PID控制在反应釜温度控制中的应用

2010-11-27刘喜梅

网络安全与数据管理 2010年20期

刘喜梅，张茜，郭静

(青岛科技大学自动化与电子工程学院，山东青岛266042)

常规PID控制算法对于大部分工业过程的被控对象控制效果良好[1，2]，但是对于反应釜温度的时间滞后问题，PID控制算法在控制温度跟踪变化曲线时存在振荡和精度低的缺点。近年来，神经网络控制以其独特的优点受到控制界的关注。神经网络的优势在于能够逼近任意复杂的非线性映射，具有超强的自学习和自适应能力，具有很强的鲁棒性和容错性，因此用神经元网络设计的控制系统具有良好的自适应性和控制性能[3，4]。为了克服反应釜温度的时间滞后问题，本文结合BP神经网络控制策略，采用基于BP神经网络的PID控制方法对其进行控制，反应釜温度能自动跟随给定的温度曲线，满足工艺要求。

1 反应釜温度控制系统

反应釜按反应的特性可以分为吸热反应和放热反应。一般来说，聚合反应属于放热反应，而裂变反应属于吸热反应。反应釜的操作流程一般包括如图1所示的四个阶段[5]。

图1 反应釜温度工艺过程

图1中恒温段是反映工艺的关键阶段，对于产品质量和产量有着重要的影响，所以提高恒温段的控制精度是提高产品质量的关键。

实际反应过程中常伴有强烈的放热效应，使反应温度有所变化。针对反应釜温度控制的特点，本文采用基于BP神经网络的PID控制方法。通过神经网络的在线学习功能，增强系统的鲁棒性和自适应能力，使系统具有良好的调节品质，在对象参数变化的情况下仍具有很强的鲁棒性和抗干扰能力。

2 基于BP神经网络的PID控制算法

本文采用的是三层BP网络，其结构如图2所示[6]，输入层神经元的个数取4，分别对应于输入r、输出y、误差e和单位 1，隐含层神经元为 5个，输出层神经元分别对应 PID控制器的 3个可调参数 kp、ki、kd。系统运行过程中，神经网络根据系统的状态，通过加权系数调整，使神经网络的输出对应于某种最优控制律下的PID控制器参数[7]。

网络输入层的输入函数为：

网络隐含层的传输函数为：

网络隐含层的输入和输出函数分别为：

网络输出层的输入和输出函数分别为：

性能指标函数为：

按照梯度下降法修正网络的权系数，并附加一个使搜索快速收敛全局极小的惯性项，修正公式为：

式中，η 为学习速率，且 η＞0；α 为惯性系数，且 0＜α＜1。

经过分析，可得网络输出层的权值学习算法为：

隐含层的权值学习算法为：

其中，δi=f′[neti(k)]δWi(k)(i=1,2,…,6)

3 仿真研究

本文设计的基于BP神经网络的PID控制结构如图3所示。

针对反应釜的特性，为了使结果具有代表性，取被控对象时变参数的非线性被控对象的数学模型为：

其中，μ(k)=1.5(1-0.7e-0.2k)是慢时变的。这里所选择的神经网络结构如图2所示，学习速率 η=0.15，惯性系数α=0.07，采用BP神经网络算法对PID控制器参数进行优化，并应用于控制对象，取采样时间 TS=0.5 s，仿真结果分别如图4、图5所示。

在第100个采样时刻，控制器加外部干扰0.20时，仿真结果分别如图6、图7所示。

从以上图中可以看出，与传统PID算法相比，基于BP神经网络的PID控制算法的超调量几乎为0，稳定速度快，而且能够随着系统参数的变化自动调整PID控制参数。当在第100个采样时刻时控制器加外部干扰0.20时，基于BP神经网络的PID控制算法中的PID参数随之进行了调整，从而在系统受到外部干扰时影响很小，很快再次达到稳定。

由于反应釜过程的时变、非线性等特点，本文结合神经网络超强的自学习和非线性逼近能力，提出了基于BP神经网络的PID控制算法。此算法可保证系统输出响应快、超调量小、调整时间短、控制精度高，而且具有较强的适应内部参数变化和抗外部干扰的能力。通过对反应釜温度仿真实验控制，验证了这种控制方法的有效性，并通过对比可知其性能明显优于常规的PID算法。本文提出的基于BP神经网络的PID控制算法具有广阔的应用前景，同时也为进一步研究复杂系统的预估﹑预控等其他算法奠定了基础。