摘 要： 常規(guī)PID的控制，不但其參數(shù)難以整定，而且還依賴于對象的精確數(shù)學模型，適應性較差，對復雜過程不能保證其控制精度。根據(jù)反應釜溫度時間滯后具有非線性、強耦合、不確定性過程的控制需要，提出了一種基于BP神經(jīng)網(wǎng)絡的PID控制方法。并介紹了神經(jīng)網(wǎng)絡PID控制器的算法，對經(jīng)典PID參數(shù)選取進行了分析。仿真結果表明，與傳統(tǒng)PID算法相比，該控制方法可實現(xiàn)有效的控制，具有實現(xiàn)簡單、控制效果好的特點。
關鍵詞： 常規(guī)PID；BP神經(jīng)網(wǎng)絡；仿真
常規(guī)PID控制算法對于大部分工業(yè)過程的被控對象控制效果良好[1，2]，但是對于反應釜溫度的時間滯后問題，PID控制算法在控制溫度跟蹤變化曲線時存在振蕩和精度低的缺點。近年來，神經(jīng)網(wǎng)絡控制以其獨特的優(yōu)點受到控制界的關注。神經(jīng)網(wǎng)絡的優(yōu)勢在于能夠逼近任意復雜的非線性映射，具有超強的自學習和自適應能力，具有很強的魯棒性和容錯性，因此用神經(jīng)元網(wǎng)絡設計的控制系統(tǒng)具有良好的自適應性和控制性能[3，4]。為了克服反應釜溫度的時間滯后問題，本文結合BP神經(jīng)網(wǎng)絡控制策略，采用基于BP神經(jīng)網(wǎng)絡的PID控制方法對其進行控制，反應釜溫度能自動跟隨給定的溫度曲線，滿足工藝要求。
1 反應釜溫度控制系統(tǒng)
反應釜按反應的特性可以分為吸熱反應和放熱反應。一般來說，聚合反應屬于放熱反應，而裂變反應屬于吸熱反應。反應釜的操作流程一般包括如圖1所示的四個階段[5]。
圖1中恒溫段是反映工藝的關鍵階段，對于產(chǎn)品質量和產(chǎn)量有著重要的影響，所以提高恒溫段的控制精度是提高產(chǎn)品質量的關鍵。
實際反應過程中常伴有強烈的放熱效應，使反應溫度有所變化。針對反應釜溫度控制的特點，本文采用基于BP神經(jīng)網(wǎng)絡的PID控制方法。通過神經(jīng)網(wǎng)絡的在線學習功能，增強系統(tǒng)的魯棒性和自適應能力，使系統(tǒng)具有良好的調(diào)節(jié)品質，在對象參數(shù)變化的情況下仍具有很強的魯棒性和抗干擾能力。
2 基于BP神經(jīng)網(wǎng)絡的PID控制算法
本文采用的是三層BP網(wǎng)絡，其結構如圖2所示[6]，輸入層神經(jīng)元的個數(shù)取4，分別對應于輸入r、輸出y、誤差e和單位1，隱含層神經(jīng)元為5個，輸出層神經(jīng)元分別對應PID控制器的3個可調(diào)參數(shù)kp、ki、kd。系統(tǒng)運行過程中，神經(jīng)網(wǎng)絡根據(jù)系統(tǒng)的狀態(tài)，通過加權系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡的輸出對應于某種最優(yōu)控制律下的PID控制器參數(shù)[7]。
按照梯度下降法修正網(wǎng)絡的權系數(shù)，并附加一個使搜索快速收斂全局極小的慣性項，修正公式為：
3 仿真研究
本文設計的基于BP神經(jīng)網(wǎng)絡的PID控制結構如圖3所示。
針對反應釜的特性，為了使結果具有代表性，取被控對象時變參數(shù)的非線性被控對象的數(shù)學模型為：
在第100個采樣時刻，控制器加外部干擾0.20時，仿真結果分別如圖6、圖7所示。
從以上圖中可以看出，與傳統(tǒng)PID算法相比，基于BP神經(jīng)網(wǎng)絡的PID控制算法的超調(diào)量幾乎為0，穩(wěn)定速度快，而且能夠隨著系統(tǒng)參數(shù)的變化自動調(diào)整PID控制參數(shù)。當在第100個采樣時刻時控制器加外部干擾0.20時，基于BP神經(jīng)網(wǎng)絡的PID控制算法中的PID參數(shù)隨之進行了調(diào)整，從而在系統(tǒng)受到外部干擾時影響很小，很快再次達到穩(wěn)定。
由于反應釜過程的時變、非線性等特點，本文結合神經(jīng)網(wǎng)絡超強的自學習和非線性逼近能力，提出了基于BP神經(jīng)網(wǎng)絡的PID控制算法。此算法可保證系統(tǒng)輸出響應快、超調(diào)量小、調(diào)整時間短、控制精度高，而且具有較強的適應內(nèi)部參數(shù)變化和抗外部干擾的能力。通過對反應釜溫度仿真實驗控制，驗證了這種控制方法的有效性，并通過對比可知其性能明顯優(yōu)于常規(guī)的PID算法。本文提出的基于BP神經(jīng)網(wǎng)絡的PID控制算法具有廣闊的應用前景，同時也為進一步研究復雜系統(tǒng)的預估﹑預控等其他算法奠定了基礎。
參考文獻
[1] 許曉鳴，楊煜普，厲雋懌.基于神經(jīng)網(wǎng)絡的智能控制第三講.神經(jīng)網(wǎng)絡控制系統(tǒng)的控制結構[J].化工自動化及儀表，1995，22(5)：53-56.
[2] 戴曉瓏，孫一康.神經(jīng)網(wǎng)絡控制系統(tǒng)的研究概況[J].冶金自動化，1994，18(2)：3-7.
[3] 李少遠，王群仙，劉浩，等.神經(jīng)網(wǎng)絡在控制中的應用[J]. 天津紡織工學院學報，1997，16(4)：85-89.
[4] 朱仲邃.分段積分的PID算法在溫度控制系統(tǒng)中的應用[J].儀器儀表用戶，2005，12(1)：31-32.
[5] 于飛，劉喜梅，劉川來.神經(jīng)網(wǎng)絡自適應控制系統(tǒng)[J].青島化工學院學報，1996，17(2)：185-189.
下載文檔
