基于廣義回歸神經(jīng)網(wǎng)絡(luò)的灌溉系統(tǒng)首部多用戶(hù)配水快速PID 控制

張 千，魏正英，張育斌，張 磊，賈維兵，魏浩然

（西安交通大學(xué)機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，西安 710049）

0 引 言

流量和壓力是灌溉系統(tǒng)中2 個(gè)重要的控制量，決定著灌溉過(guò)程能否滿(mǎn)足灌溉需求[1-2]。當(dāng)前中國(guó)農(nóng)業(yè)灌溉多為中、小型工程，在灌溉管理上缺少有效的節(jié)水灌溉規(guī)劃[3-5]。多用戶(hù)灌溉系統(tǒng)中，不同用戶(hù)需水量往往不同，同時(shí)受天氣、氣候和園區(qū)規(guī)劃等因素影響，灌溉園區(qū)總可用水量不確定。雙重不確定因素的存在，導(dǎo)致不同用戶(hù)對(duì)灌溉水量和水壓的要求差別較大[6-7]。為滿(mǎn)足不同用戶(hù)的需水需求，提高灌溉效率，保證供水系統(tǒng)安全、穩(wěn)定運(yùn)行，灌溉系統(tǒng)要能夠針對(duì)壓力、流量需求變化，迅速、準(zhǔn)確做出反映，這對(duì)系統(tǒng)的控制提出了較高的要求。首部作為灌溉系統(tǒng)的動(dòng)力源，保證其相應(yīng)快速和控制精確是滿(mǎn)足上述要求的關(guān)鍵。

傳統(tǒng)灌溉首部水泵多為恒速泵，無(wú)法滿(mǎn)足不斷變化的流量與壓力需求[8]，且會(huì)造成較大的資源浪費(fèi)。而在變頻控制系統(tǒng)中，由于流量與壓力的相互影響，很難針對(duì)其中一個(gè)進(jìn)行單獨(dú)調(diào)節(jié)。為此，國(guó)內(nèi)外專(zhuān)家學(xué)者開(kāi)展了較多研究。Caba 等[9]建立了由多臺(tái)并聯(lián)離心泵、1 個(gè)蓄能器和1 個(gè)連接負(fù)載組成的增壓系統(tǒng)的非線(xiàn)性動(dòng)力學(xué)模型，設(shè)計(jì)了多泵系統(tǒng)的非線(xiàn)性控制器，提出的控制方案保證了系統(tǒng)的線(xiàn)性特性；Fernando[10]通過(guò)對(duì)2 種不同的流量調(diào)節(jié)技術(shù)在泵系統(tǒng)和成本控制中的改進(jìn)研究，提出使用變頻調(diào)速結(jié)合節(jié)流閥調(diào)速實(shí)現(xiàn)對(duì)流量和壓力的控制，提高了控制性能和能源利用率；李寶[11]設(shè)計(jì)了流量標(biāo)準(zhǔn)裝置的變頻調(diào)速系統(tǒng)，開(kāi)發(fā)了串級(jí)數(shù)字PID 控制算法，在對(duì)比穩(wěn)流和穩(wěn)壓2 種控制方案的優(yōu)缺點(diǎn)的基礎(chǔ)上，開(kāi)展PID 流量穩(wěn)定性試驗(yàn)研究，獲得了較好的壓力、流量穩(wěn)定性；劉永等[12]為了實(shí)現(xiàn)流量和壓力的耦合控制，設(shè)計(jì)了流量、壓力閉環(huán)PID 控制系統(tǒng)，削弱了流量與壓力的相互干擾，提高了系統(tǒng)的控制精度；劉漢忠等[13]提出了模糊PID 自適應(yīng)算法，解決了流量、壓力耦合調(diào)節(jié)過(guò)程中控制效果較差問(wèn)題，實(shí)現(xiàn)了流量、壓力的穩(wěn)定控制。

首部系統(tǒng)流量、壓力針對(duì)需求變化的響應(yīng)速度是灌溉系統(tǒng)中要考慮的另一重要因素，其在很大程度上影響灌溉的效率；另一方面，當(dāng)流量、壓力發(fā)生驟變時(shí)，系統(tǒng)調(diào)節(jié)速度慢會(huì)導(dǎo)致管路壓力暴增，危及系統(tǒng)運(yùn)行安全。劉艷雄等[14]使用遺傳算法和非線(xiàn)性二次規(guī)劃算法優(yōu)化PID 參數(shù)，獲得了液壓快速缸的高響應(yīng)速度；劉心漪[15]采用灰色預(yù)測(cè)算法對(duì)快速電源控制系統(tǒng)中的反饋量進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)了控制的超前調(diào)節(jié)；Mohammadi 等[16]提出了基于神經(jīng)網(wǎng)絡(luò)的反饋控制器，以狀態(tài)誤差作為神經(jīng)網(wǎng)絡(luò)的輸入，在線(xiàn)更新PID 控制器的增益，實(shí)現(xiàn)系統(tǒng)的精確控制與快速響應(yīng)；Yadav 等[17]設(shè)計(jì)并實(shí)現(xiàn)了基于多目標(biāo)遺傳算法（Genetic Algorithm, GA）的混合動(dòng)力汽車(chē)PID、模糊PID（Fuzzy Proportional Integral Derivative, FPID）和自校正模糊PID（Improved Self-tuning Fuzzy Proportional Integral Derivative, ISTF-PID）控制器，結(jié)果表明GA 能夠提升PID的控制性能，并且ISTF-PID 性能最好。這些方法都在一定程度上提高了控制系統(tǒng)的響應(yīng)時(shí)間，但多以PID 參數(shù)調(diào)整為手段，很少?gòu)谋豢亓颗c其控制量之間的關(guān)系入手。

本研究提出一種基于神經(jīng)網(wǎng)絡(luò)結(jié)合PID 調(diào)節(jié)的灌溉系統(tǒng)首部流量、壓力快速控制系統(tǒng)。該系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)擬合流量、壓力及其控制量之間的關(guān)系，通過(guò)擬合模型快速求得目標(biāo)流量、壓力所需的控制量值，直接對(duì)相應(yīng)執(zhí)行元件進(jìn)行控制，之后再通過(guò)PID 對(duì)流量和壓力進(jìn)行微調(diào)，以此實(shí)現(xiàn)流量和壓力的快速控制，以期為多用戶(hù)灌溉系統(tǒng)首部流量壓力快速控制提供參考。

1 方 法

1.1 壓力和流量耦合調(diào)節(jié)分析

供水系統(tǒng)中，壓力和流量是衡量系統(tǒng)供水能力的重要指標(biāo)，它們相互之間存在一定的聯(lián)系。圖1 為管道供水特性曲線(xiàn)，其由水泵揚(yáng)程特性曲線(xiàn)和管道阻力特性曲線(xiàn)組成。

圖1 供水系統(tǒng)特性曲線(xiàn) Fig.1 Characteristic curve of water supply system

揚(yáng)程指水泵能夠揚(yáng)水的高度，其與壓力之間的關(guān)系可由式（1）表示為

式中P 為壓力，kPa；H 為揚(yáng)程，m；ρ 為管道液體密度，g/cm3；g 為重力加速度，m/s2。由式（1）可知，管道供水系統(tǒng)壓力P 與H 為正比關(guān)系，因此圖1 可以反映流量與壓力間的內(nèi)在聯(lián)系[18]。

水泵揚(yáng)程特性曲線(xiàn)是一簇流量揚(yáng)程曲線(xiàn)，水泵轉(zhuǎn)速不同，水泵的流量揚(yáng)程曲線(xiàn)不同，如圖1 曲線(xiàn)①、②所示，且曲線(xiàn)1 轉(zhuǎn)速大于曲線(xiàn)2 轉(zhuǎn)速；管阻特性曲線(xiàn)也是一簇流量揚(yáng)程曲線(xiàn)，曲線(xiàn)所表示的范圍因管道截面積不同而有所變化，如圖1 曲線(xiàn)③、④所示，曲線(xiàn)③代表的管道截面積大于曲線(xiàn)④。若水泵轉(zhuǎn)速和閥門(mén)開(kāi)度為定值，水泵揚(yáng)程特性曲線(xiàn)與管阻特性曲線(xiàn)交于一點(diǎn)，供水系統(tǒng)流量和揚(yáng)程被唯一確定，如圖1 中A、B、C 3 點(diǎn)所示，若起始時(shí)，系統(tǒng)工作在A 點(diǎn)，流量、揚(yáng)程分別為Q0、H0，當(dāng)閥門(mén)開(kāi)度增大時(shí)，管道阻力特性曲線(xiàn)由④變?yōu)棰郏到y(tǒng)工作在B 點(diǎn)，流量由Q0增加到Q'，揚(yáng)程由H0降為H'，為了維持恒定的供水揚(yáng)程，增加水泵轉(zhuǎn)速使其揚(yáng)程特性曲線(xiàn)由②變?yōu)棰伲藭r(shí)系統(tǒng)工作在C 點(diǎn)，揚(yáng)程回升至H0，流量變?yōu)镼1。基于此，可以通過(guò)調(diào)節(jié)水泵轉(zhuǎn)速和閥門(mén)開(kāi)度調(diào)節(jié)系統(tǒng)流量和揚(yáng)程，也即調(diào)節(jié)系統(tǒng)流量和壓力，達(dá)到穩(wěn)壓調(diào)流的目的。

1.2 灌溉系統(tǒng)首部穩(wěn)壓調(diào)流供水試驗(yàn)平臺(tái)設(shè)計(jì)

1.2.1 泵水方式

為了滿(mǎn)足流量、壓力變化范圍大的工況，現(xiàn)有灌溉首部多采用提高水泵功率的方式以實(shí)現(xiàn)流量、壓力大范圍調(diào)節(jié)。然而這種方式往往會(huì)帶來(lái)很多問(wèn)題[19]，1）前后2 個(gè)用戶(hù)間用水需求差距過(guò)大時(shí)，首部的響應(yīng)速度會(huì)很慢，影響灌溉效率；當(dāng)出現(xiàn)從大壓力、大流量需求變?yōu)樾×髁俊⑿毫π枨筮@種極端情況時(shí)，系統(tǒng)響應(yīng)過(guò)慢有可能導(dǎo)致管網(wǎng)壓力陡增，對(duì)元器件甚至灌溉系統(tǒng)造成嚴(yán)重危害；2）大功率意味著大啟動(dòng)電流，對(duì)電源容量要求高，同時(shí)消耗的能源也高；3）維修不便，當(dāng)水泵出現(xiàn)問(wèn)題時(shí)，整個(gè)首部系統(tǒng)便陷入停擺狀態(tài)，嚴(yán)重影響灌溉進(jìn)程。使用多臺(tái)并聯(lián)小功率水泵作為供水源可以很好地解決前述問(wèn)題，當(dāng)面對(duì)流量、壓力變化較大的情況時(shí)，可以通過(guò)開(kāi)啟或者關(guān)閉1 臺(tái)水泵以實(shí)現(xiàn)流量和壓力的快速控制；1 臺(tái)水泵出現(xiàn)問(wèn)題時(shí)也不必停止供水，而且多臺(tái)水泵可以由1 臺(tái)變頻器控制，通過(guò)水泵的變頻-工頻轉(zhuǎn)換實(shí)現(xiàn)首部流量、壓力大范圍無(wú)極調(diào)節(jié)，并不會(huì)增加投資[20]。多泵控制變頻-工頻轉(zhuǎn)換電路如下圖2 所示。

圖2 多泵控制變頻-工頻轉(zhuǎn)換主電路圖 Fig.2 Frequency conversion-power frequency conversion main circuit diagram of multi-pump control

系統(tǒng)工作時(shí)，通過(guò)控制接觸器的開(kāi)閉實(shí)現(xiàn)對(duì)水泵的變頻、工頻轉(zhuǎn)換控制。當(dāng)水流量需求較小時(shí)，接觸器KM1閉合，KM2、KM3、KM4 斷開(kāi)，系統(tǒng)使用變頻器對(duì)水泵1 進(jìn)行變頻調(diào)節(jié)，以滿(mǎn)足流量、壓力需求；當(dāng)需水量增大、一臺(tái)水泵無(wú)法滿(mǎn)足需水要求時(shí)，接觸器KM1 斷開(kāi)，KM2閉合，水泵1 轉(zhuǎn)為工頻運(yùn)行，同時(shí)KM3 閉合，水泵2 轉(zhuǎn)為變頻調(diào)速運(yùn)行，滿(mǎn)足系統(tǒng)較大水量和壓力需求。

1.2.2 控制方式

本研究選用型號(hào)為APAX-5580的PAC控制器對(duì)系統(tǒng)進(jìn)行控制，該控制器融合了工業(yè)電腦（Personal computer，PC）和可編程邏輯控制器（Programmable Logic Controller，PLC）的功能，內(nèi)置win7 系統(tǒng)，可運(yùn)行Matlab 等大型桌面軟件，實(shí)現(xiàn)高級(jí)算法的實(shí)時(shí)在線(xiàn)運(yùn)行；具有串口、網(wǎng)口、USB 等多種接口，配合擴(kuò)展底板和擴(kuò)展模塊可實(shí)現(xiàn)控制功能，以Codesys 為控制軟件開(kāi)發(fā)平臺(tái)，使用IEC61131-3 國(guó)際標(biāo)準(zhǔn)語(yǔ)言開(kāi)發(fā)控制程序。在系統(tǒng)控制中，使用PID 實(shí)現(xiàn)流量和壓力的耦合控制，其框圖如圖3 所示。壓力傳感器和流量傳感器分別采集壓力和流量數(shù)據(jù)，通過(guò)RS485 總線(xiàn)傳輸?shù)絇AC 串口中，Codesys 從串口中讀取傳感器數(shù)據(jù)并將流量、壓力誤差值反饋給PID 控制器，完成流量和壓力的閉環(huán)控制。

圖3 壓力-流量耦合調(diào)節(jié)PID 控制框圖 Fig.3 PID control diagram of pressure-flow rate coupling regulation

1.2.3 系統(tǒng)組成

變頻調(diào)速恒壓泵組供水系統(tǒng)硬件由PAC 控制器、變頻器、電動(dòng)閥、多個(gè)水泵、壓力傳感器、流量傳感器和電磁閥等組成，其如圖4 所示。

圖4 供水系統(tǒng)框圖 Fig.4 Water supply system diagram

系統(tǒng)工作時(shí)，首先獲取目標(biāo)壓力和流量值，由外部輸入指定。壓力傳感器和流量傳感器實(shí)時(shí)將管路壓力和流量信息傳遞給PAC 控制器，控制器經(jīng)過(guò)PID 計(jì)算后得出變頻器頻率和電動(dòng)閥閥門(mén)開(kāi)度信息，通過(guò)對(duì)水泵轉(zhuǎn)速和閥門(mén)開(kāi)度控制完成對(duì)流量和壓力的耦合調(diào)節(jié)，根據(jù)需水量大小調(diào)節(jié)水泵投入臺(tái)數(shù)及水泵的變頻-工頻轉(zhuǎn)換調(diào)節(jié)完成大范圍水量調(diào)節(jié)。系統(tǒng)工作流程圖5 所示。

1.3 基于神經(jīng)網(wǎng)絡(luò)優(yōu)化PID 的流量和壓力快速控制

由圖1 可知，首部供水系統(tǒng)水泵轉(zhuǎn)速、管道閥門(mén)開(kāi)度與流量、壓力之間存在一一對(duì)應(yīng)關(guān)系，當(dāng)水泵轉(zhuǎn)速和閥門(mén)開(kāi)度確定時(shí)，流量與壓力也隨之確定，因此若能找出他們之間的關(guān)系式，則可快速地由目標(biāo)流量和壓力確定水泵轉(zhuǎn)速和閥門(mén)開(kāi)度，以提高系統(tǒng)的調(diào)節(jié)速度。然而通過(guò)數(shù)學(xué)推導(dǎo)確定這種對(duì)應(yīng)關(guān)系的公式較為困難，采用神經(jīng)網(wǎng)絡(luò)可以很好地解決這個(gè)問(wèn)題。利用系統(tǒng)工作時(shí)流量、壓力、水泵轉(zhuǎn)速和閥門(mén)開(kāi)度的有限歷史數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)擬合模型，從而擬合全范圍內(nèi)流量、壓力與水泵轉(zhuǎn)速、閥門(mén)開(kāi)度的對(duì)應(yīng)關(guān)系。

圖5 供水系統(tǒng)工作流程圖 Fig.5 Working flow chart of water supply system

1.3.1 調(diào)節(jié)原理

考慮到系統(tǒng)工作中，對(duì)流量、壓力調(diào)節(jié)起根本作用的是控制變頻器頻率的電壓模擬量V（0～10 V）和控制電動(dòng)閥開(kāi)度的電流模擬量I（4～20 mA），提出建立流量、壓力與I、V 之間的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。利用目標(biāo)流量值和目標(biāo)壓力值使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)計(jì)算出I和V的預(yù)測(cè)值y1和y2，并將其作為初始值直接改變變頻器頻率和電動(dòng)閥開(kāi)度，使系統(tǒng)的流量和壓力迅速接近其目標(biāo)值，之后再使用PID 控制器依據(jù)目標(biāo)流量Qt、目標(biāo)壓力Pt與當(dāng)前流量Q、當(dāng)前壓力P 之間的差值e1、e2計(jì)算出I 和V的調(diào)節(jié)值i 和v 對(duì)流量和壓力進(jìn)行微調(diào)，直至滿(mǎn)足控制精度需求。神經(jīng)網(wǎng)絡(luò)結(jié)合PID 控制框圖如圖6 所示。

1.3.2 廣義回歸神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，GRNN）因其強(qiáng)大的擬合能力而廣泛應(yīng)用于解決小樣本數(shù)據(jù)量和非線(xiàn)性條件下的數(shù)據(jù)擬合問(wèn)題，同時(shí)由于其魯棒性高，容錯(cuò)性強(qiáng)，具有很好的不穩(wěn)定數(shù)據(jù)處理能力，適用于對(duì)流量和壓力這種具有波動(dòng)的樣本進(jìn)行擬合。GRNN 網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單，使用時(shí)只需要使用交叉驗(yàn)證優(yōu)化其使用的徑向基函數(shù)的平滑參數(shù)就可以得到很好的結(jié)果。本研究中使用Matlab神經(jīng)網(wǎng)絡(luò)工具箱建立GRNN模型，利用試驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，使用Matlab OPC 工具箱與控制系統(tǒng)進(jìn)行通訊[21-22]，獲取目標(biāo)流量和目標(biāo)壓力值并利用訓(xùn)練完成的GRNN 計(jì)算所需的控制量值，再通過(guò)OPC協(xié)議下發(fā)到控制系統(tǒng)中，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)在線(xiàn)應(yīng)用。

圖6 神經(jīng)網(wǎng)絡(luò)PID 控制框圖 Fig.6 Neural network PID control block diagram

以系統(tǒng)運(yùn)行中壓力P 和流量Q 為輸入，以對(duì)應(yīng)的用于調(diào)節(jié)變頻器頻率的電壓模擬量V和用于調(diào)節(jié)電動(dòng)閥開(kāi)度的電流模擬量I 為輸出，建立廣義遞歸神經(jīng)網(wǎng)絡(luò)模型。由于控制系統(tǒng)使用1 臺(tái)變頻器控制2 個(gè)水泵，不論系統(tǒng)中有多少個(gè)水泵在工作，變頻器的電壓模擬量始終都在0～10 V范圍內(nèi)，因此需要將水泵投入使用數(shù)量也加入到模型中。而投入使用的水泵數(shù)量是離散量，其數(shù)值對(duì)系統(tǒng)運(yùn)行起著很大的作用，在使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的過(guò)程中，如果該數(shù)值出現(xiàn)差錯(cuò)則會(huì)對(duì)系統(tǒng)的運(yùn)行產(chǎn)生非常大的影響，所以本系統(tǒng)中，將投入使用水泵數(shù)量和用于調(diào)節(jié)變頻器頻率的電壓模擬量V 合二為一，即當(dāng)工作的水泵個(gè)數(shù)為2 時(shí)，程序中實(shí)際使用的數(shù)據(jù)是當(dāng)前變頻器模擬量數(shù)值加10，輸出的結(jié)果中，變頻器模擬量數(shù)值減10 后再輸出給變頻器，這樣既可以反映實(shí)際問(wèn)題，又能避免出現(xiàn)較大差錯(cuò)。

1.4 案例分析

在西安交通大學(xué)節(jié)水工程實(shí)驗(yàn)室搭建的多泵并聯(lián)供水試驗(yàn)臺(tái)進(jìn)行試驗(yàn)，試驗(yàn)臺(tái)實(shí)物如圖7 所示。

圖7 多泵并聯(lián)供水試驗(yàn)臺(tái) Fig.7 Multi-pump parallel water supply experiment platform

壓力傳感器和流量傳感器測(cè)量主管路壓力和流量值，由于本系統(tǒng)設(shè)計(jì)時(shí)主要針對(duì)目標(biāo)為溫室多用戶(hù)系統(tǒng)，1 個(gè)溫室即為1 個(gè)用戶(hù)，也即1 個(gè)輪灌小區(qū)，因此壓力和流量傳感器測(cè)量的是用戶(hù)壓力和流量。

選擇2 個(gè)型號(hào)相同的離心泵作為供水動(dòng)力源，試驗(yàn)主管道口徑為DN40。在0～0.6 MPa 壓力范圍內(nèi)，每隔0.04 MPa選1 個(gè)壓力點(diǎn)，在2～7 m3/h 流量范圍內(nèi)，每隔0.5 m3/h 選1 個(gè)流量點(diǎn)進(jìn)行試驗(yàn)，采集系統(tǒng)工作穩(wěn)定后的流量P、壓力Q、水泵運(yùn)行臺(tái)數(shù)、變頻器控制模擬量V 和電動(dòng)閥控制模擬量I 作為原始數(shù)據(jù)，獲得150 組數(shù)據(jù)結(jié)果如表1 所示。

表1 流量壓力控制試驗(yàn)數(shù)據(jù) Table 1 Data of flow and pressure control test

1.5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析

將試驗(yàn)數(shù)據(jù)按照4∶1 的比例分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，模型訓(xùn)練過(guò)程中采用K折交叉驗(yàn)證對(duì)模型進(jìn)行調(diào)優(yōu)，本研究中選定K 為10，最終得到廣義回歸神經(jīng)網(wǎng)絡(luò)的最優(yōu)徑向基函數(shù)平滑參數(shù)為0.3。考慮到神經(jīng)網(wǎng)絡(luò)模型的擬合結(jié)果誤差對(duì)控制系統(tǒng)影響最大，使用相對(duì)誤差作為模型的評(píng)價(jià)指標(biāo)。測(cè)試數(shù)據(jù)V和I 的相對(duì)誤差如圖8 所示。由圖8 可知，變頻器控制模擬量的相對(duì)誤差為0.11%～3.86%，電動(dòng)閥控制模擬量相對(duì)誤差為0.09%～5.74%，預(yù)測(cè)精度較高，滿(mǎn)足使用需求。

圖8 測(cè)試數(shù)據(jù)的相對(duì)誤差 Fig.8 Relative errors of test data

2 結(jié)果與分析

將訓(xùn)練好的廣義神經(jīng)網(wǎng)絡(luò)應(yīng)用于PID 控制系統(tǒng)中，組成GRNN_PID 控制模型，采用3 個(gè)調(diào)節(jié)過(guò)程模擬3 個(gè)用戶(hù)的需水行為驗(yàn)證PID 和GRNN_PID 對(duì)首部壓力和流量的控制精度和調(diào)節(jié)時(shí)間，3 個(gè)用戶(hù)的流量、水壓需求分別如表2 所示。

表2 用戶(hù)流量壓力需求 Table 2 Flow rate and pressure demands of different users

首先調(diào)節(jié)過(guò)程1，設(shè)定壓力為0.5 MPa，流量為3.5 m3/h，水泵1 變頻啟動(dòng)，變頻器達(dá)到工頻后壓力仍未達(dá)到目標(biāo)壓力，此時(shí)流量為2.37 m3/h。延遲30 s 后，水泵1 轉(zhuǎn)為工頻運(yùn)行，水泵2 變頻啟動(dòng)，管路壓力達(dá)到0.5 Pa，流量由2.37 m3/h 增加到3.5 m3/h 并保持不變；調(diào)節(jié)過(guò)程2，壓力保持不變，流量設(shè)定為5 m3/h 并保持不變；調(diào)節(jié)過(guò)程3，壓力繼續(xù)保持不變，流量設(shè)定為3.5 m3/h。最終2 種控制方法的試驗(yàn)結(jié)果如圖9 所示。

圖9 2 種調(diào)節(jié)方法對(duì)比 Fig.9 Comparison of results by two adjustment methods

分別計(jì)算2 種調(diào)節(jié)方法的調(diào)節(jié)時(shí)間得結(jié)果如表3 所示。由表3 可知，GRNN_PID 3 個(gè)調(diào)節(jié)過(guò)程的調(diào)節(jié)時(shí)間分別為11.6、10.7 和7.2 s，PID 相應(yīng)調(diào)節(jié)時(shí)間分別為31.7、29.6 和16.9 s，GRNN_PID 在3 個(gè)調(diào)節(jié)過(guò)程中的調(diào)節(jié)時(shí)間均少于PID 調(diào)節(jié)，大大提高了系統(tǒng)的響應(yīng)速度。

表3 2 種調(diào)節(jié)方式的調(diào)節(jié)時(shí)間 Table 3 Adjustment time of two adjustment methods s

分析2 種方法控制精度得結(jié)果如表4 所示。由表4 可知，2 種調(diào)節(jié)方法管路壓力穩(wěn)態(tài)誤差均保持在1%以?xún)?nèi)，PID調(diào)節(jié)最大超調(diào)量為8%，GRNN 結(jié)合PID 調(diào)節(jié)最大超調(diào)量為7.4%；管路流量穩(wěn)態(tài)誤差均在1%以?xún)?nèi)，控制精度較高。

同時(shí)由表4 還可以得出兩者控制精度相差不大的結(jié)論，這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)只是建立了流量、壓力及其對(duì)應(yīng)控制量之間的關(guān)系式，能夠從目標(biāo)流量和壓力推算出其所需要的控制量的值，從而從策略上加快系統(tǒng)的調(diào)節(jié)速度，提高灌溉效率，但其本身并沒(méi)有改變PID 的參數(shù)，因此對(duì)系統(tǒng)的控制精度影響不大。

3 結(jié) 論

灌溉系統(tǒng)首部流量和壓力控制關(guān)系到灌溉系統(tǒng)的穩(wěn)定性和安全性，本文以加速灌溉系統(tǒng)首部流量、壓力調(diào)節(jié)為目標(biāo)，設(shè)計(jì)了多用戶(hù)首部流量和壓力調(diào)節(jié)系統(tǒng)，實(shí)現(xiàn)了灌溉調(diào)節(jié)的自動(dòng)化、快速化，保證了系統(tǒng)運(yùn)行的安全可靠，對(duì)灌溉技術(shù)的應(yīng)用和發(fā)展具有參考意義。

1）分析了灌溉首部供水特性曲線(xiàn)，得出流量、壓力耦合調(diào)節(jié)原理，提出使用電動(dòng)閥和變頻器對(duì)首部流量和壓力進(jìn)行調(diào)控，建立流量、壓力PID（Proportion Integration Differentiation）耦合調(diào)節(jié)方法，并設(shè)計(jì)首部供水試驗(yàn)平臺(tái)。

2）針對(duì)傳統(tǒng)PID 調(diào)節(jié)速度慢問(wèn)題，提出使用神經(jīng)網(wǎng)絡(luò)結(jié)合加速系統(tǒng)控制。利用試驗(yàn)數(shù)據(jù)使用廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network, GRNN）對(duì)流量、壓力及其控制量之間的關(guān)系進(jìn)行擬合，GRNN 的測(cè)試結(jié)果顯示，其對(duì)電動(dòng)閥控制模擬量和變頻器控制模擬量的預(yù)測(cè)的相對(duì)誤差分別小于5.74%和3.86%，預(yù)測(cè)精度較高。將訓(xùn)練好的模型應(yīng)用于控制系統(tǒng)中并進(jìn)行試驗(yàn)，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)結(jié)合PID 調(diào)節(jié)方法和傳統(tǒng)PID 調(diào)節(jié)方法相比，流量和壓力調(diào)節(jié)時(shí)間均減少，大幅提高了系統(tǒng)的調(diào)節(jié)速度。