基于自適應神經網絡的供熱鍋爐溫度解耦控制系統研究

李元偉

（廣東酒店管理職業技術學院，廣東 東莞523000）

1 概述

在塑料吹瓶機的相關設備中，塑料瓶坯的溫度加熱系統是設備中最關鍵的部分。適當的溫度控制可使塑料瓶坯具有最高的吸熱率，這將大大節省能量消耗并有助于實現拉伸吹塑過程。如果加熱爐的溫度沒有得到很好的控制，則在生產耐熱塑料瓶時可能會出現以下問題：中心點偏差，瓶底變形，硬頸，前后壁變形。填充后，收縮率會增加。在塑料吹塑設備中，我們使用溫度控制系統來控制熔爐的溫度。這樣，可以大大提高塑料瓶的產量，減少瓶坯原料的浪費。第二是使用溫度控制系統來精確地檢測和控制溫度，這可以大大降低用于加熱預成型坯料的加熱功率，從而節省能源并減少污染。因此，研究塑料吹瓶機紅外加熱爐的最優化溫度控制具有重要的實際意義。

自適應神經網絡控制系統不依賴于控制對象的清晰數學模型。 理論和實踐研究表明，這是一種解決控制系統不確定性，非線性和強耦合的有效方法。 根據供熱鍋爐溫度控制系統的特點，采用基于神經網絡的PID 解耦控制，并利用MATLAB 軟件獲得實際的仿真結果和結論。

2 紅外線燈管溫度控制系統的建模

加熱爐的設計主要是為了滿足將預成型坯加熱到理想溫度的要求，從而實現拉伸和吹塑的過程。根據塑料瓶坯的特性，使用九層紅外管加熱塑料瓶坯。在加熱過程中，根據預成型坯的質量，厚度和形狀合理分配各管層的熱功率，從而使預成型坯獲得最佳的熱分布。我們使用冷卻風扇冷卻瓶坯口和瓶身。根據以上分析，在智能采暖鍋爐溫度控制系統中，兩個輸入量為紅外燈電壓u1 和冷卻風扇電壓u2，輸出量為瓶坯溫度y1 和冷卻風扇速度y2。冷卻風扇的風速對預成型坯的加熱溫度有很大的影響，而加熱燈管的溫度也對冷卻風扇輸出的風速有一定的影響，因此這是一種耦合系統。根據系統的控制要求，將溫度控制系統轉換為具有兩個輸入和兩個輸出的受控對象。受控對象傳遞函數的框圖如圖1 所示：

圖1 系統被控對象傳遞函數框圖

為了使系統能夠得到解耦后的模型，我們先要知道被控對象的數學模型。利用階躍響應法建立了4 個相關控制過程的S函數數學模型。根據具體的實驗數據，最后得到被控對象的傳遞函數如下：

3 基于神經元的PID 解耦控制器

神經網絡現在是一個很流行的學科，它以其強大的自學習功能、并行處理問題功能在控制領域得到了廣泛的應用。神經網絡的自適應控制方法是計算密集型的。由于缺乏實用的神經網絡計算機硬件支持，難以實現基于多層網絡的神經網絡自適應控制的實時在線控制。為了滿足快速過程中神經控制的要求，使用了基于單個神經元的自適應控制。它可以充分利用神經網絡的優勢，同時滿足快速過程實時控制的要求[1]。

神經元是具有智能學習能力的非線性多輸入單輸出處理單元，可用于實現自適應PID控制。多變量系統的解耦控制可以通過神經元PID 控制實現[2]。圖2 顯示了雙神經元PID解耦控制系統的框圖，該系統由兩個神經元PID 控制器組成。

以第一個神經元PID 控制器為例，其控制器框圖如圖3 所示[3]。

圖中K 為神經元的比例系數，k＞0,為k 時刻神經元PID 控制器的輸出值，神經元通過智能學習產生的控制信號u(k)為：

神經元的控制是通過調整權重系數wi來實現學習功能。通過理論與實際推導，PID 參數的在線學習更新主要與偏差e（k）和偏差的變化量△e（k）有關。因此，本文采用有監督的學習規則來調整權重系數。在對上面所示的公式進行整理后，可以得到如下所示的算法：

圖2 二變量神經元PID 解耦控制系統框圖

圖3 基于單個神經元的PID 控制器框圖

圖4 PID 解耦控制系統MATLAB 仿真框圖

本文通過大量的仿真和實際控制結果示例，總結了以下參數調整規則。

a.初始加權系數的wi選擇：可以任意選擇。

b.對于階躍輸入，如果輸出具有較大的過沖并且反復出現正弦衰減，則應減小K 以保持不變，并且保持不變。 如果上升時間較長且沒有超調，則增加K，θp，θi，θd。

c.如果被控對象的響應曲線表現為上升時間短，并且過沖過多，則應減小θi參數，其他參數保持不變。

d.如果受控對象的上升響應曲線時間較長，同時增大θi時會導致過度的超調，這個時候可以適當增大θp，其他參數保持不變。

4 溫度控制系統的MATLAB 仿真研究

我們設置采樣周期T=0.1 秒,將紅外線燈管溫度解耦的被控對象的傳遞函數模型即公式（1）轉化為差分方程,可以表示為：

根據上文所述的神經元PID 解耦控制原理，我們可以利用MATLAB 軟件搭建如圖4 所示的神經元PID 解耦控制系統仿真框圖來實現該控制系統，其中PID 解耦控制系統算法部分用S- 函數編寫，選擇S- 函數模塊的輸入信號為[e(k),e(k-1),e(k-2)],輸出信號為控制量u(k)，并將系統被控對象的差分方程封裝成多輸入多輸出模塊[5]。

給定輸入信號為單位階躍輸入，即：

5 結論

針對供熱鍋爐溫度控制系統，采用基于神經元的神經網絡控制器，提出了一種改進的神經元權值系數校正算法，因此，權重系數的自適應修改并不是完全基于神經網絡的控制學習原理，而是基于訓練學習的經驗數據[6]。MATALB 仿真和實驗結果表明，該控制方法通過自主學習、能做到自適應調整經驗數據和智能調整神經網絡權值，最后能達到滿意的解耦響應控制效果，實現了對供熱鍋爐加熱爐溫度的精確穩定控制。

圖5 階躍信號為R1 時的解耦響應曲線

圖6 階躍信號為R2 時的解耦響應曲線