单神经元无辨识自适应预估控制算法及在过热汽温控制中的仿真研究

1、单神经元无辨识自适应预估控制算法及在过热汽温控制中的仿真研究第25卷第2期2005年1月中国电机工程Vo1.25No.2Jan.2005!兰望2005Chin.Soc.forElec.Eng.文章编号:0258-8013(2005)02-0103-06中图分类号:TP223;TK273文献标识码:A学科分类号:470.20单神经元无辨识自适应预估控制算法及在过热汽温控制中的仿真研究罗文广,覃伟年(广西工学院电子信息与控制工程系,广西壮族自治区柳州市545006)ADAPTIVEPREDICTIVECoNTRoLALGoRITHMoFSDGLENEURoNIDENTIFICATIoN-FREEA

2、LGoRITI玎ANDSIII.ATIoNRESEARCHoFSUPERHEATEDSTEAMTEN.ERATURECoNTRoLLUOWenguang,QINWeinian(DepartmentofElectronicandControlEngineering,GuangxiUniversityofTechnology,Liuzhou545006,GuangxiZhuangAutonoumousRegion,China)ABSTRACT:ForimplementingexcellentcontroltOnonlinearsystemswithlongtime-delay,anoveladap

3、tivepredictivecontrolalgorithmofidentification-freealgorithmisproposedbycombiningasingleneuronwiththeidentification-freeadaptivecontrolalgorithm.TherestrictionconditiontOselectanappropriateweighttOreplacetheoriginalcontrolparameter,isderivedbasedonthebasicprincipleappliedtOderivetheself-adjustingequ

4、ationoftheidentificationfreecontrolparameter.Andtheimprovedweight-learningalgorithmwithmomentumitemreplacestheself-adjustingequationinordertOenhanceitsself-adjustingabllity.Asimulationforsuperheatedsteamtemperaturecontrolofasupercriticalonce-through600MWboilerusingpresentedalgorithmiscarriedout,andt

5、heresultsshowtheapplicability,theexcellentcontrolperformanceandenhancedrobustnessandself-adaptabilityoftheschemeinsolvingcomplicatedsystem.ThecontrolparametersareeasytosetbecauseofundemandingprecisiontOthepredictivemodel,therefore,theschemeiseasyforapplication.KEYWORDS:ThermalPowerengineering;Predic

6、tivecontrol;Identification-free:Adaptivecontrol:Neuron;SuperheatedSteamtemperature摘要:为了实现非线性,大时滞系统的良好控制,提出了一种新型的无辨识自适应预估控制算法.该算法将神经元结合到无辨识自适应控制律中,借鉴推导无辨识自适应控制参数自校正算式的基本思想建立约束条件,据此选择适当的权值取代原控制参数,并用加入动量项的改进算法取代该参数的校正计算式,提高控制参数的自校正能力.将该算法应用基金项目:广西科学基金项目(桂科自0135065;桂科基0448012).于600MW超临界机组直流锅炉的过热汽温控制,进行仿

7、真研究,结果表明该算法的有效性,并具有良好的控制品质,较强的鲁棒性和自适应能力;且该算法对预估模型的精度要求不高,控制参数容易整定,易于工程实现.关键词:热能动力工程;预估控制:无辨识:自适应控制;神经元;过热汽温1引言Marsik和Strejc提出了一种无辨识自适应控制算法【l】,该法无需建立过程的数学模型,只需在线检测过程的实际输出及期望输出便可实现过程自适应控制.该算法计算工作量小,容易实现,无疑为解决不确定过程,时变系统控制难的问题提供了一条好的途径;但它却不能解决工业过程中普遍存在的大时滞问题.为此一些学者对算法进行改进.文献【2】借鉴Smith预估控制的思想,在无辨识控制中加入Sm

8、ith预估器,解决了该算法的大时滞过程控制问题;文献【3】则用神经网络预估模型代替常规的Smith预估器;文献【4】利用具有预测功能的模糊控制器校正无辨识自适应控制律.火电厂锅炉过热器的过热蒸汽温度是一类大时滞,大惯性,时变性和非线性的典型对象,其控制系统目前主要采用常规的串级式PID控制,但由于系统受到的干扰因素很多,干扰量通常也较大,因此很难获得好的控制效果,尤其工况发生变化时甚至造成系统不稳定.为此,人们提出一些自适应控!中国电机工程第25卷制方法来改善其控制品质.文献【5】采用模糊规则和推理自适应地调节PID的参数;文献【6】采用模糊自适应预测函数控制策略;文献【7】则提出一种具有一定

9、适应能力的PID型模糊控制器;文献【8】研究一种适用的模糊神经网络预测控制器;文献【910使用遗传算法来优化PID控制器的参数.这些自适应控制方法均能有效地提高锅炉汽温控制系统性能.本文利用单神经元控制器结构简单,具有自组织自学习能力,对系统(对象)模型精度要求不高以及抗干扰能力和鲁棒性强等特点,在文【2】的基础上,将神经元与无辨识自适应控制律结合起来,进一步提高控制系统的鲁棒性和自适应能力.将所提出的新型预估算法应用于过热汽温的控制,最后经仿真研究证实其有效性.2新型预估算法2.1单神经元无辨识自适应控制算法Marsik和S骶ic提出的无辨识自适应控制算法可描述为au(k):g(足)【P(足

10、)+2(足)(足)+2(足)P(足)】(1)其中au(k)为控制器的输出增量;e(k),Ae(k),AP(足)分别为系统偏差及其一阶,二阶差分;g(k)为控制器增益;瓦(足)为控制器参数,它们具有如下的在线校正方法:(足)=L*sgnIAe(k)l-(七一1)lP(足)1(2)其中,0.05r0.1.ag(k)=sgn=sgn)】(3)Ig(k)=0.75g(k一1)sgne(k)】sgne(k一1)】其中,0.025C0.05.上述控制器的自适应问题其实就是参数g(k),(足)在线校正问题,因此这些参数的初值及其自校正算式中参数的选择对控制系统性能有很大影响.三输入的神经元控制特性描述为Au

11、(k)=K(k)Z(足)(足)-K(k)(足)(足)(4)i=13wi(k)=wj(足)/1wj(足)I(5)i=1其中(足)为比例系数;(足)为权值,其学习算法采用加入动量项的改进算法,即(足+1)=(足)+rlir(k)一y(k)lxi(足)+a/w/(足)一w/(七一1)】(6)式中r(k)为给定信号;y(k)为被控对象的实际输出;r/i为学习率;为动量系数,取值范围为0.11t”】,通常取0.9.状态变量取为I.(足)=P(足)xa(k)=ae(k)=xl(足)一(七一1)(7)【x3(k)=Ae(k)=xa(k)一xa(k一1)这样,式(4)变换为Au(k)=(足)【P(足)+w2(

12、k)Ae(k)+w3(k)AP(足)】(8)将上述的无辨识自适应控制和神经元控制进行比较:(1)由式(1)与式(8)可见两者具有相同的结构形式,这是两者结合的基础.(2)两者均为自适应控制.无辨识自适应控制的参数g(k),(足)在线校正;神经元控制的权值在线学习,比例系数无对应的自调整算式.(3)式(2)和式(6)均只需在线检测过程的实际输出及期望输出(给定值)即可实现参数的在线校正.式(2)的调整范围受到一定限制,校正能力弱些,而式(6)的校正能力较强.(4)无辨识自适应控制的参数g(k)的自校正算式来源于稳定性分析,而推导参数(足)的自校正算式时主要考虑控制效果n】.为此,结合两者的优点,

13、构造一种新型的单神经元无辨识自适应控制算法.构造新算法首先要必须保证其稳定性,其次考虑其性能问题.构造算法如下:(1)控制律保持为式(1),即本质上仍为无辨识控制.(2)神经元的比例系数K(k)用g(k)代替,因而具有了自校正能力.K(k)取值受稳定性限制.神经元控制系统的闭环稳定性分析存在一定困难,文121借用线性系统的稳定性分析方法,利用复变函数中的Rouche定理,针对常见的一类工业过程(二阶惯性加时滞),得到稳定性条件为K(k)<1/Ko(9)式中为对象的开环增益.式(9)作为K(k)在线校正的约束条件.(3)关于控制参数瓦(足)的校正计算,这里提供两种方案.第2期罗文广

14、等:单神经元无辨识自适应预估控制算法及在过热汽温控制中的仿真研究105第1种方案:用神经元学习获得的权值w2(k),以(足)分别取代式(1)中的2L(k),2(足),即2(足)=(足),2(足)=以(足),而(足)的校正计算式仍然采用式(2),这时该参数的作用已经降低,不再是控制算式的直接控制参数,而仅仅作为校正g(k)的一个参数.该方案实际上改变了式(1)中第2,第3项的系数关系,本质上对无辨识控制律作了较大修改.第2种方案:用以(足)取代2(k),或用以(足)取代2(足),两者取其一,保持式(1)中第2,第3项的系数关系.该方案严格地保持了无辨识控制律,只是用权值的学习算法取代了,(k)的

15、校正算式.由于(k),(足)分别通过各自学习而得到,一般说两者的结果不一致,因此,在实时的调节过程中两者必须择其一.下面给出选择权值的约束条件.约束条件的推导来源于Marsik和Strejc推导控制参数自校正算式的基本思想【l】:使组成增量型控制算法的各项控制量绝对值的平均值相等.该思想可以使控制器获得较好的控制效果.以式(8)来说,应有I(足)I=w2(k)lAe(k)I=Wa(k).A2e(k)l(10)要绝对满足式(10)的可能性不大,可采用近似相等的关系.若以(足)计算,有)Iw2(k)lAe(k)I以及)I寺(k).A2e(k)l,定义(足)【(足)l】D121e(k)¨l

16、一若以以()计算,有Ie()Iw3(k)A2e(k)I以及l(足)l,/2w3(足)IAe(k)I,定义:2le(k)I遵循无辨识控制参数校正的思想,选择(k),以(足)的约束条件为:若lD1-1I<IDE-1I则选择(k),反之选择以(足),即选择的权值应使或D1最接近1.以下的讨论是基于第2种方案开展的.2.2新型预估控制算法用单神经元无辨识自适应控制器取代文献2】中的无辨识控制器,即可得到新型的预估控制算法,如图1所示.图1中,G(z)为预估模型;d=f/,为纯滞后时间;d为预估的纯滞后时间.由于工业过程(对象)特性通常是时变的,纯滞后时间也会是时变的,精确预估出纯滞后时间

17、难度较大,这里引用文献【2】的搜索算法,即G(z)一z一【G(z)min(13)该搜索算法的基本思想是给出纯滞后时间的搜索范围,在系统的实时过程中按式(13)进行搜索,以获得满意的纯滞后时间.图1单神经元无辨识自适应预估控制算法框图Fig.1Blockdiagramofadaptivepredictivecontrolalgorithmofsingleneuronidentification-freealgorithm本新型预估控制算法的计算步骤如下:步骤1给出预估模型G(Z),选用一阶惯性环节模型即可;步骤2给出纯滞后时间的搜索范围In1,2】;步骤3由预估模型计算出无滞后的输出,即)(足)

18、,)(七一1),)(七一);步骤4根据搜索算法,按下式进行搜索()=rrfiny(k)一Y(k)naJ,l2获得的.口为d;步骤5计算预估输出yP(k)及其偏差ep(k);步骤6将预估值代入式(6)进行权值学习,获得权值;步骤7计算DI和D,由约束条件选择权值;步骤8校正g(k),考虑式(9)的约束;步骤9根据式(1)计算出控制量Au(k)及u(k):步骤10k=k+1,转步骤3,进行新一轮计算.3仿真研究文献5】给出了600MW超临界机组直流锅炉高温过热器的过热汽温的数学模型,其研究表明模型参数随着工况变化将有很大的变化,工况参数主蒸汽流量D,压力P和温度对其均有影响,尤其主蒸汽流量影响最大

19、.本文仅考虑100%和75%负荷下的工况.已知对象的传递函数G1()100%=0.815/(1+18s)(14)106中国电机工程第25卷G2()l00%=1.276/(1+18.4s).(15)Gl()75%=1.657/(1+20s)(16)G2()75%=1.202/(1+27.1s)(17)上述式中下标”1”为前导区;”2”为惰性区;“100%”为满负荷(主蒸汽流量D=527.8kg/s);“75%”为75%的负荷(主蒸汽流量D=347.9kgs).现有的过热汽温控制主要采用常规的串级式PID控制,主回路采用PID控制器,副回路采用P控制器.若保持副回路的控制器不变,用单神经元无辨识自

20、适应预估控制取代主回路控制器,如图2所示.图2中G()为预估模型,为预估的纯滞后时间,r为给定值,n为扰动值.为了便于仿真,将P,Gl(S),G2(S)处理为广义对象G():(18)1+P.Gl()运用pade近似方法进行降阶处理以及将大惯性环节转换为纯滞后环节后,获得典型的二阶惯性环节加纯滞后环节的等效近似方程(处理过程中P=25【】,100%负荷时:G()=一e(19)1796s+56s+l175%负荷时:G(s)=一e-62(20)图2过热汽温的单神经元无辨识自适应预估控制结构图Fig.2Blockdiagramofsingleneuronidentification?freepredi

21、ctortosuperheatedstesmtemperature仿真实验结果如图3图8所示.图中,曲线1为采用本文方法的结果(整定的初始参数g(0)=1.25,C=0.05,权值初值(0)=14,w3(0)=0.01,学习率772=14,r/3=0.1),曲线2为采用文献2】提出的无辨识自适应预估控制算法的结果(整定的初始参数g(0)=1.25,rv(0)=1.7,r=0.05,C=0.05),曲线3为采用常规的串级式PID控制的结果(Ke=1.2,KI=0.0127,K=28.6).以上参数是在超临界态(即100%负荷)下设定的.纯滞后时间的搜索范围为30,80】.预估模型选择如式(21)

22、所示的一阶惯性环节,采用零阶保持器方法进行离散化.以下讨论中,预估模型的参数取为K1=2.5,=86,且G()=一(21)7+1本文采用的机理模型与实际对象动态特性之间存在一定的偏差,但用于验证算法的有效性是可行的.仿真实验结果说明:(1)图3表明本文算法和文献2】算法对过热汽温的控制均具有良好的控制效果,明显优于常规的串级式PID控制,且本文算法还具有响应速度快的特点.图4则说明前两种算法在控制过程中喷水量的变化更易于稳定.(2)图5说明本文算法应用于诸如过热汽温等大时滞系统(对象)具有更好的抗扰动能力.(3)图6为预估模型发生较大变化时(K1=1.42,=45)本文算法和文献2】算法的实验

23、结果,以及K保持不变,=100时本文算法的实验结果(曲线1.).两种算法均能有效地保持控制的稳定性和稳态精度,说明它们对预估模型精度要求不高.本文算法具有更好的控制效果:较小的超调量和较短的调节时间.由曲线1.可见,在预估模型开环增益不变的情况下,惯性时间常数的变化几乎对控制性能不产生影响,该实验结果进一步说明本文算法对预估模型精度要求不高.(4)图7显示本文算法的w2(0)由14变化为0.01和文献2】算法的rv(0)由1.7变化为7后的响应曲线,与图3比较可知,本文算法的控制效果几乎没有变化,而文献2】算法在参数变化后产生较大的超调和调节时间增加.该结果说明,本文算法对控制器参数变化具有更

24、强的鲁棒性.(5)图8显示锅炉过热器的负荷由100%切换至75%(由超临界态切换至亚临界态),即在控制对象参数变化时,控制器参数不变情况下的控制效果.由图8可见,常规的串级式PID控制已无法保证系统的稳定性.在预估模型保持不变情况下,本文算法和文献2】算法仍然能有效地保持控制的稳定性和稳态精度,说明它们对控制对象工况变化具有较强的鲁棒性,且本文算法具有更好的控制效果和更强的鲁棒性.曲线1为本文算法在控制器参数不变情况下预估模型适应性地变化为(=1.8,=100)时的控制结果.可见,工况变化时预估模型适应性修改可使系统获得更好的控制效果.由于算法对预估模型精度要求不高,所以对预估模型参第2期罗文

25、广等:单神经元无辨识自适应预估控制算法及在过热汽温控制中的仿真研究数进行适应性修改是比较容易实现的,一般方法是,其开环增益通过对实际工况测试获得,惯性时间常数取值原则是:负荷大时取较小值,反之则取较大值.图3给定值作单位阶跃时系统输出响应曲线Fig.3Systemoutputresponsecurveassetpointstep02O040O6OOtls图7控制参数变化时系统输出响应曲线vi.7Systemoutput蜮curveascmltrp|虹堪chan04008ool20os图8负荷由100%切换至75%时系统输出响应曲线Fig.8Systemoutputresponsecurve88

26、leadsfrom100to75percent020o4oo600t/s图4给定值作单位阶跃时喷水量的变化曲线4结沦Fig.4Changingcurveofspray-waterflowassetpointstep图5扰动作单位阶跃变化时系统输出响应曲线Fig.5Systemoutputresponsecurveasdisturbancestep图6预测模型变化时系统输出响应曲线Fig.6Systemoutputresponsecurveaspredictivemodelchanging本文在文献2】的基础上,将神经元结合到无辨识自适应控制中,构造一种新的单神经元无辨识自适应预估控制算法,使其

27、能够应用于大惯性,大时滞,非线性和时变性系统(对象)的控制.在算法构建过程中,严格保持无辨识自适应控制律,利用推导无辨识自适应控制参数自校正算式的基本思想,建立约束条件选择适当的权值取代原控制参数,(足),用权值的学习算法取代,(足)的自校正算式,提高控制参数的自校正能力,并采用加入动量项的改进的算法提高权值的学习能力和速度.将该算法应用于6o0Mw超临界机组直流锅炉的高温过热器的过热汽温控制,仿真实验结果表明该算法具有良好的控制品质,并且对控制器参数变化,控制对象工况(参数)变化具有强的鲁棒性,对预测模型的精度要求不高.若工况发生变化时,本算法在控制器参数不变的情况下,只要对预估模型参数进行

28、适当的适应性修改,就会取得更好的控制效果.参考文献1】Marsik.J,StreicVApplicationofIdentification-freealgorithmsforadaptivecontrol【J】.Automatica.1989,25(2):273-277.108中国电机工程第25卷2】江青茵.无辨识自适应控制预估算法及应用J】.自动化,1997,23(1):107111.JiangQingyin.Predictivealgorithmsofidentification-freealgorithmsforadaptivecontrolanditsapplicationJ,ACT

29、AAutomaticaSinica,1997,23(1):107-l11.3】靳其兵,谢祖荣,田野,等.无辨识自适应算法的大滞后对象的控制方法.石油化工高等学校,2002,l5(2):68.71.JinQibing,XieZurong,TianYeeta1.Acontrolschemeforplantwithlargedelayusingidendfication-freealgorithmforadaptivecontrolJ.JournalofPetrochemicalUniversity,2002,l5(2):68-71.【44乔俊飞,孙雅明,柴天佑.基于模糊预测的自适应控制方法及应用.

30、电工技术,2000,l5(4):67-70.QiaoJunfei,Sunyarning,ChaiTianyou.AdaptivecontrolmethodbasedonfuzzpredictionanditsapplicationJ.TransactionsofChinaElectrontechnicalSociety,2000,15(4):67-70.5】范永胜,徐治皋,陈来九.基于动态特性机理分析的锅炉过热汽温自适应模糊控制系统研究J】.中国电机工程,1997,l7(1):2328.FanYongsheng,XuZhigao,ChenLaijiu.Studyofadaptivefuzzyc

31、ontrolofboilersuperhearteds”釉temperatttrebasedondynamicmechanismanalysis册.ProceedingsoftheCSEE,1997,l7(1):2328.6】王国玉,梅华,韩璞,等.主汽温系统模糊自适应预测函数控制J.中国电机工程,2003,23(10):230-235.WangGuoyu,MeiHua,HanPueta1.FuzzyadaptivepredictivefunctioncontrolinmainsteamtemperaturesystemJ.ProceedingsoftheCSEE,2003,23(10):230-235.7】胡一倩,吕剑虹,张铁军.一类自适应模糊控制方法研究及在锅炉汽温控制中的应用.