基于CMAC神經(jīng)網(wǎng)絡(luò)自整定PID在鐵礦品位滴定檢測(cè)中的應(yīng)用①

邵 林

(安徽冶金科技職業(yè)學(xué)院，安徽 馬鞍山 243000)

0 引 言

品位是鐵礦粉一項(xiàng)重要的技術(shù)參數(shù)，品位的高低將直接影響選礦的生產(chǎn)成本和生產(chǎn)效率。品位的測(cè)量精度對(duì)鐵礦粉的生產(chǎn)工藝有著重要的指導(dǎo)意義，因此在選礦前必須對(duì)鐵礦粉的品位進(jìn)行精確的檢測(cè)。常用的檢測(cè)方法有物理研磨法和化學(xué)反應(yīng)法兩種，其中物理研磨法是采用打碎研磨和磁選后，通過(guò)質(zhì)量和體積的計(jì)算來(lái)估計(jì)品位的數(shù)值。而化學(xué)反應(yīng)法是采用化學(xué)試劑參與鐵礦反應(yīng)，最后根據(jù)生成物的多少來(lái)反推反應(yīng)物的多少。這兩種方法大多數(shù)為純手工檢測(cè)，效率低，精度難以控制。為了提高檢測(cè)的效率和檢測(cè)精度,本文設(shè)計(jì)了一種基于CMAC神經(jīng)網(wǎng)絡(luò)自整定PID加藥檢測(cè)系統(tǒng)，該系統(tǒng)將智能控制理論應(yīng)用于鐵礦粉品位檢測(cè)中具有非常重要的意義。

1 加藥智能檢測(cè)系統(tǒng)

1.1 硬件裝置

加藥檢測(cè)系統(tǒng)由檢測(cè)試管、小型電加熱爐、空氣壓縮裝置、溫度傳感器、加藥滴定裝置、信號(hào)處理系統(tǒng)等組成。為了便于信息采集和加藥滴定，將上述所有裝置安裝在一個(gè)封閉的鐵柜中，其中信號(hào)處理系統(tǒng)采用西門(mén)子PLC來(lái)完成。

1.2 工作原理

檢測(cè)試管盛有適當(dāng)量的化學(xué)比對(duì)液，通過(guò)比色傳感器記錄比對(duì)液的比色值存入數(shù)據(jù)庫(kù)中。再將鐵礦粉、反應(yīng)劑和催化劑放置加熱管道內(nèi)，利用電加熱爐將樣本加熱至適當(dāng)溫度后，向檢測(cè)管道內(nèi)吹入壓縮空氣，將反應(yīng)的生成物輸送至盛有比對(duì)液的試管中。由于生成物與比對(duì)液相互反應(yīng)使得比對(duì)液顏色發(fā)生變化，最后用化學(xué)加藥的方法將比對(duì)液的顏色還原至反應(yīng)前的比色值，通過(guò)計(jì)算加藥量的多少就可以推出鐵礦粉的品位。

2 化學(xué)滴定加藥仿真模型

滴定加藥系統(tǒng)通常采用光電比色計(jì)來(lái)進(jìn)行檢測(cè)，比色計(jì)主要通過(guò)采集反應(yīng)溶液的顏色變化值，而在加藥過(guò)程中反應(yīng)溶液顏色的變化是非線性且具有大慣性和滯后現(xiàn)象，因此在標(biāo)準(zhǔn)狀態(tài)下可以用(1)式近似代替滴定加藥過(guò)程的仿真模型[1]。

(1)

從(1)式可以得出化學(xué)滴定加藥系統(tǒng)是一個(gè)較為復(fù)雜的數(shù)學(xué)模型，如果僅用常規(guī)的PID控制方法將難以進(jìn)行精確的控制。為了滿足系統(tǒng)精度要求，將CMAC神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)PID控制相結(jié)合構(gòu)成自整定控制系統(tǒng)對(duì)加藥過(guò)程進(jìn)行控制。通過(guò)CMAC自整定PID動(dòng)態(tài)調(diào)整控制參數(shù)，從而使加藥系統(tǒng)的動(dòng)態(tài)、靜態(tài)性能都達(dá)到較好的效果，基本滿足鐵礦品位的計(jì)算精度要求。

3 CMAC自整定PID控制算法

3.1 CMAC自整定PID原理圖

本文設(shè)計(jì)的CMAC自整定PID控制算法的原理如圖1所示，神經(jīng)網(wǎng)絡(luò)的輸入為e，輸出為PID的kp、ki、kd三個(gè)參數(shù)[2]。

圖1 CMAC自整定PID控制原理圖

3.2 神經(jīng)網(wǎng)絡(luò)

CMAC自整定PID算法采用CMAC神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)PID相結(jié)合。眾所周知，CMAC神經(jīng)網(wǎng)絡(luò)是前饋控制模式，輸入與輸出由概念映射和實(shí)際映射兩個(gè)基本映射來(lái)完成。設(shè)輸入向量為up=[u1p,u2p,...,unp]T，量化編碼為[up]，輸入映射至AC中c個(gè)存儲(chǔ)單元(c為二進(jìn)制非零單元數(shù)目)，采用下式映射后的向量[3]：

Rp=S([up])=[S1(up),S2(up),...,Sc(up)]T

式中，

sj([up])=1,j=1,2,...,c

(2)

若只考慮單輸出，則輸出為：

其中，

wj=[w1,w2,...,wc]T

(3)

CMAC神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法采用δ學(xué)習(xí)規(guī)則調(diào)整權(quán)值，權(quán)值調(diào)整指標(biāo)為：

wj(t)=wj(t-1)+Δwj(t)+

α(wj(t-1)-wj(t-2))

(4)

wj=[w1,w2,...,wc]T，式中，α為慣性系數(shù)，η為學(xué)習(xí)速率。

3.3 權(quán)值的調(diào)整

系統(tǒng)通過(guò)CMAC神經(jīng)網(wǎng)絡(luò)自整定PID的三個(gè)參數(shù)，根據(jù)各自在調(diào)節(jié)過(guò)程中的作用，對(duì)學(xué)習(xí)算法作出如下改進(jìn)：

由梯度下降法，I、P、D三個(gè)參數(shù)的輸出權(quán)值分別按照按下式調(diào)整[4]：

(5)

式中，ηI為I的學(xué)習(xí)速率，αI為I的慣性系數(shù)。

(6)

式中，ηP為P的學(xué)習(xí)速率，αP為P的慣性系數(shù) 。

(7)

式中，ηD為D的學(xué)習(xí)速率，αD為D的慣性系數(shù)。

4 控制算法的仿真研究

4.1 階躍響應(yīng)分析

設(shè)置輸入rin(k)=2，仿真曲線如圖2所示。a曲線為CMAC自整定PID算法，b曲線為傳統(tǒng)PID控制算法。由仿真曲線可知傳統(tǒng)PID控制算法超調(diào)量近似為25%，調(diào)節(jié)時(shí)間近似為7s，適當(dāng)調(diào)節(jié)PID的三個(gè)參數(shù)，可以改變超調(diào)量的大小，但是調(diào)節(jié)時(shí)間也會(huì)加大，不能滿足系統(tǒng)的控制要求；而智能自整PID控制算法超調(diào)量?jī)H為5%，系統(tǒng)調(diào)節(jié)時(shí)間減少到僅為2s。

圖2 階躍響應(yīng)仿真曲線

圖3 抗干擾性仿真曲線

4.2 抗干擾分析

在20s的時(shí)刻系統(tǒng)的輸出端加入0.5的干擾信號(hào)，仿真結(jié)果如圖3所示，a是采用CMAC神經(jīng)網(wǎng)絡(luò)自整定PID控制算法的抗干擾仿真曲線，b是采用普通PID控制的抗干擾仿真曲線。當(dāng)加入擾動(dòng)信號(hào)后，兩種控制算法的仿真曲線均發(fā)生振蕩，CMAC自整定PID控制算法加入干擾后僅過(guò)1.6s就進(jìn)入穩(wěn)態(tài)，而采用普通PID控制算法系統(tǒng)加入干擾后經(jīng)過(guò)8s才進(jìn)入穩(wěn)態(tài)。通過(guò)分析，兩種算法產(chǎn)生的超調(diào)量基本相同，但從調(diào)節(jié)時(shí)間來(lái)看CMAC自整定PID控制算法要小于普通PID控制，因此CMAC神經(jīng)網(wǎng)絡(luò)自整定PID控制算法抗干擾性能更好。

4.3 魯棒性分析

4.3.1 穩(wěn)態(tài)增益Kc

將系統(tǒng)穩(wěn)態(tài)增益由950變?yōu)?50，仿真曲線如圖4所示。其中曲線a為CMAC自整定PID控制算法增益為950的仿真曲線；曲線a1為CMAC自整定PID控制算法增益為650的仿真曲線；曲線b為普通PID控制算法增益為950時(shí)的仿真曲線；曲線b1為普通PID控制算法增益為650時(shí)的仿真曲線。由上述仿真可以得出穩(wěn)態(tài)增益改變時(shí)CMAC自整定PID控制算法超調(diào)量增加了5%，調(diào)節(jié)時(shí)間沒(méi)有大的變化；普通PID控制算法超調(diào)量增加了5%且調(diào)節(jié)時(shí)間增大近一倍為12s。因此CMAC自整定PID控制策略較普通PID控制魯棒性更好。

4.3.2 慣性時(shí)間常數(shù)Tc

將慣性時(shí)間常數(shù)Tc由65調(diào)節(jié)為90，仿真曲線如圖5所示。其中仿真曲線a和a1分別為采用CMAC自整定PID控制算法時(shí)間常數(shù)為65和90時(shí)的仿真曲線；而仿真曲線b和b1分部為傳統(tǒng)PID算法當(dāng)時(shí)間常數(shù)為65和90時(shí)的仿真；由圖4和圖5分析可知，當(dāng)時(shí)間常數(shù)Tc改變時(shí)，CMAC自整定PID控制算法的超調(diào)量增加了3%，但相對(duì)調(diào)節(jié)時(shí)間基本沒(méi)變；而傳統(tǒng)PID控制算法超調(diào)量增加5%且調(diào)節(jié)時(shí)間增大至12s，從以上仿真分析可以得出：CMAC自整定PID控制算法在魯棒性方面更優(yōu)于較傳統(tǒng)PID控制算法。

圖4 魯棒性仿真曲線

圖5 魯棒性仿真曲線

圖6 傳統(tǒng)PID變化趨勢(shì)圖

圖7 智能PID變化趨勢(shì)圖

5 比色計(jì)采樣

5.1 采樣方法

在加藥滴定檢測(cè)前，首先將比色計(jì)模擬信號(hào)通過(guò)接口電路傳輸至西門(mén)子S7200 Smart PLC的模擬量模塊中，PLC通過(guò)DB數(shù)據(jù)塊存入比色計(jì)原始信號(hào)。開(kāi)始檢測(cè)時(shí)，將鐵礦粉加熱后，通過(guò)壓縮空氣將鐵礦粉中的有效物質(zhì)吹入比色計(jì)試管中進(jìn)行反應(yīng)，此時(shí)比色計(jì)的信號(hào)將連續(xù)變化，直至樣本全部反應(yīng)完成后，比色計(jì)的信號(hào)保持不變。

5.2 反處理方法

反向加藥反應(yīng)，比色計(jì)顏色逐漸還原，PLC連續(xù)監(jiān)控比色計(jì)的變化數(shù)值，當(dāng)比色計(jì)的數(shù)值被還原至原始數(shù)值時(shí)，立即停止向試管中加藥，此時(shí)記錄參加反應(yīng)的還原劑的質(zhì)量。最后根據(jù)樣本的質(zhì)量和還原劑的質(zhì)量進(jìn)行化學(xué)計(jì)算可以較為精確地得出樣本的品位值。

5.3 采樣分析

為了比較本文設(shè)計(jì)的CMAC自整定PID和普通PID控制算法的性能，分別在化學(xué)滴定加藥過(guò)程中對(duì)比色計(jì)的信號(hào)進(jìn)行控制。文中采用上位機(jī)軟件WinCC進(jìn)行信息收集和分析，分析變化趨勢(shì)圖如圖6和圖7所示。在滴定加藥過(guò)程中，由趨勢(shì)圖6可知傳統(tǒng)PID控制算法超調(diào)量且變化較大，圖7顯示表明CMAC神經(jīng)網(wǎng)絡(luò)自整定PID控制算法具有良好的動(dòng)態(tài)性能且可以在線調(diào)整，大大的提高算法的自適應(yīng)能力。

6 結(jié) 論

通過(guò)Matlab對(duì)兩個(gè)系統(tǒng)分別從階躍響應(yīng)、抗干擾和魯棒性進(jìn)行仿真分析，以及對(duì)加藥滴定檢測(cè)系統(tǒng)的趨勢(shì)圖分析，可以得出本文設(shè)計(jì)的基于CMAC神經(jīng)網(wǎng)絡(luò)自整定PID控制算法較好地解決了化學(xué)加藥滴定系統(tǒng)被控對(duì)象大慣性的問(wèn)題，有效地提高了控制系統(tǒng)的控制精度，基本能夠滿足化學(xué)滴定加藥控制的要求。同時(shí)采用西門(mén)子PLC進(jìn)行數(shù)據(jù)采集，可以提高系統(tǒng)運(yùn)行的自動(dòng)化程度。采用上位機(jī)軟件能夠快速地進(jìn)行數(shù)據(jù)分析和存儲(chǔ)，便于樣本數(shù)據(jù)的比對(duì)和輸出，有效地提高了檢測(cè)的速度和效率。