BP神经网络PID控制器在球磨机控制中的应用

1、42 欢迎光临本刊网站 h tt p:/www.e i c. com. cn文章编号 :167121041(2008 0220042202B P 神经网络 P I D 控制器在球磨机控制中的应用梁兆阳 , 孙建平 , 孙 静(华北电力大学 , 保定 071003摘要 :基于神经网络控制理论 , 针对球磨机的运行特点 , 提出了一种新 型的基于 B P 神经网络 P I D 解耦的球磨机控制系统。 此控制系统既实 现了系统解耦而且通过在线整定 P I D 参数兼具了 P I D 控制的优点。 大量的仿真表明 , 与常规控制系统相比 , 此系统具有更好的动态及稳态 性能。关键词 :神经网络 ; P

2、 I D 控制 ; 解耦控制 ; 球磨机 中图分类号 :TP273文献标识码 :BThe appli ca ti on of BP neura l networkba sed P I D con troller i n ba ll m illsL I ANG Zhao 2yang, SUN J i a n 2p i n g, SUN J i n g(North Ch i n a Electr i c Power Un i versity,Baod i n g 071004, Ch i n aAbs tra c t:B a sed upon the neu ra l ne t w o rk th

3、eo ry, po i n ti ng the op e ra 2ti o n fe a ture s of the ba ll m ill, a new type ba ll m ill de coup l e d sys tem w h i ch ba de d o n B P ne ura l ne t w o rk P I D t r w a rd. ca n no t on l y de coup l e the sys tem but a e P I D co r by se l f -tune P I D p a ram te a l s tha t, com p a ri ng

4、 the l a o l sse s tte r dynam i c a nd s ta ti c re spon s i b l e ns.Ke y wo rs:ne ura l ne t w rk; P I D con tr o l ; de coup li ng co ntr o l ; ba llm ill球磨机作为火力发电厂的重要辅助设备 , 其安全 、 经济运 行与整个电厂的安全 、 经济运行有着紧密的联系 。但目前国 内大多数电厂的球磨机系统未能投上自动 , 显著的降低了全 厂的经济效益 , 这是由于球磨机系统是多输入一多输出的强 耦合 、 大延迟 、 时变系统 , 因此基于精确

5、被控对象数学模型的 常规 P I D 调节方法不适用于球磨机系统 。近年来神经网络理 论的兴起引起了控制界的关注 , 因为神经网络具有自学习 、 自 适应的优点 , 并且不依赖具体的数学模型 , 这为如何控制动态 特性随运行工况大范围变化的对象找到了一条出路 。本文针 对球磨机的具体特点 , 将神经网络控制理论运用于球磨机控 制系统 , 解除系统的耦合性 。1 球磨机的动态特性根据球磨机系统的要求 , 需对球磨机的入口负压 、 出口温 度和存煤量进行控制 , 其调节手段分别为再循环风门的开度 , 热风门的开度和给煤量 。由于球磨机内是气固两相流 , 运行 工况极为复杂 , 所以三个被控量之间耦

6、合严重 。采用球磨机 的轴瓦振动信号来表征存煤量时 , 给煤量回路可与其它两个 回路分离 , 近似成为一个单回路 , 以下为采用振动信号的某典 型球磨机的温度 、 负压回路的传递函数矩阵 。 = -2s 5s +1-2s5s +1-5s 20s +1-2s5s +U p U (1 式 (1 中 , P 是球磨机入口负压 , T 是球磨机出口温度 , U p是再循环风门开度 , U T 是热风门开度 。由式 (1 可知当给煤量回路分离时 , 温度 、 负压回路依然 存在着较强的耦合 , 为保证系统的正常运行必须对其进行 解耦 。2 B P 神经网络 P I D 控制系统的模型结构图 1P I D

7、 的算 神经网络 P I D 的球磨机控制系 统 00, T , 表示球磨机的实际输出值 。P I D 控制器直接对球磨机对象进行闭环控制 , 它的三个参 量 Kp 、 Ki 和 Kd 由神经网络 NN 在线整定 ; 神经网络 NN 包括学 习算法和神经元网络 NN 两部分 , 它可以根据系统的运行状 态 , 按照学习算法 , 在线调整 P I D 控制器的参数 , 使得给定性能 指标参数最优 , 即不断修正 P I D 控制器的 3个参量 Kp 、 Ki 和 Kd 满足该性能指标的要求 ; 神经网络 NN 则是一个由 3层的 BP 神经元网络构成的子网络 。 它有 J =3个输入节点 , I

8、 =8个隐 含节点 , L =3个输出节点 。 在第 k 个采样时刻 s 号子网输入层 的 3个节点分别接收偏差 e s (k 、 偏差和 ke s (k 以及偏差增量 e s (k ; 输出层的 3个节点分别对应 P I D 控制器的 3个参量 Kp 、 Ki 和 Kd 。 所有这样的 S =2个子网络在控制学习算法中进 行控制律的综合 , 与 P I D 控制器一起形成双入双出神经网络 P I D 解耦控制器 。3球磨机 B P 神经网络 P I D 控制系统的计算方法基于 BP 神经网络 P I D 控制系统的计算方法由两部分组成 , 包 括经典 P I D 控制算法和基于 BP 神经网

9、络的多变量学习算法。 3. 1经典 P I D 控制算法采用增量式数字 P I D 控制的算法为 :u s (k =u s (k -1 +Kp s e s (k -e s (k -1 +Ki s e s (k +Kd s e s (k -2e s (k -1 +e s (k -2 (2 其中 , u s (k 为 k 时刻 s 号子网输出控制量 ; Kp s 、 Ki s 和 Kd s 为比 例 、 积分 、 微分系数 ; e s (k 为 k 时刻 s 号子网给定值与输出值的 偏差 , e s (k =r s (k -y s (k . 3. 2神经网络多变量学习算法神经网络多变量学习算法有前

10、向传播算法和反向传播算 法两部分组成 1。 由于 P I D 控制器的 3个可调参数向量 Kp 、 Ki 和 Kd 不能为负值 , 所以输出层神经元的活化函数需要取非负 的 Sig moid 函数 2, 而隐含层神经元的活化函数可以取为正负 对称的 Sig moid 函数 , 仍用 s 表示子网络序号 (s =1, 2 , 用 j, i, l 表示输入层 、 隐含层和输出层神经元序号 , 则在任意采样时 刻 k, 神经网络多变量学习算法如下 。欢迎订阅 欢迎撰稿 欢迎发布产品广告信息 433. 2. 1前向传播算法(1 输入层神经网络 NN 的输入为x s 1(k =e s (k x s 2(

11、k = kt =1e s(t x s 3(k =e s (k -e s (k -1(3(2 隐含层隐含层的输入输出为sum si (k =Jj =1 sij x sj (k -x si (k =fsum si (k (4式 (4 中 , J 为输入层神经元数 ; sij 为子网络 s中隐含层连 接权系数 ; si 为隐含层神经元相应的阈值 ; f (x 为隐含层活 化函数 , f (x =tanh (x (3 输出层网络输出层的输入输出为sumsl (k =Ii =1sli x si(k -xsl (k =g sumsi (k (5K p s =xs 1(k K i s =xs 2(k K d

12、 s =xs 3(k 式 (6 中 , I ; sl为其相应的阈值 ( =01+tanh (x 。 3. 2. 2JS =015 ns =1r s(k +1-y s (k +1 2(7式中 , n 为网络总个数 ; s 为子网络序号数 。 这样 , 连接权系 数 sli 和 sli 按 JS 对它们的负梯度方向 (最速下降法 进行调 整和修正 。(1 隐含层至输出层按最速下降法修正全系数 , 并附加一个加速收敛全局极 小的惯性项 , 再考虑变量之间的耦合作用 , 可得到神经网络 NN 输出层的连接权系数计算公式为式 (8 sli (k +1 =sli (k + sli (k +1 sli (k

13、 +1 = sl x si (k + sli (k sl = n s =1 nm =2e s(k +1 sgns (k +19u m (k .(k 9sl (k g xsl (8式 (8 中的 l =1, 2, 3; 为学习速率 为惯性系数 ; g (x =g (x 1-g (x 。 因为 9y s (k +1 /9u m (k 是不知道的 , 所以 用符号函数 sgn 9y s (k +1 /9u m (k 近似取代 , 由此带来的不 精确的影响可以通过调整学习速率来加以补偿 3。(2 输入层至隐含层同上述方法可得到隐含层连接权系数的计算公式为式 (9 sij (k +1 =sij (k +

14、 sij (k +1 sij (k +1 = si x sj (k + si (k si =fx si (k Li =1 sl sli (k (9式 (9 中 , f (x =0151-f 2(x 。4仿真试验本文针对式 (1 所示球磨机系统模型设计了神经网络 P I D 解耦控制器 , 在控制过程中神经网络同时要进行 P I D 控制器比例 、 积分和微分系数的在线整定 , 即实现边控制边学习 的特点 。 图 2是入口负压侧子网络 P I D 参数在线自调整过程曲 线 . , 其控制过程输出曲线见图 3。 另外 , 本例中取惯性系数 =0. 3, 学习速率 =0. 3, 连接权系数初始值为区

15、间 -0. 5, 0. 5 上的随机数 。为验证神经网络 P I D 控制系统的控制效果 , 将常规控制系 统作仿真实验 , 在常规控制系统中引入静态解耦网络 , 解耦网络参数为 D (s =0196 -310112 0196使系统达到静态对角占优 , 温度侧 P 、 I 、 D 参数分别为 20、 5、 30, 入口负压侧 P 、 I 、 D 参数 分别为 1O 、 5、 l O , 控制器在此参数下可达到常规系统的最佳控 制效果 , 如图 5所示是在常规控制下入口负压侧的输出 , 由图 可知其超调非常大而且有迟延 。 仿真采用变步长法 4。6 结论在仿真过程中 , 连接权系数初值的选择对系

16、统的调节过程有很大影响 , 应尽量取小些的值 。 另外 , 对于 BP 神经网络中 隐含层节点的个数选择目前还没有理论指导依据 , 只能根据 经验选取 . 。 仿真结果表明 , 此球磨机神经网络 P I D 解耦控制 器可以在系统对象参数未知的情况下 , 通过自身的训练和学 习 , 实现多变量系统的解耦控制 , 能够基本消除变量之间的耦 合作用 , 而且系统的响应速度快 , 超调小 。 另外 , 控制器结构可 以根据输入和输出变量的个数来确定 , 而不必预先知道控制 对象的结构 ; 网络连接权系数和 P I D 参数的初值可以按照经典 P I D 控制的经验来取值 ; 通过调节网络阈值 , 可以调节系统的 动态和静态性能 ; 由于神经网络具有万能逼近和自适应能力 , 正好应用于强耦合 、 非线性多变量的球磨机控制 。 参考文献1刘金琨 . 先进 P I D 控制 MAT LAB 仿真 M.北京 :电子工业出版社 , 2004.2陶永华 , 尹怡欣 , 葛芦生 . 新型 P I D 控制及应用 M. 北京 :机械工业出版社 , 1998.3M iya mot o H, Ka wat o M. Feedback -err or -learning neuralnet w ork for traject ory contr ol of a