基于BP神經網絡PID控制技術在氯化工藝控制中的應用

摘要：針對當前化工領域中，特別是氯化工藝領域控制的精度要求，結合傳統的PID控制存在的問題，提出一種采用BP進行改進的方法。即通過BP神經網絡在自學習方面的優勢，通過BP優化減少輸入參數與輸出參數的誤差。最后，以氯化工藝中的壓力控制為例，通過仿真對工藝進行模擬優化，結果表明，經BP優化后的PID在延遲量等方面，都有很大的優勢。

關鍵詞：BP神經網絡;PID控制;仿真;氯化工藝

中圖分類號：TQ086;rIP183;TP273

文獻標識碼：A

文章編號：1001-5922（2020）09-0050-04

氯化工藝由于具有一定的危險性，需要通過多種技術監管工藝的流程，以保證更高的安全性。但是在氯化安全控制中存在非線性、滯后性、干擾多等問題，只是通過常規的PID控制方式難以得到合適的控制參數，影響到了實際的控制效果。本文針對上述問題進行了研究，結合BP神經網絡算法設計了更先進的PID氯化工藝控制系統，并通過實驗仿真的方式驗證了系統的應用效果?；贐P神經網絡下的PID控制系統具有較高的靈活性，能夠利用神經網絡算法自整定各個控制參數，從而在氯化工藝控制中達到更佳的效果。

1 PID控制參數的BP優化

PID控制被廣泛應用在工業領域，主要通過比例（P）、積分（I）、微分（D）三個參數進行組合的形式來對偏差進行調節，確保系統整體處于最佳的運行狀態。在實際應用中一般先要對控制器進行調節，在此基礎上調整各個設備的運行狀態，由此得到最佳的控制效果。具體控制計算方法為：

但PID控制也存在很多局限，如超調量大、控制靈活度不高等。此外在控制波動大、非線性對象時效果不佳，需要對傳統PID算法進行改進。與此同時，BP神經網絡被廣泛應用在工業控制領域，具有良好的非線性映射性能，能夠對輸入、輸出進行完整的映射，且可實現對知識的自學習。因此，針對傳統PID控制中存在的非線性問題，引入BP神經網絡進行改進優化。

1.1 BP神經網絡結構設計

1.1.1 層數確定

在構建網絡結構時首先要確定網絡層數以及對應的神經元數目，其中本次研究中將隱含層數目設為1，并選用了S型函數，由此形成了一個標準的三層神經網絡結構。

1.1.2 神經元數確定

在確定網絡層數后還應該各個層的神經元數目進行確定，在此過程中需要結合PID參數的控制輸出Kp、K1、Kd進行分析，具體參數的確定過程如下所示。

1）輸入層神經元數目。在利用BP神經網絡的過程中必須先明確具體的用途，然后對網絡的結構進行設計，根據網絡的復雜度可以確定輸入層的神經元數目。但是在實際應用中一般要適當減小網絡規模，通過這種方式降低計算的復雜度，有助于提升計算效率。

根據本文的研究內容可知，在氯化工藝中需要控制的變量主要有預期溫度、實際溫度、閾值以及誤差，因此對應的輸入層神經元數目為4，由此得到了網絡的第一個層次。

2）隱含層神經元數目。本次設計中的隱含層僅有一層，相關研究顯示即使隱含層數目為1，也能夠滿足各種類型網絡的構建要求，因此只需要合理設置對應的神經元數目，即可以映射各種類型的函數。但是在實際應用中難以有效地確定神經元數目，數目過多或者過少都容易引發不利的影響，例如在數目過大時，會顯著增大網絡的復雜度，學習的效率降低;在數目過小時，則無法保證構建最佳條件判決，最終降低了網絡的學習效果。當前確定隱含層神經元數目上主要采用的方法是經驗判斷法，對于研究人員的經驗提出了更高的要求，因此在這方面還需要重點研究和實踐，以保證更佳的應用效果。

1.1.3 BP神經網絡初始權值的確定

除了上述參數外，還需要確定合適的初始權值，這將會對網絡的收斂性以及效率產生直接的影響。考慮到此方面的因素，當前大多采用偏小的初始權值。

收斂效果與設置的初始值直接相關，如果初始權值較小，特別是幾乎等于零時，則在輸入累加過程中會對神經元的輸出分布產生較大的影響。權值一般是在某個范圍內接近于零的常數，在本次研究中將其設置在[-0.5，0.5]范圍內。

1.2 BP神經網絡的PID參數優化

將傳統PID控制與BP神經網絡結合，得到圖l所示的參數優化過程，具體的結構參數如下所示：網絡層數為3，各個層對應的神經元數目是4、5、3。

其中α表示慣性系數，η表示學習速率，由此能夠提升收斂的速率，避免網絡陷入局部極小值。

2 基于BP神經網絡的控制器設計

在本次研究中將傳統的PID控制器與BP神經網絡算法進行融合，總體結構劃分為兩部分，分別是神經網絡部分與PID控制部分，其中前者主要結合系統的運行情況來對各個參數進行調節，而保證最佳的控制效果;后者則完成具體的控制過程，使得系統能夠保持最佳的運行狀態?；谶@種方式提升了系統調節的靈活度，能夠充分發揮神經網絡自適應調節的優勢，有助于改善整個系統的控制性能?？刂破鹘Y構如圖2所示。

系統的核心控制算法按照上式（1）。

具體執行步驟為：

1）首先確定網絡的層數和對應的神經元數目，然后根據設置的加權系數得到合適的學習次數，由此形成完整的網絡結構;

2）開始進行采樣的過程，并得到對應的采樣誤差;

3）學習過程中計算各個層神經元的輸入和輸出，并得到PID控制器的參數;

4）基于PID控制算法得到對應的輸出;

5）設置好學習速率等參數后開始進行網絡學習的過程，根據系統的運行狀態調節加權系數;

6）繼續執行后續的學習過程，重復從步驟（2）開始的過程，直到完成學習的整個過程。

3 仿真結果

3.1 控制對象的模型建立

在構建控制對象的模型時考慮到較多的因素，氯化工藝控制系統的超調量較小，具有明顯的純滯后特征，并且對于溫度和壓力的控制要求較高，最終選擇一階慣性滯后環節系統，由此可以認為將一個慣性環節與純環節串聯即可得到閉環傳遞函數。從時間上來看，采用這種設計方式能夠保證控制對象的滯后時間與純環節滯后時間的一致性，系統不會在形成超調量，有助于改善系統的穩定性。在參數調節方面可以利用Cohn-Coon公式進行處理，具體如下所示。

公式中的τ表示純滯后時間。

3.2 被控對象壓控系統建模

在本次研究中，給定壓力的階躍信號是0.5MPa，在壓力數據采集方面選用了專用的壓力傳感器，采樣間隔設置為5s，因為反應釜內的壓力持續變化，并且變化的頻率較高，致使采集數據中的誤差較大，為了有效地解決此問題，在處理過程中去除了特定的干擾數據，在優化之后得到的壓力數據如表l所示：

根據采集的壓力數據繪制了對應的變化曲線，具體如圖4所示。

3.3 仿真測試

為了對算法的應用效果進行測試，在研究過程中選用了Simulink工具進行仿真。Simulink工具已經更多的應用到了動態仿真中，其適應性較強，應用范圍廣，基本不會受到其他條件的限制，能夠實現動態化的系統建模。用戶可以根據實際的需要調用其中的模型庫，以滿足個性化的建模需求。在仿真中主要將本文提出的算法與傳統的PID算法的控制效果進行了對比，分析二者在控制作用上的差異性。具體的仿真參數設置如下：初始溫度和控制溫度分別是10℃、100℃，仿真時間和采樣時間則分別是200s、5s，參數設置完成后開始進行仿真的過程。最終得到的仿真結果即為圖5、圖6所示。

根據上述兩圖中的曲線變化特征可知，采用基于BP神經網絡的PID控制器在控制效果上具有一定的優勢，其只需要很短時間即可達到穩定狀態，有助于維持系統運行的穩定性，避免受到不利因素的干擾。

根據表2中的實驗數據可知，在延遲量、穩定時間以及調節量上，基于BP神經網絡的PID控制方法得到的數據都更低，因此能夠獲取比傳統PID控制方法更佳的效果?？傊?，通過上述分析以及實驗結果都可以證明，基于BP神經網絡的PID控制器適合應用到氯化工藝的控制中，能夠有效地提升氯化工藝流程的安全性。

4 結語

通過上述的研究看出，經過神經網絡對PID輸人參數的優化，可提高傳統PID控制的精度，進而提高整個PID控制的準確度。而仿真試驗結果也表明，BP+PID的控制，在穩定時間和延時量方面，都優于傳統的PID控制。但是BP自身在參數優化中也存在一些問題，因此下一步的工作是重點對BP神經網絡進行再優化。

參考文獻

[1]龍江，郭鵬程，陳梓銘，等，人工蜂群優化BP神經網絡在汽車座椅舒適性中的應用[J/OL].機械科學與技術，2020（02）：273-281.

[2]王文玉，王希良，張騫，基于關聯分析和遺傳算法優化BP的隧道圍巖變形預測[J/OL].鐵道標準設計，2020（05）：126-132.

[3]田震，荊雙喜，趙麗娟，等，基于粒子群優化BP神經網絡的采煤機可靠性預測[J/OL].河南理工大學學報（自然科學版），2020（01）：68-74.

[4]宋波，辛文賢，馮云霞.基于BP神經網絡的臨床路徑優化[J/OL].計算機技術與發展，2020（04）：156-160.

[5]王文中，張樹生，余隋懷.基于粒子群優化的BP神經網絡圖像復原算法研究[J].西北工業大學學報，2018，36（04）：709-714.

[6]徐杰，侯旭東，優化BP網絡的超聲波測距的補償算法[J].黑龍江科技大學學報，2017，27（01）：87-90.

[7]鄧建威，章云.基于擴展PSO優化的SVM鉛酸蓄電池荷電狀態估測[J].工業控制計算機，2017，30（03）：126-127+129.

[8]劉荷花.基于BP神經網絡的激光焊接工藝參數優化數據庫系統[J].激光雜志，2015，36（04）：182-184.

[9]楊東超，馮雷，黃道敏，等，升沉補償樣機系統的設計與實現[J].機械與電子，2018，36（05）：3-6+12.

[10]楊光輝，嚴盈富.BP神經網絡PID在氯化工藝中的應用[J].化工自動化及儀表，2018，45（06）：434-438.

[11]解來卿，羅禹貢，李升波，等.分布式電驅動車輛的ACC協同控制[J].汽車工程，2018，40（06）：652-658+665.

作者簡介：婁勇（1984-），男，漢族，陜西人，大學本科，講師，研究方向：電子信息技術、機械電子工程。