control of the gas-fired boiler

針對(duì)主汽壓控制系統(tǒng)的非線性特點(diǎn)，采取以下措施:

(1) 對(duì)煤氣流量閥門的控制信號(hào)占空比進(jìn)行非線性補(bǔ)償，以改善閥門流量的非線性特性。電液數(shù)字閥門的流量特性由死區(qū)、線性區(qū)和飽和區(qū)三部分組成，對(duì)死區(qū)和飽和區(qū)的控制信號(hào)占空比進(jìn)行補(bǔ)償，補(bǔ)償公式分別為式(1)和式(2)。

(1)

(2)

式中：t1、t2、t3和t4分別為閥芯的吸合延遲時(shí)間、吸合運(yùn)動(dòng)時(shí)間、釋放延遲時(shí)間和釋放運(yùn)動(dòng)時(shí)間，ms；T為閥門控制信號(hào)周期，ms；D為控制器輸出的控制信號(hào)占空比；Dcom為補(bǔ)償后的控制信號(hào)占空比。

以HSV-3101S1型電液數(shù)字閥門為例進(jìn)行計(jì)算，對(duì)應(yīng)的閥門控制信號(hào)周期T為30 ms，對(duì)其不同開(kāi)度下的流量特性進(jìn)行分析，得出t1=1.5 ms,t2=1 ms,t3=1.5 ms,t4=1 ms，則基于死區(qū)、線性區(qū)和飽和區(qū)的分段補(bǔ)償控制信號(hào)占空比為：

(3)

(2) 將煤氣流量控制放在串級(jí)系統(tǒng)的副回路，一方面可以很大程度地削弱煤氣流量擾動(dòng)的影響，另一方面可以克服因煤氣流量擾動(dòng)造成主汽壓控制系統(tǒng)的非線性問(wèn)題。

以上2點(diǎn)基本可以實(shí)現(xiàn)主汽壓控制系統(tǒng)的近似線性化。

2 RBF神經(jīng)網(wǎng)絡(luò)滑?？刂破髟O(shè)計(jì)

2.1 滑?？刂破鞯脑O(shè)計(jì)

燃?xì)忮仩t主汽壓控制系統(tǒng)的動(dòng)態(tài)特性可以用含未知輸入的動(dòng)態(tài)狀態(tài)方程來(lái)描述，即

(4)

對(duì)于式(4)，取切換函數(shù)為：

c1x1+…+cn-1xn-1+xn

(5)

其中，常數(shù)c1，c2，…，cn-1應(yīng)滿足多項(xiàng)式λn-1+cn-1λn-2+…+c2λ+c1為Hurwitz，則：

(6)

ueq=-(cB)-1(cAx+cBdt+cdtt)

(7)

式(6)可表示成：

cB(u-ueq)

(8)

(9)

(10)

(11)

式中：K為滑?？刂破鞯那袚Q增益，K=(cB)-1σ。假設(shè)cB>0，則

(12)

u被確定后，系統(tǒng)狀態(tài)軌跡將會(huì)在有限時(shí)間內(nèi)到達(dá)滑模面，之后停留在滑模面滑動(dòng)?；Ｃ嫔舷到y(tǒng)特征可以描述成：

Ax+B[-(cB)-1(cAx+cBdt+cdtt)]+Bdt+dtt=

Ax+dtt-B(cB)-1c(Ax+dtt)-Bdt+Bdt=

[I-B(cB)-1c](Ax+dtt)

(13)

式中:I為單位矩陣。

從式(13)可以看出，滑模面上的系統(tǒng)不受煤氣流量匹配擾動(dòng)dt的影響，且

(c-c)(Ax+dtt)=0

(14)

2.2 RBF神經(jīng)網(wǎng)絡(luò)滑?？刂破髟O(shè)計(jì)

系統(tǒng)狀態(tài)軌跡在滑模面上的抖振主要是由滑模控制器的切換增益K引起的，且K越大，系統(tǒng)抖振越厲害。利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)能力對(duì)切換增益進(jìn)行調(diào)節(jié)，可有效降低控制系統(tǒng)的抖振[10-12]。RBF神經(jīng)網(wǎng)絡(luò)滑模控制器的結(jié)構(gòu)如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)滑?？刂破鱂ig.3 RBF neural network sliding mode controller

K=|wTz(q)|

(15)

式中：z(q)為高斯函數(shù)；w為RBF神經(jīng)網(wǎng)絡(luò)隱含層到輸出層的連接權(quán)值。

(16)

式中：Ci為網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的中心向量；ri為網(wǎng)絡(luò)基寬向量中的第i個(gè)值。

定義目標(biāo)函數(shù)E為：

(17)

神經(jīng)網(wǎng)絡(luò)連接權(quán)值的調(diào)整算法為：

(18)

式中：η為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率，η∈(0,1)。

Δw≈-ηe(-1)sgn(s)z(q)sgn(wTz(q))

(19)

神經(jīng)網(wǎng)絡(luò)最終學(xué)習(xí)算法為：

w(t)=w(t-1)+Δw(t)+α[w(t)-w(t-1)]

(20)

式中：α為神經(jīng)網(wǎng)絡(luò)慣性系數(shù)，α∈(0,1)。

將神經(jīng)網(wǎng)絡(luò)的輸出K值代入式(11)，則控制律為：

(21)

3 干擾觀測(cè)器設(shè)計(jì)

由式(13)可知，滑模面上的系統(tǒng)不受煤氣流量匹配擾動(dòng)dt的影響，故設(shè)計(jì)干擾觀測(cè)器時(shí)只需考慮煤氣流量不匹配擾動(dòng)dtt，針對(duì)式(4)的擾動(dòng)問(wèn)題，已有不少學(xué)者對(duì)其干擾觀測(cè)器的設(shè)計(jì)進(jìn)行了研究[13-15]，筆者選取簡(jiǎn)單有效的比例積分觀測(cè)器。將式(21)作為基準(zhǔn)控制律，引入干擾觀測(cè)器后的復(fù)合控制律u*:

(22)

根據(jù)式(4)設(shè)計(jì)全階比例積分觀測(cè)器：

(23)

式(23)可表示成如下形式：

(24)

式(23)設(shè)計(jì)的全階比例積分觀測(cè)器的觀測(cè)性能和存在性有如下引理：

成立。

4 仿真分析

為了驗(yàn)證上述優(yōu)化算法的有效性，選取某熱電廠150 t燃?xì)忮仩t主汽壓作為仿真對(duì)象，100%負(fù)荷下其狀態(tài)空間表達(dá)式為：

(25)

4.1 滑?？刂破飨嘬壽E仿真對(duì)比

系統(tǒng)的設(shè)定值SV取幅值為1的正弦波信號(hào)，圖4(a)為常規(guī)滑?？刂破鞯南嘬壽E，圖4(b)為RBF神經(jīng)網(wǎng)絡(luò)滑?？刂破鞯南嘬壽E。

(a) 常規(guī)滑?？刂破?/p>

(b) RBF神經(jīng)網(wǎng)絡(luò)滑?？刂破鲌D4 2種控制器的相軌跡Fig.4 Phase trajectories of two controllers

對(duì)比圖4(a)和圖4(b)可知，常規(guī)滑?？刂破飨嘬壽E抖振明顯，尤其在平衡點(diǎn)附近時(shí)抖振幅度達(dá)到了±0.5，波動(dòng)較大。而RBF神經(jīng)網(wǎng)絡(luò)滑?？刂破髟谄胶恻c(diǎn)附近時(shí)抖振幅度為±0.2，系統(tǒng)抖振幅度較常規(guī)滑?？刂破鹘档土?0%，說(shuō)明神經(jīng)網(wǎng)絡(luò)對(duì)滑?？刂破鞯那袚Q增益K具有良好的優(yōu)化效果，能實(shí)時(shí)給出最優(yōu)切換增益，降低系統(tǒng)抖振。

4.2 滑?？刂破鞲S及抗干擾性能仿真對(duì)比

在[-1,1]的隨機(jī)干擾下，圖5(a)為采用常規(guī)滑?？刂频姆讲ê驼也ǜS曲線，跟隨誤差在[-0.2,0.2]，跟隨性能一般。圖5(b)為采用帶干擾觀測(cè)補(bǔ)償?shù)幕？刂频姆讲ê驼也ǜS曲線，與常規(guī)滑?？刂葡啾?，系統(tǒng)的跟隨性能明顯改善，其隨機(jī)干擾得到了有效抑制，但是在給定方波信號(hào)發(fā)生階躍跳變的時(shí)刻，跟隨曲線產(chǎn)生較大的尖峰，而正弦波跟隨曲線仍然存在一定的跟隨誤差，誤差基本在[-0.1,0.1]。圖5(c)為采用帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑模控制，用方波與正弦波的疊加信號(hào)作為其跟隨設(shè)定信號(hào)，在神經(jīng)網(wǎng)絡(luò)得到有效學(xué)習(xí)之后，設(shè)定信號(hào)與跟隨曲線幾乎完全重合，系統(tǒng)的隨機(jī)干擾和階躍跳變時(shí)產(chǎn)生的尖峰被有效克服。

(a) 常規(guī)滑?？刂?/p>

(b) 干擾觀測(cè)補(bǔ)償?shù)幕？刂?/p>

(c) 干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑模控制圖5 3種控制策略的跟隨曲線Fig.5 Following curves of three control strategies

4.3 滑?？刂破黥敯粜苑抡?/h3>

用同樣的系統(tǒng)辨識(shí)方法得到80%負(fù)荷下鍋爐主汽壓的狀態(tài)空間表達(dá)式為：

(26)

為觀察設(shè)計(jì)控制策略的魯棒性能，分別對(duì)100%負(fù)荷和80%負(fù)荷下鍋爐主汽壓對(duì)象進(jìn)行階躍響應(yīng)仿真，主汽壓設(shè)定值為6 MPa，系統(tǒng)運(yùn)行135 s時(shí)加入幅值為20%的階躍擾動(dòng)dtt。

圖6(a)和圖6(b)分別為100%負(fù)荷和80%負(fù)荷下3種控制策略的階躍響應(yīng)曲線，根據(jù)經(jīng)驗(yàn)試湊法，100%負(fù)荷下比例積分微分(PID)參數(shù)取為KP=0.12,KI=0.083,KD=4.11，80%負(fù)荷下KP=0.15,KI=0.09,KD=3。從圖6可以看出，100%負(fù)荷下常規(guī)PID控制的調(diào)節(jié)時(shí)間為110.24 s，超調(diào)量為4.17%，主汽壓波動(dòng)范圍在-0.086～0.21 MPa；常規(guī)滑?？刂频恼{(diào)節(jié)時(shí)間為112.32 s，超調(diào)量為2.1%，主汽壓波動(dòng)范圍在-0.056～0.15 MPa；帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂频恼{(diào)節(jié)時(shí)間為54.87 s，超調(diào)量為1.56%，主汽壓波動(dòng)范圍在-0.046～0.1 MPa，相比常規(guī)PID控制和常規(guī)滑?？刂?，主汽壓控制精度分別提高了51.7%和30%。80%負(fù)荷下常規(guī)PID控制的調(diào)節(jié)時(shí)間為100.38 s，超調(diào)量為8.24%，主汽壓波動(dòng)范圍在-0.086～0.35 MPa；常規(guī)滑模控制的調(diào)節(jié)時(shí)間為80.13 s，超調(diào)量為2.05%，主汽壓波動(dòng)范圍在0.046～0.1 MPa；帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂频恼{(diào)節(jié)時(shí)間為45.67 s，超調(diào)量為1.62%，主汽壓波動(dòng)范圍在-0.026～0.11 MPa，相比常規(guī)PID控制和常規(guī)滑?？刂疲髌麎嚎刂凭确謩e提高了69.8%和7.1%?；谝陨戏治隹芍瑤Ц蓴_觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂频聂敯粜悦黠@優(yōu)于常規(guī)PID控制和常規(guī)滑模控制，且系統(tǒng)調(diào)節(jié)過(guò)程中所需時(shí)間更短，超調(diào)量更小，控制精度更高。2種工況下，帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂撇呗猿{(diào)量最多減少6.62%，調(diào)節(jié)時(shí)間最多減少57.45 s，其抗干擾性能均優(yōu)于另外2種控制策略。

5 工程應(yīng)用

為檢驗(yàn)系統(tǒng)實(shí)際應(yīng)用效果，將帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂撇呗詰?yīng)用于某熱電廠150 t燃?xì)忮仩t主汽壓控制中，控制系統(tǒng)為和利時(shí)集散控制系統(tǒng)(DCS)系統(tǒng)，整個(gè)優(yōu)化控制系統(tǒng)拓?fù)浣Y(jié)構(gòu)如圖7所示。在該控制系統(tǒng)中，壓力變送器將檢測(cè)到的主汽壓送到DCS系統(tǒng)，帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂破骼脵z測(cè)到的主汽壓、煤氣壓力和汽輪機(jī)耗汽量等耦合因素計(jì)算出煤氣供應(yīng)量，進(jìn)而調(diào)節(jié)煤氣流量閥門。系統(tǒng)的設(shè)計(jì)以生產(chǎn)管理層作為中央操作站。邏輯控制層采用s7-300PLC作為控制器，對(duì)現(xiàn)場(chǎng)采集到的數(shù)據(jù)進(jìn)行處理。生產(chǎn)現(xiàn)場(chǎng)層負(fù)責(zé)鍋爐燃燒供汽過(guò)程中現(xiàn)場(chǎng)信號(hào)的采集和輸出。操作監(jiān)控層則負(fù)責(zé)整個(gè)系統(tǒng)運(yùn)行狀況的監(jiān)控。

(a) 100%負(fù)荷

(b) 80%負(fù)荷圖6 2種負(fù)荷下的階躍響應(yīng)Fig.6 Step response under two load conditions

圖7 優(yōu)化控制系統(tǒng)結(jié)構(gòu)Fig.7 Structure of the optimized control system

圖8(a)～圖8(c)給出了鍋爐100%負(fù)荷下連續(xù)3 d分別采用常規(guī)滑?？刂?、RBF神經(jīng)網(wǎng)絡(luò)滑?？刂坪蛶Ц蓴_觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑模控制的主汽壓實(shí)時(shí)曲線，觀察時(shí)間為4 h。從圖 8可以看出，采用常規(guī)滑?？刂茣r(shí)主汽壓波動(dòng)范圍在±0.3 MPa，采用RBF神經(jīng)網(wǎng)絡(luò)滑?？刂茣r(shí)主汽壓波動(dòng)范圍在±0.2 MPa，系統(tǒng)抖振較常規(guī)滑模控制降低了33%，顯然神經(jīng)網(wǎng)絡(luò)優(yōu)化了滑?？刂破鞯那袚Q增益。將帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂谱鳛橹髌麎旱目刂撇呗詴r(shí)，主汽壓波動(dòng)范圍在±0.1 MPa，控制精度較RBF神經(jīng)網(wǎng)絡(luò)滑?？刂坪统Ｒ?guī)滑?？刂品謩e提高了50%和66.7%，系統(tǒng)擾動(dòng)得到了有效遏制。而仿真時(shí)RBF神經(jīng)網(wǎng)絡(luò)滑模控制較常規(guī)滑?？刂频南到y(tǒng)抖振幅度降低了60%，采用常規(guī)滑?？刂坪蛶Ц蓴_觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂茣r(shí)的主汽壓波動(dòng)范圍分別在-0.05～0.15 MPa和-0.04～0.1 MPa，工程實(shí)際應(yīng)用效果比仿真結(jié)果略差，這主要是因?yàn)閷?shí)際生產(chǎn)現(xiàn)場(chǎng)環(huán)境復(fù)雜多變，存在很多不確定性的干擾因素。

(a) 常規(guī)滑模控制

(b) RBF神經(jīng)網(wǎng)絡(luò)滑?？刂?/p>

(c) 帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑模控制圖8 3種控制策略下的主汽壓曲線Fig.8 Main steam pressure curve under three control strategies

基于以上分析，所提出的帶干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑模控制策略提高了主汽壓控制的穩(wěn)定性能，達(dá)到了良好的控制效果。

6 結(jié) 論

(1) 本文設(shè)計(jì)了帶有干擾觀測(cè)補(bǔ)償?shù)腞BF神經(jīng)網(wǎng)絡(luò)滑?？刂撇呗?。利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)能力來(lái)調(diào)節(jié)滑?？刂破鞯那袚Q增益，有效降低了系統(tǒng)抖振，加入干擾觀測(cè)器后的復(fù)合控制提高了系統(tǒng)的抗干擾能力。

(2) Matlab仿真結(jié)果表明，所設(shè)計(jì)的控制策略抖振小，跟隨性能好，在超調(diào)量和調(diào)節(jié)時(shí)間方面優(yōu)于常規(guī)PID控制和常規(guī)滑模控制，具有更強(qiáng)的魯棒性和抗干擾能力。

(3) 將該優(yōu)化控制策略用于某熱電廠燃?xì)忮仩t中，主汽壓控制偏差在-0.04～0.1 MPa，有效提高了發(fā)電機(jī)組運(yùn)行的安全性和穩(wěn)定性。