基于單神經元自適應PSD的汽包液位控制

常杰鋒，陳 圓

（中冶南方工程技術有限公司 自動化設計二所，武漢 430223）

在工業控制領域，鍋爐汽包液位的控制是鍋爐運行的重要環節，穩定的汽包液位是保證鍋爐運行安全、提高鍋爐運行效率的重要因素。鍋爐運行過程中，汽包液位同時受鍋爐負荷變化、工作環境等多種因素的影響，其動態特性具有慣性大、滯后時間長、非線性時變的特點，因此汽包液位的穩定控制問題比較復雜。實際中應用較多的三沖量PID控制方法統籌考慮了鍋爐負荷、給水流量波動對汽包水位造成的影響，在鍋爐汽包穩定工況下控制品質良好。該控制方法的PID參數在運行初期通過人工整定獲得，這在實際工程中往往難以一次性整定得到最佳狀態，并且隨著鍋爐運行時間、工況的變化，PID參數可能需要不定期的人工重新整定，這不利于鍋爐連續安全運行。

神經網絡是工業控制領域中具有重要影響的先進控制方法，它模擬人的思維活動，是解決非線性和不確定性系統的有效工具。當前，將神經網絡與PID控制相結合是一個新的研究熱點。其中，單神經元自適應PSD算法是數字PID算法與神經網絡的有效結合，其物理意義明確、易于工程實現。

本文針對汽包液位控制中存在的問題，提出基于單神經元自適應PSD算法的液位控制方法，在保留了傳統三沖量控制方法優點的同時，獲得神經網絡的自學習、自適應和非線性處理能力，提高了控制品質。

1 鍋爐汽包工藝流程

鍋爐汽包工藝流程如圖1所示，水在泵的輸送力作用下流向汽包，流動過程中受爐膛的加熱不斷升溫直至汽化，到達汽包后水和蒸汽分離。水匯集于汽包下部，通過下降管和上升管受熱持續自循環汽化。蒸汽在汽包上部聚集并向外輸送，用來驅動汽輪機等設備。汽包給水流量大小通過泵出口調節閥開度變化或者泵轉速變化來調節。

圖1 鍋爐汽水工藝流程示意圖Fig.1 Flow of boiler

在鍋爐運行過程中，汽包液位穩定的影響因素有很多，其中主要的是給水流量和蒸汽流量。當給水流量增加時，由于給水的溫度相對較低，從原有飽和水中吸收熱量，對汽包水容積有減小作用，所以汽包水位剛開始不會立即上升，而是表現出起始慣性段；當蒸汽負荷增加時，從物料平衡方面講，蒸汽量大于給水量，水位應該下降，但是實際中，蒸汽負荷突然增加會造成汽包壓力降低，汽水混合物中蒸汽容積迅速增加，水位反而迅速上升，即“虛假水位”現象[1]。另外，隨著鍋爐設備運行時間的增加以及環境因素變化，爐體內影響汽水變化的對流管束的物理特性會隨之發生變化，這會引起模型失配的問題?？傊仩t汽包液位系統是一個慣性大、滯后時間長、非線性時變的系統。

2 汽包液位控制方法

2.1 整體框架結構

鑒于鍋爐運行過程中，汽包液位控制的復雜性，本文采用基于單神經元自適應PSD算法的鍋爐汽包液位控制方法。如圖2所示，該方法借鑒傳統的三沖量PID控制的優點，同樣以汽包液位、給水流量和蒸汽流量三個變量作為處理對象，控制系統整體采用前饋+串級的結構。其主調節器采用以汽包液位為檢測和控制變量的常規PID調節器，汽包液位的設定值與實際測量值的偏差經過PID調節器運算的輸出為給水流量的設定值；汽包外供蒸汽流量測量值作為前饋量，來抑制“虛假液位”對汽包液位穩定的不利影響。

圖2 基于單神經元自適應PSD算法的鍋爐汽包液位控制框圖Fig.2 Boiler drum level control based on single neuron adaptive PSD algorithm

圖2 中，LT為汽包液位實際測量值；Fw為給水流量實際測量值；Fs為蒸汽流量實際測量值；SP為汽包液位設定值；e（k）為給水流量偏差值；u（k）為給水流量調節器輸出值，作為給水調節閥的開度給定值。

其副調節器采用以給水流量為檢測和控制變量的單神經元自適應PSD調節器，這優于傳統的三沖量PID控制。副調節器處于控制框圖的內環，主調節器和前饋量的作用整合后最終通過副調節器作用給執行機構（如調節閥、變頻泵等），因此一方面“虛假液位”等因素帶來的波動在副調節器輸入前已抵消，使副調節器的運算更加平穩快捷；另一方面，副調節器所具備的自適應等優秀特性可使控制全局獲得。

2.2 單神經元自適應PSD調節器設計

作為副調節器的單神經元自適應PSD調節器結合數字PID、神經網絡和自適應算法的特點，利用三輸入單神經元節點模擬常規PID，同時進行三個參數的動態優化和增益的在線自學習調整。該算法無需辯識過程參數，只要在線檢測出期望輸出和實際輸出，即形成自適應控制規律。

2.2.1 控制原理

單神經元自適應PSD調節器的控制原理如圖3所示，包括三部分的功能：輸入轉換、神經推理、參數自學習。

圖3 單神經元自適應PSD控制框圖Fig.3 Single neuron adaptive PSD control diagram

（1）輸入轉換

將主調節器輸出的給水流量設定值、前饋量（汽包外供蒸汽流量測量值Fs）與給水流量實際測量值 Fw 取差值，得到給水流量偏差值 e（k），e（k）即單神經元自適應PSD調節器的輸入值。e（k）通過算法轉換器轉換得單神經元的三個輸入分別為：x1（k）=Δe（k），x2（k）=e（k），x3（k）=Δ2e（k）。 轉換方程見式（1）。三個輸入分別對應對給水流量偏差值e（k）的比例、積分、微分作用。

（2）神經推理

單神經元三個輸入 x1（k）、x2（k）、x3（k）通過單神經元的推理運算得到給水調節閥的閥位變化值Δu（k），Δu（k）與原輸出給定閥位值 u（k-1）求和得調節器輸出u（k）作為給水調節閥的開度給定值。單神經元自適應PSD控制的推理運行方程為

式中：K（k）為全局增益系數；wi′（k）為歸一化的輸入權系數。

（3）參數自學習

給水流量調節器輸出后，根據實際的汽包液位控制效果，對比汽包液位測量值、蒸汽流量測量值、給水流量測量值和其相應的設定值，取相應偏差值 e（k）、調節器輸出值 u（k），進行算法參數—權系數和全局增益的自學習、自適應，來優化控制參數。

權系數 wi（k）的自學習：連接權系數 wi（k）的學習策略采用有監督Hebb學習規則，規則表達式如式（3）所示，神經元根據給水流量偏差值 e（k）的變化對環境信息進行相關學習和自組織，使相應的輸出增強或削弱。

式中，ηi∈［0，1］為學習速率。

全局增益K的自學習：全局增益系數K（k）根據給水流量偏差值e（k）的變化采用由Marsik給出的遞推算式在線學習方法[2]：

式中： 學習系數 C∈［0.025，0.05］；L∈［0.05，0.1］；sign（x）為符號函數。

2.2.2 程序實現

在鍋爐汽包液位控制系統的程序編程中，根據神經元自適應PSD控制原理式（1）～式（4），實現給水流量調節，控制流程如圖4所示。

圖4 單神經元自適應PSD控制程序流程圖Fig.4 PSD control program flow of single neuron adaptive

第 1 步 確定算法常數 ηi、C、L 的取值。 η1、η2、η3表征比例作用、積分作用、微分作用的學習強度，其取值調整方法類似于PID系數。若系統上升時間太長，可增大η1、η3；若超調迅速下降至低于給定值，此后，又緩慢上升至穩態，時間太長，則可減少η1，增加積分項作用 η2；系統延時大，為減少超調，η1、η3應該適當大些。根據神經元網絡的特點，其初值可設定為 η1=η2=η3=0.02。 學習常數 C、L 過大，全局增益系數K變化太快，調節器易超調；C、L過小，全局增益系數K變化太慢，神經元調節器調節優化過程緩慢。

第2步 確定神經元連接權系數初始值wi（0）、增益K的初始值K（0）、Marsik遞推算式T的初值T（0）。增益K的取值，若系統超調過大，則減小，若過渡過程時間太長，則增大。權系數初始值wi（0）和增益K的初始值K（0）按照下式確定[3]：

式中：Kp，Ki，Kd為 PID 控制器的最優整定值。傳統三沖量PID控制器中脫開主調節器回路和前饋量的作用，使用試湊法或者飛升曲線法對副調節回路的PID控制器進行整定，獲得Kp，Ki，Kd的最優整定值。由于神經元的自學習能力，權系數的初值對權系數以后的學習效果影響不大，一般可以選擇0.01～1.00之間的3個相等的數。 通常取 T（0）=L。

第3步 從工藝系統儀表測量獲得汽包液位、給水流量以及蒸汽流量的實際值。

第4步 計算給水流量偏差信號e（k），并根據算法公式得到單神經元輸入xi（k）。

第5步 控制器計算給水調節閥閥位輸出給定值 u（k）。

第6步 根據算法公式修正算法參數—權值wi（k）、K（k）、T（k）。

第7步 k=k+1，返回第3步。

3 實際應用

在某廠75 t/h燃氣鍋爐汽包液位控制系統中，按照本文所述基于單神經元自適應PSD算法的控制方法對其原三沖量PID控制進行改進。系統原控制算法的副調節回路的PID參數在運行初期70 t/h負荷下整定得Kp=8、Ki=1、Kd=0，獲取鍋爐運行在60 t/h負荷、70 t/h負荷下的汽包液位趨勢如圖5（a）、5（c）。 切換至改進算法后，取初值 K（0）=9、w1（0）=0.9、w2（0）=0.1、w3（0）=0、η1=η2=η3=0.02、C=0.025、T（0）=L=0.05。經過算法自學習，參數逐步收斂，獲取鍋爐運行在60 t/h負荷下的汽包液位趨勢如圖5（b），此時單神經元自適應PSD控制算法參數K=7.56、w1=0.88、w2=0.14、w3=0.05； 獲取鍋爐運行在70 t/h負荷下的汽包液位趨勢如圖5（d），此時單神經元自適應PSD控制算法參數K=8.72、w1=0.92、w2=0.11、w3=0.04。

通過對比圖 5 中（a）～（d）的趨勢曲線發現，算法改進后的液位控制系統可自學習適應不同負荷狀態下，鍋爐運行進入穩定狀態后，汽包液位（液位設定值SP=0 mm）在0 mm上下的波動幅度減小，波動頻率降低，相對算法改進前更加穩定。

圖5 汽包液位趨勢圖Fig.5 Boiler drum level trends

4 結語

本文所述基于單神經元自適應PSD算法的控制方法不依賴精確的對象模型，理論成熟且容易實現。采用該方法后，鍋爐汽包液位的動態特性和靜態特性均得到有效的改善，并且獲得神經網絡的自學習能力，可根據鍋爐汽包運行工況變化動態整定控制參數，在實際生產中實現了對汽包液位的優化控制，提高了生產效率。

[1] 陳立甲.電站鍋爐燃燒系統和汽水系統建模方法的研究[D].哈爾濱：哈爾濱工業大學，2000.

[2] Marsik J.A new conception of digital adaptive PSD control[J].Problems of Control and Information Theory，1983（12）：265-276．

[3] 龔菲，王永驥.基于神經網絡的PID參數自整定與實時控制[J].華中科技大學學報：自然科學版，2002，30（10）：69-71． ■