球磨機對象控制中模糊徑向基函數神經網絡的PID控制分析

摘 要： 結合球磨機制粉系統的特點，提出球磨機對象控制中模糊徑向基函數神經網絡PID控制算法，結合混合優化算法，在混沌粒子群優化的同時實現粗線調，并應用BP算法做好在線細調，進而得到PID控制的最佳參數。通過Matla對算法進行仿真，結果表明，系統不僅有效解決了球磨機復雜對象的控制問題，同時也實現了算法的快速收斂，并有較快的跟蹤速度以及較小的超調，解耦較好，適應性較強。

關鍵詞： 模糊徑向基函數； 神經網絡； 球磨機； PID控制

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2015）24?0056?03

PID control analysis of fuzzy radial basis function neural network in

ball mill object control

ZHU Lijuan

（College of New Energy and Electronic Engineering， Yancheng Teachers University， Yancheng 224002， China）

Abstract： On the basis of the characteristics of ball mill pulverizing system， the PID control algorithm of fuzzy radial basis function neural network is proposed in this paper， in which the hybrid optimization algorithm is combined to realize the chaos particle swarm optimization and coarse tunning， and the optimal parameters of PID controller are obtained by using BP algorithm. The Matlab simulation results show that the system has the advantages of fast tracking speed， small overshoot and strong adaptability， it not only can effectively solve the problem of the ball mill complex object， but also achieve the fast convergence of the algorithm.

Keywords： fuzzy radial basis function； neural network； ball mill； PID control

0 引 言

現階段，在火電廠的規模化發展中，更加注重球磨機輔助設備的安全高效運行。球磨機作為一個復雜的對象，不僅具有非線性和大慣性的特點，同時也具有多變量和強耦合的特點。對于球磨機的控制，主要是采用PID解耦控制方法。該方法具有較好的魯棒性，以及明確的參數物理意義。但是在實際的應用過程，同樣也有著不良的參數整定，工況適應性相對而言比較差。在精確模型線性的一種系統控制過程中，結合球磨機的控制效果，使用手動操作的控制模式，往往有著相對較差的習慣運行區，以至于火電廠有著相對較大的用電消耗和較差的經濟效益。

隨著控制理論的成熟性發展，PID控制往往與先進性的控制相結合，并在相對復雜對象中應用；尤其是模糊的PID控制，結合Fuzzy非線性推理能力的自動調整過程，使PID參數得到有效性調整。在神經網絡PID控制過程，主要是保證PID和神經網絡的直接結合，并對PID參數進行調整。在NN自學習能力的控制中，常伴有局部最小值以及發散現象。球磨機控制適應性的提高，既要保證快速性，又要有準確性的特點。在模糊RBN NN整定的一種PID控制技術應用中，球磨機復雜對象的基礎控制，將收斂速度不斷加快，使最優解控制參數值得到更好接近。

1 模糊徑向基函數神經網絡的PID控制

1.1 系統結構

模糊徑向基函數神經網絡的PID控制過程如圖1所示。

圖1 模糊徑向基函數神經網絡的PID控制

控制系統在實際的控制過程中，設定系統k時刻的輸入值以及輸出值，在誤差的計算中，做好誤差變化率的分析。模糊徑向基函數神經網絡中PID控制器相關參數的計算，其中[ec（k）]表示誤差變化率，[e（k）]表示計算誤差，[rin（k）]表示設定值，[yout（k）]表示輸出值，[u（k）]表示控制信號，NN權值的在線調整過程，將PID自適應控制過程全面實現。

1.2 PID算法

PID控制器的一種控制算法，如式（1）所示：

[u（k）=u（k-1）+kPec（k）+kIe（k）+kD[ec（k）-ec（k-1）] =u（k-1）+kPxc（2）+kIxc（1）+kDxc（3）] （1）

式中：[kP]表示比例系數；[kI]表示積分系數；[kD]表示微分系數。

對于PID控制過程，往往需要做好控制比例的調整，并在組合中尋找最好的一種配對關系，將控制的品質不斷提高。

1.3 模糊徑向基函數結構

RBF NN是一種具有3層結構的前饋網絡，隱層到輸出層有著線性的映射。RBF NN結構，不僅具有較小的運算量，同時也具有相對較快的收斂速度。RBF NN的體系結構如圖2所示。

圖2 RBF NN體系結構

該體系結構主要是實現輸入層到模糊化層的過渡，并實現模糊推理層的分析，最后實現輸出層的基礎轉變。

2 球磨機對象控制中模糊徑向基函數神經網絡

的PID控制

典型的球磨機被控對象可以看作是3 個輸入量（給煤機轉速、循環風量、熱風量）、3 個輸出量（差壓信號、入口負壓、出口溫度）的復雜對象。在多變量以及非線性的條件下，通過借助于球磨機前軸瓦垂直振動分量，用差壓信號表征存煤量，并在多變量對象的輸出過程中，實現單變量對象的較好控制。原來的3輸入3輸出復雜對象就分解為一個耦合的2輸入2輸出多變量對象和一個單輸入單輸出的單變量負荷對象。因單變量對象控制比較容易，所以本文僅分析2輸入2 輸出的多變量對象。按工藝的基本要求，變量配對過程中，用R表示熱風量，T表示控制溫度，W表示循環風量，P表示控制負壓。用U表示輸入的信號，即[U=[R] [W]T]，輸出信號用Y表示，即[Y=[T] [P]T]。G為2輸入2輸出對象的傳遞函數矩陣。三者之間的關系，如式（2）所示：

[Y（s）=G（s）U（s）=G11（s）G12（s）G21（s）G22（s）U（s）] （2）

式中s為拉普拉斯變換算子。

球磨機對象控制中模糊徑向基函數神經網絡的PID控制結構如圖3所示。

圖3 球磨機對象控制中模糊徑向基函數神經網絡的PID控制結構

為了便于仿真，對某火電廠球磨機在兩種不同狀態下的運行情況采用階躍響應曲線法進行轉換，傳遞函數矩陣如式（3）和式（4）所示：

[G1（s）=3.5（80s+1）2 -0.14（60s+1）22.0（8s+1） 0.18（10s+1）] （3）

[G2（s）=10（90s+1）2 -0.8（40s+1）22.0（10s+1）0.5（10s+1）] （4）

3 球磨機對象控制中模糊徑向基函數神經網絡

的PID控制系統仿真

結合Simulink仿真平臺進行仿真，對控制效果進行驗證。控制參數用T，P表示，其中[kP]，[kI]，[kD]的最佳整定值分別為19.6，4.7以及29.6。在參數的設置過程，將定值單位的一種階躍過程實現，結合控制器的超調量，并在穩定時間內分析，做好解耦控制，如圖4所示。

圖4 給定值單位階躍[[P0T0]=[1，1]]的響應曲線

比較圖4（a）圖和圖4（b）圖可知，在正常給定值單位階躍情況下，模糊RBF NN的PID解耦控制的超調量、穩定時間均比常規PID解耦控制要小得多，即模糊FBF NN的PID控制具有較好的動態性能。系統處于穩定的狀態過程中，其中1 000 s時0.1階躍內部擾動響應曲線如圖5所示。

圖5 1 000 s時0.1階躍內部擾動響應曲線

系統基于外部給定值的一種擾動過程，PID控制器重新穩定需要相對較短的時間，振幅相對較小，與傳統PID解耦控制相比較，具有相對較強的抗干擾能力。對于系統穩定之后的相應曲線，如圖6所示。

由仿真結果分析可知，模糊RBF神經網絡的PID解耦控制相對常規的PID解耦控制而言，其控制品質較好，對于球磨機制粉系統的一種強耦合性有著積極改善過程，同時也有著較好的魯棒性以及較好的抗干擾能力。

圖6 系統穩定之后的相應曲線

4 結 語

球磨機是一個多變量、強耦合、慢時變的復雜對象，使用傳統PID解耦控制算法難以實現滿意的控制效果。本文提出了一種模糊RBF神經網絡的PID控制方法，對系統控制參數進行優化，有效地解決了球磨機相對復雜的控制系統問題。使用Matlab的Simulink進行仿真，仿真結果表明，本文的控制算法與傳統得PID控制相比，具有更好的動態、靜態及解耦性能，較強的魯棒性、自適應性和抗干擾能力。實現了球磨機控制的在線優化，提高了制粉系統的出力，降低了制粉電耗，這對于實現球磨機的最佳經濟運行具有重要的實際參考價值。

參考文獻

[1] BUSCH A C， SCHEFFER C， BASSON A H， et al. Development and testing of a prototype reflex measurement system employing artificial neural networks [J]. Computer Methods Programs in Biomedicine， 2009， 94（1）： 15?25.

[2] 程啟明，鄭勇.球磨機多模型PID型神經元網絡控制系統[J].中國電機工程學報，2008，28（2）：103?109.

[3] 譚盧敏.模糊PID控制在球磨機給礦量控制系統中的應用[J].化工自動化及儀表，2011，38（12）：1434?1436.

[4] GOMEZ C， HORNERO R， ABASOLO D， et al. Analysis of MEG background activity in alzheimer’s disease using nonlinear methods and ANFIS [J]. Annals of Biomedical Engineering： The Journal of the Biomedical Engineering Society， 2009， 37（3）： 586?594.

[5] 陳路偉，謝志強.灰色PID控制在AUV橫滾控制中應用研究[J].現代電子技術，2015，38（1）：100?102.

[6] 楊科科，王臻卓.基于模糊PID控制的水輪機調節系統應用與仿真研究[J].現代電子技術，2012，35（19）：152?154.

[7] ZHANG Qi， YANG Hao， WEI Yuguang， et al. Selection of destination ports of inland?port?transferring RHCTS based on sea?rail combined container transportation [C]// Proceedings of the 3rd international symposium on innovation and sustainability of modern railway. Nanchang， China： IEEE， 2012： 675?680.

[8] 譚盧敏，馮新剛.基于模糊PID控制的球磨機自動控制系統設計[J].煤礦機械，2012，33（2）：170?172.

[9] 程啟明，程尹曼，汪明媚，等.基于灰色預測的無模型控制在球磨機負荷控制中的仿真研究[J].儀器儀表學報，2011，32（1）：87?92.