基于小波神經網絡模糊PID控制在粉末微控再生過濾器中的應用

華滿香

（湖南鐵道職業技術學院，株洲 412001）

0 引言

伴隨著科學技術的持續發展，粉末微控再生過濾技術不斷革新，機器設備也日新月異。智能控制在各種非穩定的動態工程系統中的應用越來越廣泛和深入，特別是近年來取得的研究和應用成果更加令人矚目。模糊PID控制技術的不斷成熟，PID控制技術也逐漸應用于控制粉末的過濾和再生。粉末通常是指尺寸小于1mm的顆粒集合體，粉末的密度主要是指單位體積內的粉末所對應的質量。然而粉末又具有振實密度、松散密度和分散度等主要性能。這就決定了，控制粉末的再生和過濾不是一件簡簡單單的事，也并不容易，必須需要采用特殊的工藝技術，才能有效的控制粉末的再生過濾。由此，小波神經網絡模糊PID控制技術應運而生，網絡模糊PID控制技術有其自身的獨特之處，在防止粉末再生和過濾方面起著重要的作用。

1 小波神經網絡概況

小波神經網絡根據自身的快速處理能力和反應能力，以及高強度的學習能力而獲得越來越廣泛的重視。小波神經網絡的最主要的特征是并行處理和信息的分布式存儲能力，以及高度的容錯性和自學習能力等。小波神經網絡是基于小波神經網絡分析所構造的一種新型的神經網絡模型，它具有良好的自學習功能。

小波神經網絡相比較其它神經網絡而言，它具有明顯的獨特的優勢：一是對同樣的學習任務，小波神經網絡結構更加的簡單，而且收斂速度更快；二是可以避免BP神經網絡等結構上的設計盲目性；三是小波神經網絡有更強的學習能力，精準度高。目前在BP神經網絡的基礎之上，結合了Legendre小波構造了Legendre小波神經網絡。

在上述公式中，wi為權重系數，ai為小波神經網絡模型函數的平移因子，bi為函數的伸縮因子，其中的x和y分別為系統中的輸入和輸出。

圖1 小波神經網絡結構圖

在上圖中，x輸入層是一個緩沖器，輸入層到隱含層中的權值為2m，隱含層中的函數φ，第k個隱含層中的閾值為k，整個網絡中只有隱含層到輸出單元的權值屬于待定，小波神經網絡輸出將逼近函數f (x)。

2 神經網絡模糊PID控制

2.1 PID控制

PID控制是比例、積分和微分控制的簡稱，PID控制具有適應性強、結構簡單和魯棒性好等優越性，也是目前應用最為廣泛的控制技術之一。PID控制是現代化工業生產過程中，經常使用的一種控制方式，也是必不可少的控制技術。PID控制適用于需要進行高精度測量控制的系統，可以根據具體的控制對象演算出最佳的控制參數。

1）比例控制

所謂的比例控制，也就是控制器在運行過程中的輸入和輸出誤差的信號成一定的比例關系，比例控制是一種簡單的控制方式。

2）微分控制

所謂微分控制也就是控制器輸入和輸出誤差信號的變化率呈現正比例關系，但是可能由于組件的緣故，在微分控制過程中可能會出現調節震蕩甚至處于失穩狀態。

3）積分控制

所謂積分控制也就是指控制器在輸入和輸出過程誤差信號的積分變化率呈現正比例關系。

2.2 模糊PID控制

所謂模糊PID控制，主要是指利用模糊PID算法和模糊規則對PID控制的比例、積分和微分等系數進行實時優化和處理的過程，以達到最優的控制效果。模糊PID控制總共包括模糊規則推理、PID控制器、參數模糊化、參數解模糊等組成部分。計算機根據自身所設定的輸入和輸出反饋信號，計算實際位置和理論位置的偏差以及當前位置的偏差變化，并且根據模糊規則進行模糊推理，正確的輸出PID控制器的比例、積分和微分等系數。

模糊神經網絡由輸入層、隱含層和輸出層，其中隱含層包括模糊化層和模糊推理層。輸入層主要是指輸入變量的個數，把各分量相連接，然后再傳遞到下一層中。隱含層的主要功能是模糊化輸入變量，其主要作用是計算每個輸入分量，屬于各語言變量值模糊集合的隸屬度函數。詳情請見圖2。

2.3 模糊PID控制的設計步驟

圖2 基于標準模型的模糊PID控制

1）首先確定模糊PID控制網絡輸入層的節點個數和隱含層節點的個數以及輸出節點的個數，設定各層面的加權為初始值，選定學習速率η及動量因子α，此刻k=1。

2）采樣得到rin(k)和yout(k)，計算該時刻誤差error=rin(k)-yout(k)。其中rin(k)表示網絡理想輸出，yout(k)表示為網絡實際輸出，而rin(k)-yout(k)則表示為每一個迭代步驟k的控制誤差。

3）計算各PID層的輸入、輸出系數，輸出層輸出即為PID控制器的三個可調參數Kp、Ki、Kd。

4）采用PID的控制算法，計算PID控制器的輸出狀況。

5）最后判斷精準度是否滿足要求，如果不滿足置k=k+1，返回到第一步，重新開始，否則結束程序。

3 粉末微控再生過濾器設計

粉末微控再生過濾器渦流再生控制的設計思想如圖3所示。在其機械組織結構內部設置兩個通道，每個通道安裝一套粉末微控過濾器及再生控制裝置，其中包括溫度傳感器、壓力傳感器及渦流再生微孔過濾器。粉末微控再生過濾器設計原理是：根據排氣管道內德壓力差的大小決定是否啟動渦流再生系統，在根據微控過濾器的溫度高低來決定通電時間的長短以及渦流頻率，即控制渦流發熱量，消除過濾器內部的沉積粉末。

圖3 粉末微控再生過濾器的結構以及原理

當B通道中的ΔP大于等于2000Pa時，其中ΔP是指P1-P2。排氣切換閥將排氣切換到A通道同時啟動B通道渦流再生系統，通過渦流發熱使粉末微控過濾器的溫度上升到 800℃，并維持一定時間，燒去B通道過濾器的沉積微粒實現再生。與此同時，當A通道中的ΔP大于等于2000Pa時，排氣切換閥門將排氣切換到B通道，同時啟動A通道渦流再生系統，通過渦流發熱使粉末微控過濾器的溫度上升到 800℃，并維持一定時間，除去A通道過濾器的沉積微粒實現再生，A通道再生結束等待B側通道再生過程，在排氣過程中，A和B兩個通道交替進行過濾及再生。渦流發熱的控制如圖 4所示。

圖4 渦流發熱的控制原理圖

在小波神經模糊PID控制中，利用感應加熱裝置，可以實現粉末微控過濾器的再生。在粉末微控過濾器的外部繞上線圈，并通以交流電，交流電在線圈內激發高頻磁場，此時在粉末微控過濾器內產生渦流，并且釋放出了大量焦耳熱，將沉積在粉末微控過濾器內的粉末消除。

由上述內容可知，渦流強度與交流電的頻率呈現正比例關系。因此可以通過調節交流電的大小來控制渦流的大小，從而控制粉末微控過濾器的外部溫度以實現再生功能。

4 模糊PID控制的應用

4.1 壓力傳感器和溫度傳感器

以汽車為例，粉末微控再生過濾器的壓力傳感器檢測出排氣通道過濾器前后的壓力，通過小波神經網絡模糊PID控制技術檢測精度高，而且響應性速度快，結構簡單。

以汽車為例，在汽車傳感器中，可以測量眼里的傳感器有很多，按不同的標準可以分為很多種類。按其傳感器的信號產生原理可分為頻率型和電壓型兩大類。模糊PID控制技術在汽車尾氣排放中的應用，主要采用的是半導體壓敏電阻式壓力傳感器，它是利用半導體具有壓敏效應制作而成的。該傳感器具有自身獨特的優勢，主要包括尺寸體積小、精準度高、抗震性能好最主要的事生產的成本低，經濟效益好。

在汽車中檢測溫度的傳感器主要采用的是熱電式，主要分為以下兩大類：一是非接觸式，非接觸式的傳感器主要是憑借利用了物質的熱輻射原理作用，無需接觸即可感應。二是接觸式，接觸式是指熱電傳感器在熱平衡原理的基礎之上，敏感性德元器件必須與被測介質保持熱接觸。

4.2 模糊PID控制功能

在小波神經網絡模糊PID控制技術中，控制器是其核心部件，起著關鍵性的作用，它能夠存儲大量的數據信息，并且可以對這些數據信息進行處理，因此PID控制具有存儲數據、轉換信號和計算以及檢測及保護等功能。這些功能的實現必須要有以下電路的支持：

1）輸入電路，主要是指由低通過濾波器和輸入放大器組成，將其中的模擬信號轉變為數字信號的集成化電路芯片結構，輸入電路最基本的作用就是將各傳感器連接起來，最終形成放大輸入運算電路。

2）運算電路，主要作用就是接收輸入放大電路傳來的控制信號，以及過濾器的溫度的信號，用來將傳感器的信號過濾波整形、放大和轉變為能夠控制和執行的元件工作波形，也就是計算線圈通電的時間長度以及電流控制參數，對再生粉末過濾再生過程進行控制。

3）輸出電路，是指接收上一個過程中的運算電路發出來的控制信號。并以此對電機以及渦流線圈進行監督和控制。輸入和輸出接口電路能協調控制器與傳感器以及執行元件之間的工作。

4）安全保護電路，主要是對輸入和輸出電路進行檢測，當控制系統或者是傳感器發生故障時，它能很快的自動地檢測出故障的具體部位以及故障的原因，并點亮儀表板上的報警燈提示粉末過濾再生系統出現故障。而且還可以對電機的其他狀況進行維護，具有故障自診斷和保護功能。

4.3 粉末控制再生過濾執行元件

粉末微控再生過濾器技術的執行元件主要是再生切換閥的驅動電機和過濾器上的線圈。而過濾再生切換閥的功能主要是根據控制器上的信號，轉換再生通道。切換閥的轉動主要是憑借電動機的驅動才能得以實現的，在實際生活中電動機是可以雙向轉動。

5 結束語

綜上所述，隨著控制理論的不斷完善和發展，神經網絡模糊PID控制算法將在控制中發揮著關鍵性的作用，具有廣泛的應用前景。神經網絡模糊PID控制繼承了傳統的PID控制的魯棒性好、可靠性強、調整方便等優點，同時又具有模糊PID控制的自適應的能力，可以對PID的參數進行實時的調整，還整合了神經網絡學習能力，對于實際的情況進行學習得到最合適的調節方案。在粉末微控再生過濾器中應用小波神經網絡模糊PID控制技術，可以很好的控制粉末的再生和過濾，以及防止粉末再生等狀況。

[1] 石錦蕓, 孟金來. 粉末冶金微孔過濾器及其再生技術研究[J].拖拉機與農用運輸車, 2008, (04).

[2] 劉金琨. 先進PID控制機器MATLAB仿真[M]. 電子工業出版社, 2003.

[3] 陳偉根, 云玉新. 基于遺傳算法進化小波神經網絡的電力變壓器故障診斷[J]. 電力系統自動化, 2007, (02).

[4] 張秀玲, 鄭翠翠. 基于參數優化的自適應模糊神經網絡控制在污水處理中的應用[J]. 化工自動化及儀表, 2009,(03).