一种多变量pid神经网络解耦控制球磨机制粉系统

一种多变量pid神经网络解耦控制球磨机制粉系统

0多变量pid神经网络解耦控制方案设计研磨机粉装粉系统广泛应用于国内外的火力发电站。它不仅是大型国有设备的，也是一个能源消耗的大系统。能耗占总能耗的15%25%。因此，在保证粉末生产安全运行的前提下，研究如何实现研磨机的自动控制和优化运行，对减少单耗和节约能源的影响具有重要的实际意义。但由于球磨机制粉系统是一个具有非线性、慢时变、大延迟等特点的多变量耦合系统,动态特性复杂,很难建立精确的数学模型,这就加大了常规控制方法对球磨机控制的困难。多变量PID神经网络是由多个PID型单神经元交叉关联组成的,其隐含层神经元由比例元、积分元、微分元组成。它将PID控制规律融进神经网络之中,可以在完全不知道对象内部结构和参数的情况下,通过在线自主学习和网络权值调整,改变网络中P、I、D作用的强弱,使系统的每个被控参数按照给定值的要求变化,实现系统的解耦与控制。本文针对球磨机被控对象的多变量、强耦合特点,提出了多变量PID神经网络解耦控制策略。此外,为进一步提高控制器性能,采用一种改进粒子群(PSO)算法对PID神经网络控制器初始参数进行离线优化,然后将得到的最优解带入网络,并采用误差反传(BP)算法对网络权值进行在线调整,避免网络陷入局部极小值,保证了系统不会出现大的超调和震荡。仿真结果表明,基于改进的PSO算法优化后的PID神经网络控制策略可以保证球磨机控制系统具有大范围的鲁棒性和适应性、优良的解耦机制和控制品质,在不同负荷下都能获得满意的控制效果。1不确定性干扰从控制角度分析,球磨机制粉系统是一个三输入三输出系统,其输入变量为热风量、冷风量和给煤量,输出变量为球磨机的出口温度、入口负压和料位,且被控变量之间相互耦合严重,容易受到不确定性干扰的影响,特别是系统模型存在着时变性,因而使常规控制理论的应用受到了很大的限制。从安全性、经济性角度出发,对球磨机制粉系统的控制要求如下:(1)通过调节热风量来控制球磨机出口温度,避免温度过高引起煤粉爆燃或因温度过低影响球磨机干燥出力。(2)通过调节冷风量来控制球磨机入口负压,保证球磨机的最大出力和合格的煤粉细度,并防止煤粉泄露。(3)通过调节给煤量来控制球磨机料位接近最佳料位,保证球磨机研磨出力最大,提高制粉系统经济性。2pid神经网络管理系统的结构和算法2.1神经网络控制输入多变量PID神经网络是一个3层前向网络,由并列的多个相同子网络组成。每个子网络的输入层至隐含层是相互独立的,输入层有2个神经元,分别接收一个被控变量的给定值r和实际输出值y;隐含层有3个神经元,分别为比例元(P)、积分元(I)和微分元(D);隐含层至输出层相互交叉相连,使整个PID神经网络结合为一体,输出层的输出值u即为被控对象的控制输入。图1为球磨机制粉系统的PID神经网络控制系统结构。图1中,r1、r2、r3分别为出口温度、入口负压和料位的设定值,u1、u2、u3为PID神经网络的输出值,分别用来控制热风量、冷风量和给煤量,y1、y2、y3分别为出口温度、入口负压和料位的实际值。2.2各神经元的输出根据参考文献可以得到网络学习算法:(1)输入层各神经元的输出等于输入,即式中:rs(k)为系统给定值;ys(k)为系统实际输出值;s为子网的序号(s=1,2,3)。(2)隐含层各神经元输入为隐含层比例元、积分元、微分元的输出为式中:i为子网中输入层神经元序号(i=1,2);j为子网中隐含层神经元序号(j=1,2,3);wsij为输入层至隐含层的连接权值。(3)输出层各神经元的输出为式中:h为输出层神经元序号(h=1,2,3);wsjh为隐含层至输出层的连接权值。2.3学习目标的选取将PID神经网络作为多变量控制器,与多变量被控对象作为一个广义网络整体来考虑,学习的目标是使系统输出误差平方均值最小,即为式中:l为每批采样点数。按梯度法调节PID神经网络控制器的权值,经过t步训练和学习后的权值分别由以下各式确定:(1)隐含层至输出层的权值迭代公式为式中:令则(2)输入层至隐含层权值迭代公式为式中:3神经网络控制器的在线优化PID神经网络权值初值的选取对于网络的学习和收敛速度是非常重要的,本文利用一种改进的PSO算法在全局范围内离线搜索最优解,然后将最优权值初值带入网络,进一步采用BP算法在线调整PID神经网络控制器的参数,以获得更好的控制性能。3.1新的发展方程假设在一个D维搜索空间中,粒子的群体规模为M,第i个粒子的位置为Xi=(xi1,xi2,…,xiD),速度为Vi=(vi1,vi2,…,viD),第i个粒子的个体极值记为Pi=(pi1,pi2,…,piD),群体所有粒子的全局极值记为Pg=(pg1,pg2,…,pgM)。在每次迭代中,粒子i通过跟踪个体极值和全局极值来不断更新自己的速度和位置,更新方程为式中:i=1,2,…,M;d=1,2,…,D;k为当前进化代数;w为惯性权重系数;λ1、λ2为加速学习因子;c1、c2为之间的随机数。3.2改进pso算法的计算针对PSO算法存在后期易陷入局部极小值的缺点,本文对PSO算法作了以下改进:(1)将所有粒子按照历史最优适应值(个体极值的适应值)的好坏从前到后排队,将前面粒子的个体极值作为其后面粒子的全局极值,而第一个粒子的全局极值仍为其自身的个体极值。(2)将除了第一个粒子之外的每个粒子的个体极值变换为所有个体极值与其当前适应值的加权平均,公式为综合以上改进,新的速度更新公式如下:改进后的PSO算法一方面使所有粒子向不止一个方向飞去,保持了粒子的多样性;另一方面使每个粒子利用其它粒子的更多有用信息,加强了粒子之间的合作与竞争。4pid神经网络控制系统仿真根据某制粉系统的运行情况,可以得到球磨机对象正常运行状况下的数学模型为式中:t、p、m分别为出口温度(°C)、入口负压(Pa)、料位(t);u1、u2、u3分别为热风量、冷风量、给煤量。利用上述模型,将多变量PID神经网络与球磨机对象组成控制系统进行仿真,相关参数:m=n=3,l=50,采样周期T=5s,学习率ηsjp=ηsij=0.05,学习目标函数Jmin=0.001,D=60,M=50,K=100,[wmin,wmax]=[0.4,0.9],λ1=λ2=2.05,为便于仿真研究,给定参考输入[t,p,m]=[0.7,0.4,0.6]。图2为球磨机PID神经网络控制系统仿真结果。从图2可知,PID神经网络控制器能够通过在线学习自动调整网络权值,在较短时间内克服耦合影响,基本实现了系统的解耦控制任务。图3为经过改进的PSO算法优化的PID神经网络控制系统仿真结果。与图2相比,网络学习时间有了很大的缩短,系统动态性能有了很大改善,进一步缩短了过渡时间,减小了超调量,使系统各输出量能较好地跟踪设定值,很好地实现了系统的解耦任务,保证了高精度、高品质的控制质量。5改进的pso算法对网络权值初始化的改进分析了球磨机制粉系统的动态特