基于自适应神经网络的供热锅炉温度解耦控制系统研究

李元伟

（广东酒店管理职业技术学院，广东 东莞523000）

1 概述

在塑料吹瓶机的相关设备中，塑料瓶坯的温度加热系统是设备中最关键的部分。适当的温度控制可使塑料瓶坯具有最高的吸热率，这将大大节省能量消耗并有助于实现拉伸吹塑过程。如果加热炉的温度没有得到很好的控制，则在生产耐热塑料瓶时可能会出现以下问题：中心点偏差，瓶底变形，硬颈，前后壁变形。填充后，收缩率会增加。在塑料吹塑设备中，我们使用温度控制系统来控制熔炉的温度。这样，可以大大提高塑料瓶的产量，减少瓶坯原料的浪费。第二是使用温度控制系统来精确地检测和控制温度，这可以大大降低用于加热预成型坯料的加热功率，从而节省能源并减少污染。因此，研究塑料吹瓶机红外加热炉的最优化温度控制具有重要的实际意义。

自适应神经网络控制系统不依赖于控制对象的清晰数学模型。 理论和实践研究表明，这是一种解决控制系统不确定性，非线性和强耦合的有效方法。 根据供热锅炉温度控制系统的特点，采用基于神经网络的PID 解耦控制，并利用MATLAB 软件获得实际的仿真结果和结论。

2 红外线灯管温度控制系统的建模

加热炉的设计主要是为了满足将预成型坯加热到理想温度的要求，从而实现拉伸和吹塑的过程。根据塑料瓶坯的特性，使用九层红外管加热塑料瓶坯。在加热过程中，根据预成型坯的质量，厚度和形状合理分配各管层的热功率，从而使预成型坯获得最佳的热分布。我们使用冷却风扇冷却瓶坯口和瓶身。根据以上分析，在智能采暖锅炉温度控制系统中，两个输入量为红外灯电压u1 和冷却风扇电压u2，输出量为瓶坯温度y1 和冷却风扇速度y2。冷却风扇的风速对预成型坯的加热温度有很大的影响，而加热灯管的温度也对冷却风扇输出的风速有一定的影响，因此这是一种耦合系统。根据系统的控制要求，将温度控制系统转换为具有两个输入和两个输出的受控对象。受控对象传递函数的框图如图1 所示：

图1 系统被控对象传递函数框图

为了使系统能够得到解耦后的模型，我们先要知道被控对象的数学模型。利用阶跃响应法建立了4 个相关控制过程的S函数数学模型。根据具体的实验数据，最后得到被控对象的传递函数如下：

3 基于神经元的PID 解耦控制器

神经网络现在是一个很流行的学科，它以其强大的自学习功能、并行处理问题功能在控制领域得到了广泛的应用。神经网络的自适应控制方法是计算密集型的。由于缺乏实用的神经网络计算机硬件支持，难以实现基于多层网络的神经网络自适应控制的实时在线控制。为了满足快速过程中神经控制的要求，使用了基于单个神经元的自适应控制。它可以充分利用神经网络的优势，同时满足快速过程实时控制的要求[1]。

神经元是具有智能学习能力的非线性多输入单输出处理单元，可用于实现自适应PID控制。多变量系统的解耦控制可以通过神经元PID 控制实现[2]。图2 显示了双神经元PID解耦控制系统的框图，该系统由两个神经元PID 控制器组成。

以第一个神经元PID 控制器为例，其控制器框图如图3 所示[3]。

图中K 为神经元的比例系数，k＞0,为k 时刻神经元PID 控制器的输出值，神经元通过智能学习产生的控制信号u(k)为：

神经元的控制是通过调整权重系数wi来实现学习功能。通过理论与实际推导，PID 参数的在线学习更新主要与偏差e（k）和偏差的变化量△e（k）有关。因此，本文采用有监督的学习规则来调整权重系数。在对上面所示的公式进行整理后，可以得到如下所示的算法：

图2 二变量神经元PID 解耦控制系统框图

图3 基于单个神经元的PID 控制器框图

图4 PID 解耦控制系统MATLAB 仿真框图

本文通过大量的仿真和实际控制结果示例，总结了以下参数调整规则。

a.初始加权系数的wi选择：可以任意选择。

b.对于阶跃输入，如果输出具有较大的过冲并且反复出现正弦衰减，则应减小K 以保持不变，并且保持不变。 如果上升时间较长且没有超调，则增加K，θp，θi，θd。

c.如果被控对象的响应曲线表现为上升时间短，并且过冲过多，则应减小θi参数，其他参数保持不变。

d.如果受控对象的上升响应曲线时间较长，同时增大θi时会导致过度的超调，这个时候可以适当增大θp，其他参数保持不变。

4 温度控制系统的MATLAB 仿真研究

我们设置采样周期T=0.1 秒,将红外线灯管温度解耦的被控对象的传递函数模型即公式（1）转化为差分方程,可以表示为：

根据上文所述的神经元PID 解耦控制原理，我们可以利用MATLAB 软件搭建如图4 所示的神经元PID 解耦控制系统仿真框图来实现该控制系统，其中PID 解耦控制系统算法部分用S- 函数编写，选择S- 函数模块的输入信号为[e(k),e(k-1),e(k-2)],输出信号为控制量u(k)，并将系统被控对象的差分方程封装成多输入多输出模块[5]。

给定输入信号为单位阶跃输入，即：

5 结论

针对供热锅炉温度控制系统，采用基于神经元的神经网络控制器，提出了一种改进的神经元权值系数校正算法，因此，权重系数的自适应修改并不是完全基于神经网络的控制学习原理，而是基于训练学习的经验数据[6]。MATALB 仿真和实验结果表明，该控制方法通过自主学习、能做到自适应调整经验数据和智能调整神经网络权值，最后能达到满意的解耦响应控制效果，实现了对供热锅炉加热炉温度的精确稳定控制。

图5 阶跃信号为R1 时的解耦响应曲线

图6 阶跃信号为R2 时的解耦响应曲线