BP神經網絡模糊PID控制器在DMF生產中的應用

王華強, 楊玉清

(合肥工業大學 電氣與自動化工程學院,安徽 合肥 230009)

BP神經網絡模糊PID控制器在DMF生產中的應用

王華強, 楊玉清

(合肥工業大學 電氣與自動化工程學院,安徽 合肥 230009)

文章基于DMF在工業生產中的重要作用,對于其回收工藝中的精餾塔溫度的控制,提出了BP神經網絡模糊PID控制器的方案,并用遺傳模擬退火算法對其進行優化。通過與傳統PID控制器和模糊PID控制器的仿真結果比較可知,該方案更為實時有效,更加適用于工業生產。

DMF溶劑;溫度控制;BP神經網絡模糊PID;仿真;智能控制

DMF(二甲基甲酰胺)是一種在工業上常用的,能和水及大部分有機溶劑互溶的溶劑;也在濕法合成革的生產中,起著洗滌固化劑的重要作用。但是,該材料的強污染性使得在工業生產中要特別注意對其進行回收處理[1]。現階段，大多數企業采用以下DMF回收處理過程:廢液在二級濃縮塔完成初步濃縮后,進入精餾塔,當其質量分數達到99%時,再提取純凈DMF[2]。該系統的控制重點是精餾塔的溫度控制子系統。

本文通過Matlab進行仿真,觀察控制器對于精餾塔溫度調節系統的控制效果,發現模糊神經網絡和PID結合的控制器,解決了傳統PID和模糊PID存在的問題。

1 系統結構

本系統的控制目的是保持塔內溫度恒定,這里選用精餾塔的溫度與導熱油的流量來構成串級控制系統,如圖1所示[3]。圖1中,GC1為主控制器,通常采用PID控制規律;GC2為副控制器,通常采用P規律調節;y1為主變量溫度;y2為副變量流量;GP2為副對象;GP1為主對象。精餾塔借助于導熱油來保持塔內溫度恒定,由于導熱油的傳熱和精餾塔的傳質過程,使控制對象的等效純滯后時間很長。因此,實際的工業過程不能單純采用一階過程來描述,而是用純滯后項加一階模型來描述。

圖1 串級控制系統結構

對于副控對象-導熱油的流量,假設控制通道的動態特性[4]可表示為:

(1)

其中,流量滯后時間常數T2≥0，且基本不變；導熱油流速系數K2通常在一定范圍內變化。假設K2=0.005～0.20 t/h,T2=0.6 min=36 s。

對于主控對象-溫度,假設控制通道的動態特性可以表示為:

(2)

并假設溫度變化系數KP1=3～10 ℃·(t/h)-1,溫度變化滯后時間常數TP1=3～6 min,TP2=0～2 min,系統純滯后時間常數τP=2～5 min。

在本文研究的精餾塔系統中,以上參數分別取值為:K2=0.20 t/h,KP1=3 ℃·(t/h)-1,TP1=3 min=180 s,TP2=0 min,τP=5 min=300 s。將參數取值代入(1)式、(2)式中,有

通常采用P控制規律就可以滿足副控制器GC2,因此不做改變;而對于通常采用傳統PID控制規律的主控制器GC1加以改進。改進后的BP神經網絡模糊PID控制原理如圖2所示。

圖2 BP神經網絡模糊PID控制原理

圖2中包括經典PID控制器模塊、模糊化模塊和神經網絡模塊[5]。神經網絡模塊通過自身權系數的調整,實現對參數KP、KI和KD的調整,從而輸送到PID控制器,實現對被控對象的控制作用。

2 BP神經網絡模糊PID控制器

2.1 PID控制器模塊

采用改進的積分分離PID算法,即

(3)

其中,KP、KI和KD分別為比例、積分和微分系數;u(k)為2次采樣時刻的導熱油閥門開度的變化量;e(k)為第k次的輸入偏差;r(k)為給定的理想輸出量。(3)式中,當e(k)小于等于預定的閾值A時，KL=1,即引入積分作用;當e(k)大于預定閾值A時,KL=0,即取消積分作用。PID控制主要是通過對KP、KI和KD3個系數的調節,來達到它的控制目的。

2.2 模糊化模塊

模糊化模塊是用于對系統的偏差e(k)、偏差變化率Δe(k)、KP、KI和KD進行模糊化處理,具有魯棒性和非線性控制作用。基于對導熱油閥門開度的控制,以上變量均可分為7個等級:正大、正中、正小、適中、負小、負中和負大,分別用PB、PM、PS、ZE、NS、NM和NB表示。結合大量操作工實際調節的經驗,建立KP、KI、KD與e(k)、Δe(k)之間的模糊控制規則表,見表1所列。

輸入量經過模糊化處理后得到模糊化的輸出值,再傳送給神經網絡,實現了網絡的模糊映射。

表1 模糊控制規則

2.3 神經網絡模塊

神經網絡是一種具有并行計算、分布式信息存儲、容錯能力強和自適應學習功能的控制系統。但是BP神經網絡易于陷入局部極小值,收斂速度慢,且易引起震蕩,本文采用遺傳模擬退火(geneticsimulatedanncaling,GSA)算法來對其進行優化。在對基于GSA算法優化的BP神經網絡的設計上,主要分為BP神經網絡結構的確定和GSA中的權值和閾值的選定[6]。

2.3.1BP神經網絡結構的確定

模糊BP神經網絡的結構如圖3所示[7]。神經網絡的第1層為輸入層,直接把輸入量傳遞到下一層；第2層為模糊子集層,選用鐘型函數作為隸屬度函數,完成模糊化運算[8]的任務,把輸入量轉化為模糊量；第3層為模糊規則層,完成模糊推理過程,并加以歸一化處理；第4層為輸出層,清晰化處理并輸出3個參數。

圖3 模糊BP神經網絡結構

第1層～第4層的神經元節點的輸入輸出關系如下:

其中，i=1,2;j=1,2,…,7;k=1,2,…,n；mij和σij分別為隸屬度函數的中心值和寬度。

其中,wij為網絡第3層～第4層的權值。

2.3.2GSA算法中權值和閾值的選定

遺傳模擬退火算法的步驟[9]如下：

(1) 染色體編碼,確定初始種群、進化代數、初始溫度T0和退火速率等參數。

(2) 確定適應度函數,并評價個體適應度。采用適應度拉伸方法,第i個個體改進后適應度為:

其中,t為當前溫度,t=T0(0.99g-1);g為當前遺傳進化代數;φi為改進前第i個個體適應度;m為種群規模;s為輸出層節點數目;Tj為網絡的期望輸出;Aj為網絡的實際輸出。

(3) 進行遺傳模擬退火操作，即選擇、交叉、變異、退火。

在數量為m的種群里,采用輪盤賭轉法從當代種群中選取個體i1和i2,則在新種群中選擇接受i1的概率為:

其中,t為當前退火溫度。

交叉概率Pc和變異概率Pm由個體適應度來確定，具體計算公式如下:

引入最優保留策略,對群體中每個個體進行退火操作。

(4) 判斷是否滿足終止條件,若滿足則終止,否則,返回步驟(2)。

(5) 保存和解碼最優個體,返回給BP。

2.4 控制算法的實現

BP神經網絡模糊PID控制算法的實現步驟[10]如下:

(1) 確定BP神經網絡結構。

(2) 利用遺傳模擬退火算法選定參數wij、mij和σij的最優初值,并選定學習速率β,迭代次數k=1。

(3) 由采樣得到r(k)和y(k)的值,通過e(k)=r(k)-y(k)計算出e(k)。

(4)e(k)和Δe(k)作為神經網絡的輸入。

(5) 計算得出神經網絡每一層的輸入和輸出,輸出層的輸出是PID控制器的3個可調參數KP、KI、KD。

(6) 計算出PID控制器輸出的控制量u(k),在線調整參數wij、mij和σij。

(7) 置k=k+1,然后返回步驟(3)。

BP神經網絡在線學習的性能指標函數為:

其中,β為學習速率,β>0。

3 控制器仿真實驗

在Matlab軟件的Simulink環境下進行傳統PID和模糊PID控制器的仿真。對精餾塔模型中得到的傳遞函數0.2/(36S+1)和3e-300S/(180S+1),采用試湊法調節PID系數KP=0.8,KI=0.003 2,KD=10;設置e和Δe模糊論域為[-3，3];KP、KI和KD論域均為[0，1];用Mamdani法根據表1設置模糊規則;設置參數Ke=0.01,Kec=0.01，K3=0.1,KP0=0.8，KD0=10,KI0=0.003 2,K1=0.000 1,K2=0.000 1;并且調節反應時間長度和步長的大小,得到的仿真曲線如圖4所示。

BP神經網絡模糊PID控制器的仿真[11-12]是通過在Matlab中進行編程,設定最大訓練次數為200次,訓練的目標誤差設置為0.001,然后對BP神經網絡開始訓練,直到滿足所設條件。仿真結果如圖5所示。

圖4 傳統PID、模糊PID仿真曲線

圖5 BP神經網絡模糊PID仿真曲線

通過比較3種控制器的仿真曲線,可以得到3種控制方式的性能指標參數,見表2所列。

表2 控制器性能指標

4 結 論

通過本文分析可知，BP神經網絡模糊PID控制器的性能比傳統PID和模糊PID控制器更加優良,經過GSA算法的優化,加快了BP神經網絡的收斂速率,提高了系統的智能化水平。該控制系統具有穩定、快速以及自適應能力強、魯棒性好等優點,現已應用于某企業的DMF工業生產中,控制效果比以前有明顯的改善。

[1] 孫一新,李宏光.DMF回收精餾塔開車過程控制任務的Petri網建模及分析[J].化工自動化及儀表，2008，35(5):27-32.

[2] 趙舜華，宋錫瑾,裴寧,等.聚氨酯合成革濕法生產廢氣中DMF的回收工藝[J].中國化學工程學報,2008，16(3):461-464.

[3] 俞金壽，顧幸生.過程控制工程[M].北京:高等教育出版社，2012:198-240.

[4] 陳夕松.過程控制工程[M].北京:科學出版社，2005:173-189.

[5] 王華強,石亞娟,王健波.神經模糊網絡PID在水輪機調速系統中的應用[J].合肥工業大學學報(自然科學版)，2012，35(9):1187-1191.

[6] HART E，TIMMIS J.Application areas of AIS: the past，the present and the future[J].Applied Soft Computing，2008，8(1):191-201.

[7] 葛鎖良,方唐利,岳勝.采用免疫BP算法的模糊神經網絡PID控制器[J].合肥工業大學學報(自然科學版)，2011，34(5):679-682，704.

[8] 張詠軍,王航宇.基于BP神經網絡的溫度模糊PID控制器設計[J].現代電子技術，2008(7):133-135.

[9] 杜宗宗，劉國棟.基于混合遺傳模擬退火算法求解TSP問題[J].計算機工程與應用，2010，29(2):179-183.

[10] 陳政文.基于模糊PID控制的退火爐溫度控制系統的研究[D].武漢:武漢工程大學，2014.

[11] LI M，SETHI I K.Confidence-based active learning[J].IEEE Transaction on Pattern Analysis and Machine Intelligence，2005，28(8):1251-1261.

[12] 周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社，2005:1-255.

(責任編輯 張 镅)

Application of BP neural network fuzzy PID controller in DMF industrial production

WANG Huaqiang, YANG Yuqing

(School of Electric Engineering and Automation， Hefei University of Technology， Hefei 230009， China)

Based on the important role of DMF in industrial production， this paper presents the BP neural network fuzzy PID controller solutions for controlling the temperature of the fractionator used in recovery process. And the BP neural network is optimized by using the genetic simulated annealing algorithm. The simulation results are compared to those of the traditional PID controller and fuzzy PID controller， and it is shown that the presented controller is more effective and more suitable for industrial production.

DMF solvent; temperature control; BP neural network fuzzy PID; simulation; intelligent control

2015-12-16；

2016-03-18

合肥工業大學產學研校企合作資助項目(12-069；13-214)

王華強(1963-),男,安徽合肥人,合肥工業大學副教授,碩士生導師.

10.3969/j.issn.1003-5060.2017.05.015

TP273.4

A

1003-5060(2017)05-0649-04