毕业设计外文翻译.doc

华 北 电 力 大 学 科 技 学 院毕 业 设 计（论 文）附 件外 文 文 献 翻 译学 号： 061912010131 姓 名： 白春江 所在系别： 动力工程系 专业班级： 自动化06K1 指导教师： 平玉环 原文标题： PID-NN decoupling control of CFB boilercombustion system based on PSO method 2010年 4月1日PID控制-神经网络的循环流化床锅炉燃烧系统的解耦控制的粒子群方法摘要 循环流化床（CFB）因为它的高燃烧技术、燃烧效率、低污染、燃料的灵活性和良好负荷跟踪能力而成为世界上主要的燃煤锅炉，但缺点是它的燃烧过程是高度非线性，时变，大时滞和多变量强耦合的。传统的控制建议是床层温度控制系统和主蒸汽压力为两个独立的PID单回路控制系统没有耦合现象，从而导致自动控制率很低，往往需要人工操作。为了解决这个问题，一个多变量自适应神经网络与PID结合解耦控制器，基于神经网络控制及解耦原则赔偿。去耦和控制能力是PID神经网络解耦控制器从神经网络交叉配合结构到非线性映射得特性，以及PID处理主要在隐藏层节点。该神经网络的权重的分配和优化的粒子群（PSO）算法，其重点在于搜索能力，空间和效率。这些神经网络的权重将不只有消除电路之间的耦合关系，而且还加强了PID神经网络控制器的适应性。这种多变量解耦控制方法是用来控制双向传递函数在床的温度和主蒸汽循环流化床燃烧系统中的压力系统。仿真结果表明，新的控制策略克服了循环流化床非线性，强耦合的特点，在燃烧系统大范围内，预计将有很大的工程应用的潜力。关键词：循环流化床（CFB）;燃烧系统;解耦控制技术；神经网络（NN）; PID控制;粒子群优化（PSO）算法;一、 引言自20世纪60年代初，新一代高效率，低污染燃烧技术 - 循环流化床锅炉（循环流化床）燃烧技术发展迅速。其主要特点是，燃料和空气将在炉内进行多次混合，得到一强烈的湍流运动和低温燃烧现象，经过很长一段时间，不仅实现低氮氧化物排放量，脱硫效率更超过90和类似的煤粉的燃烧效率，而且也具有泛的燃料适应性，良好的负载调节性能和易于使用的灰等。循环流化床锅炉是一个分布参数，时变，多变量紧密耦合的控制对象。它的基本任务是燃烧控制系统保证反应堆可以提供足够的燃料燃烧，以满足蒸汽，负载以及锅炉的安全经济运行的需要，这意味着一个良好的控制系统和控制器的设计要确保床温（BT）的稳定和蒸汽压力的设置（MSP）是必要的。这种锅炉床身温度直接反映了复杂的综合水平、燃烧状况和影响传热的周期物料。床身温度过高会导致床料渣，而床身温度过低就会造成熄火。蒸汽压力控制反映了蒸汽。锅炉生产的蒸汽能否满足水轮机的需要，循环流化床锅炉设计家大多没有设计外部换热器。蒸汽压力控制和BT控制既实现了煤与一定量的主要空气流通。由于床温控制和MSP是具有较强的耦合关系的，自动实现对变量燃烧系统的控制是非常困难的。PID神经网络是由一种多层神经网络的神经元组成的。起到比例、整合、差异化 原文出处及作者：EiCompebdex ; Ze Dong, Sun Jian, Wang Zijie, Sun Ming的作用，因此，它同时具有PID控制和神经网络控制的优点。对于强耦合多变量时变系统，PID神经网络可以网上学习，根据对对象参数的影响调整和改变连接权比的比例，微分和积分的作用强或弱对系统性能优化，从而达到良好动态和静态特性。根据动态循环流化床燃烧的特性，一个新的神经网络解耦PID控制策略至今已开发出，它消除控制之间的蒸汽压力控制和BT耦合控制，粒子群优化（PSO）算法也被用于神经网络连接权的学习。仿真结果证明了该系统的有效性。二、 循环流化床燃烧控制系统的特点如图1所示，循环流化床锅炉是一个分布式参数，大时滞，紧密耦合的多变量系统。在设计控制系统时，必须考虑其内部耦合。同时，良好的管制计划也应该能够克服令人震惊的时延，避免系统延误。在循环流化床锅炉的现场控制系统的研究中自动控制燃烧系统一直是难点和热点。A 导致自动燃烧系统低利用率的原因循环流化床燃烧控制系统已被是国内认可是比较困难的系统。循环流化床锅炉结构比较简单，调节能力有限，在许多情况下需要手动操作。自动化应用较低的原因如下。（1）主蒸汽压力控制系统在燃烧控制系统是最重要的。有许多因素会影响BT和压力控制，BT系统也可能对压力控制系统有影响。他们之间有一个强烈的耦合关系。 （2）大量存在的内部动乱。煤质量与煤量会影响燃烧的稳定性。煤的粒度分布可以使锅炉直接背离了设计周期率。 （3）不可燃固体在床上直接导致燃烧系统的热惯性大。不适当的控制系统设计可以很容易导致系统不稳定或该控制器调节时间长。（4）最后是一些调控手段。输入往往是受一些因素制约，经常需要调整几个变量一起合作不断取得良好的控制性能。B 循环流化床燃烧系统的耦合特点在蒸汽压力和MSP控制耦合问题中，蒸汽压力是关键的变量，反映了整个燃烧系统的供给和需求，而保持稳定是蒸汽压力控制系统的主要目的。其中在燃烧系统中，一次风是主要调节变量，在燃烧系统中，不仅汽主导作用为燃烧提供氧气，而且保证炉的循环流化状态。控制一次风量是非常必要的，其上限和下限的需要受到严重限制。床温是循环流化床锅炉是最重要的变量，在燃烧控制系统，为了确保燃烧稳定往往需要进行调节，在850900，压力控制越稳定越好。有许多因素，可以使压力波动。床温的影响因素也可以影响压力。他们之间有一个强烈的耦合关系。它给自动控制系统设计带来了更多的困难。 BT是最终由燃煤量决定。由于原煤入炉投入将通过一系列流程的干燥，加热，燃烧和循环，此外，由于床料的大热惯性，它需要一个较长的变化时间反映在压力上。因此，使用煤炭的控制量控制压力将出现大的时间延迟。通过该系统的动态特性和使用相对增益理论，计算每个相对增益控制回路的相对输出的影响程度，下面的结论可得出：汽轮机调速阀（STGVT）和燃烧率有一个耦合，负荷控制系统应选择STGVT和燃烧率调整变量，以调整STGVT改变了发电机发电，改变燃烧率，稳定MSP。同时其他影响到MSP的因素也应考虑。在低频率，功率放大器流通中需要的所有变量的最大相对增益能影响的BT值，煤炭进给速度可在一定意义上代表了燃烧率。由于燃烧率被选为MSP的主要调节变量，以满足汽压是理所当然的事。在确定控制办法时，主要问题是实现控制系统的解耦。C BT传递函数耦合模型从文献3中得知，干扰实验改变一个变量，对应响应曲线组给出。通过曲线拟合，可以得到下面的传递函数矩阵。应该指出，根据传递函数设置了100负载只能适用于70至110负荷范围。在公式（1），T，P，Q,B分别代表床温，蒸汽压力，一次风流量和进料流量。对于这样一个强耦合的对象，要获得准确的传递函数矩阵是不可能的，但这样的粗略模型，可以应用去耦控制程序和算法。三、 解耦控制设计的循环流化床燃烧系统A 一般解决常规解耦的方案（1）选配变量法：从纯理论和实验方面，以正确的匹配变量条件，良好的去耦效果，可推导了静态的情况，但不好的动态情况。同频率的增加，耦合变得越来越更为严重：从0到0.1赫兹，有一个很严重的动态耦合，甚至逐渐出现逆转在动态耦合的高频率过程。从另一个角度看，无论是压力控制系统和MSP的控制回路和一个大的动态特性相似，并具有共振响应。对于系统较小的惯性，往往用匹配变量法可以获得良好的动态和静态解耦效果，但对流化床燃烧系统的大延时，这种匹配变量的方法难以取得良好动态解耦效果。（2）补偿解耦方法：赔偿方法已得到了清晰的结构，而补偿解耦方法更广泛使用明晰主体，问题是显而易见的。如果静态解耦方法是应用，动态解耦效果显得非常薄弱，甚至没有，这将恶化动态相位控制效果;动态解耦方法就是使用一个多变量系统（例如，3维输入，3维输出或更高），以更复杂结构对象（二阶或单回路多传递函数），生成的动态解耦矩阵非常复杂，基本上是不可能实现的，模拟数字驱动器，这也是非常难构造的。在系统参数的整个动态变化中没有任何解耦矩阵将简化极为敏感，其中一个非常重要的因素制约整个控制系统;如果解耦矩阵进行了简化，它会失去部分动态补偿效果，并降低静态因素在动态高频去耦的影响。此外，如果不适当的简化，它可能会导致该系统的不稳定。B PID控制神经网络解耦控制原理PID神经网络是一种多层前向神经网络。它选择的输入和输出功能的隐藏层神经元的PID算法，使那些神经元代表比例、一体化、和不同点的作用。对于一个N N的输入输出多变量控制系统，PID神经网络解耦控制器是一个3层（不适用为n3n n）的前向网络，包括N个子网络并排。图2显示了一个PID神经网络解耦控制系统的循环流化床燃烧系统，其中代表压力设置的和输出偏差值，代表的床温设置和偏差值，和是的PID神经网络的输出值。这分别代表了煤量和风量控制的控制能力。神经网络的PID调节输出值是基于该系统的设置和实际的差异的输出。有3个在隐藏层的输2入和输出，代表比例，积分，差分功能。通过改变比例，积分，微分在控制过程中数值，系统可以得到良好的动态和静态特性。通过相互偶联之间的隐藏层和输出层，神经网络可以实现解耦的多变量系统。该网络输出层完成PID控制规律，对照输入的对象，神经网络的PID解耦控制能力从交叉配合结构和非线性映射属性中体现出来，以及其隐藏的神经元PID的处理能力。神经网络的PID可以在同一时间使目标函数得到最小的、完整的系统解耦控制。在任何采样时间，PID神经网络的输入/输出功能如下：（1）输入/输出层神经元功能是：在这里，ini代表的输入层的输入值，out为输入层设定值，i是串行数子网络。（2）隐藏层神经元的输入功能是：其中，inh隐藏层的输入值，outh为隐藏层的输出值，wh是神经网络输入层之间的连接权和隐藏层。输出的隐藏神经元比例的关系是：输出的隐藏神经元微分的关系是：（3）输出层神经元的输出是归于所有隐藏层神经元的输出：其中，outo代表输出的神经元，wo是神经网络之间连接的隐藏层和输出层，S = 1,2是串行数字输出的神经元。PID神经网络的PID特征反映了对神经网络隐含层和输出功能的连接，神经网络之间的wh是输入层和隐藏层。该wh及加权系数进行了研究和，wo是优化的粒子群优化（PSO）算法。三、粒子群为基础的PID神经网络解耦控制1）粒子群优化算法PSO算法是鸟类觅食行为的启发，提出了解决优化问题。相比进化算法，粒子群算法是一种更有效并行搜索算法。 PSO算法初始化组随机粒子，并使用三维程序，在D维粒子的位置空间。在每个迭代步骤，其粒子更新速度和位置跟踪两个极端值的动态。第一个极端值是的极值这是从最初的解决方案生成到当前迭代的;第二个最佳的解决方案当前的人口颗粒：极值。其中（1dD）在速度和位置的基础上下面的公式：其中，W是可变惯性系数，以避免粒子在全局最优解附近的振荡，研究R的均匀分布的随机数在（0,1）地区，是学习因素。粒子的搜索解决方案通过继续跟踪个体极值和全局极值的解空间，直到所需的最高迭代步骤或最低性能满足条件。2）学习过程的PID神经网络算法选择粒子群作为指标反映的ITAE功能，该系统的调节质量：函数F（p）更密切关注粒子P到全局最优解。由于运行学习过程中，F（p）的逐渐减少。 PSO的算法过程中使用优化的PID神经网络控制器参数如下：第1步：初始化粒子群，即随机位置和18个随机加权连接速度神经网络的PID值以及粒子组的大小。第2步：计算每个粒子在循环流化床锅炉燃烧系统的解耦控制。第3步：比较本身价值和最好的位置，它已经记录了每一个粒子，如果有更好的把它作为目前最好的位置。第4步：比较的本身价值和最好的位置，它经历了全部范围内的每个粒子，如果有更好的，然后重置克氏指数。第五步：按照公式（8）（9），根据改变速度与粒子的当前位置，即优化和自学习的PID神经网络连接权值。步骤6：如果未能达到结束条件，返回第2步。参加了粒子群的人口规模为30颗粒算法，瓦特从0.9下降到0.4线性，并设置采样时间等于10秒，260步运行，然后将产生良好的控制和神经网络的PID解耦。四、 模拟与分析为了测试控制和神经网络的PID解耦控制器，利用MATLAB仿真软件，使汽压和BT的设置不变，施加特定阶跃干扰信号的MSP或风量分别观察系统的反应。系统的响应曲线如图3和图4。从图表可以结果表明，所使用的解耦控制器设计与PID神经网络技术，使系统能快速，平稳跟踪给定值，只有一小超调，解耦良好。 图 3 图4 MSP阶跃扰动响应五、 结论通过模拟结果，可以证明，神经网络解耦PID控制器是一个很好的解决循环流化床锅炉的燃烧控制系统的办法，它对强耦合，非线性，大时滞有重要的意义。本文所设计的解耦控制器具有以下三个特点：解耦控制能力，是从神经网络的交叉配合结构和非线性映射特性;控制器与PID算法的特点，利用粒子群算法通过在线优化的神经网络连接的价值学习，使控制器具有的时变自适应特色循环流化床锅炉燃烧系统。该控制策略克服了强耦合，解决了循环流化床燃烧系统的非线性问题，具有较广泛、较高的实用意义。六、 参考文献1 Niu Peifeng, Ding Xisheng, Zhang Jun, Research evolution and development trend of circulating fluidized bed boiler control technology for power plant, Chinese Journal of Scientific Instrument, Vol 28,No.12,Dec,2007:229523042 Zhao Weijie, Zhang Wenzhen, Feng Xiaolu, BT Control Characteristics of CFB Boilers, Journal of Power Engineering, Vol 27, No.4, Aug,2007:5455503 Ma Suxia, Yang Xianyong, Study on Dynamic Behavior of the Combustion System of a Circulating Fluidized Bed Boiler, Proceedings of the CSEE , Vol.26, No.9, 15,May 2006.4 Ma Suxia, Xue Yali, Multi-variable Control of Circulating Fluidized Boilers Combustion Systems, Journal of Power Engineering, Aug 2007，27(4):5285325 Liang Gen, Li Wen, Research on Neuron Decoupling Control Solution for Combustion System of Circulating Fluidized Bed Boiler, Chinese journal of Scientific Instrument, Vol 28,No 12,Dec 20076 Chen Liang, Jin Jianxiang, Yu Haibin, Chu Jian, Research for control Model about CFBB Coal-BT, Chinese Journal of Scientific Instrument, Vol.26, No.12, 13051308,Dec, 2005.7 Wang Jiesheng, Cong Fengwu, Zhang Yong, PID-ANN decoupling controller of ball mill pulverizing system based on particle sw