[發(fā)明專利]一種焦化爐爐膛壓力系統(tǒng)模糊網(wǎng)絡(luò)優(yōu)化PID?PFC控制方法

在審

• 申請?zhí)枺?/td>: 201710175746.X
• 申請日: 2017-03-22
• 公開（公告）號(hào): CN107065541A
• 公開（公告）日: 2017-08-18
• 發(fā)明（設(shè)計(jì)）人: 張日東;王玉中
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G05B13/04
• 分類號(hào): G05B13/04
• 代理公司: 杭州奧創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司33272
• 代理人: 王佳健

1.一種焦化爐爐膛壓力系統(tǒng)模糊網(wǎng)絡(luò)優(yōu)化PID-PFC控制方法，其特征在于該方法具體是：

步驟1通過焦化爐爐膛壓力對象的實(shí)時(shí)階躍響應(yīng)數(shù)據(jù)建立被控對象的模型，具體方法是：

1.1給被控對象一個(gè)階躍輸入信號(hào)，記錄被控對象的階躍響應(yīng)曲線；

1.2將對應(yīng)的階躍響應(yīng)曲線濾波處理成一條光滑曲線，然后將數(shù)值發(fā)生變化的曲線段擬合成一條直線，計(jì)算出模型的增益K_m：

K_m＝q*ρ

其中，q為過程模型的控制量的階躍變化幅度，K_m是建立的被控對象模型的增益系數(shù)，ρ是擬合的直線斜率；

1.3記錄步驟1.2中濾波處理后的光滑曲線上每個(gè)采樣時(shí)刻對應(yīng)的階躍響應(yīng)數(shù)據(jù)，第一個(gè)采樣時(shí)刻為T_s1，相鄰兩個(gè)采樣時(shí)刻間隔的時(shí)間為T_s1，采樣時(shí)刻順序?yàn)門_s1、2T_s1、3T_s1……；在記錄的階躍響應(yīng)數(shù)據(jù)中找到數(shù)據(jù)開始上升的起始點(diǎn)a_i，之前的數(shù)據(jù)分別記做a₁,a₂,…,a_i-1，模型的滯后時(shí)間參數(shù)τ為τ＝(i-1)T_s1，最后得到被控對象的傳遞函數(shù)模型為：

G(s)=KmTs+1e-τs]]>

其中，q為過程的比例積分微分控制器輸出的階躍變化幅度，G(s)為過程對象的傳遞函數(shù)，s為拉普利斯變換算子，K_m為模型的增益系數(shù)，T為模型的時(shí)間常數(shù)，τ為模型的滯后時(shí)間參數(shù)；

步驟2設(shè)計(jì)過程對象的PFC控制器，具體是：

2.1對得到的傳遞函數(shù)在采樣時(shí)間T_s下加一個(gè)零階保持器離散化，得到離散模型為：

y_m(k)＝a_my_m(k-1)+K_m(1-a_m)u(k-1-L)

其中，y_m(k)為k時(shí)刻的過程對象模型預(yù)測輸出，為k-1-L時(shí)刻的過程對象的控制輸入，L為離散傳遞函數(shù)模型的時(shí)滯，L＝τ/T_s；

2.2計(jì)算過程對象去掉純滯后以后在預(yù)測函數(shù)控制下的第P步預(yù)測輸出，形式如下：

y_mav(k)＝a_my_mav(k-1)+K_m(1-a_m)u(k-1)

ymav(k+P)=amPymav(k-1)+Km(1-amP)u(k)]]>

其中，P為預(yù)測步長，y_mav(k+P)為k時(shí)刻去掉純滯后的過程對象在預(yù)測函數(shù)控制下的第P步預(yù)測輸出，y_mav(k)為k時(shí)刻去掉純滯后的過程模型輸出；

2.3修正當(dāng)前時(shí)刻的實(shí)際輸出得到包含未來預(yù)測信息的新的過程實(shí)際輸出值，形式如下：

y_pav(k)＝y(tǒng)_p(k)+y_mav(k)-y_mav(k-L)

其中，y_pav(k)為校正得到的k時(shí)刻包含未來預(yù)測信息的新的過程輸出值，y_p(k)為k時(shí)刻的實(shí)際輸出值；

2.4選取預(yù)測函數(shù)控制方法的參考軌跡y_r(k+P)以及目標(biāo)函數(shù)J，形式如下：

y_r(k+P)＝β^Py_p(k)+(1-β^P)c(k)

J＝min(y_r(k+P)-y_mav(k+P)-e(k))²

e(k)＝y(tǒng)_pav(k)-y_mav(k)

其中，β為參考軌跡柔化系數(shù)，c(k)為k時(shí)刻的設(shè)定值，e(k)為k時(shí)刻校正的誤差值；

2.5由步驟2.4中的目標(biāo)函數(shù)進(jìn)一步轉(zhuǎn)化為PID控制目標(biāo)函數(shù)的向量形式：

J＝K_Ie^Te+K_P△e^T△e+K_D△²e^T△²e

其中，K_I為按偏差的積分調(diào)節(jié)參數(shù)，K_P為按偏差的比例調(diào)節(jié)參數(shù)，K_D為按偏差的微分調(diào)節(jié)參數(shù)；

將步驟1得到的模型轉(zhuǎn)換成狀態(tài)空間的形式如下：

x·m=Axm+Bu]]>

y_m＝Cx_m+du

e＝μg-d,μ＝μ(n)^T,g＝g_k(i)v,d＝d(n+i),△e＝△μ△g-△d

其中，△μ＝μ(n)-μ(n-1)＝μ(n)-q^-1μ(n)＝(1-q^-1)μ，q為延時(shí)算子；△²e＝△²μ△²g-△²d,g_k(i)＝CA^i-1Bf_nj(0)+CA^i-2Bf_nj(1)++CBf_nj(i-1)，A,B,C,d為狀態(tài)空間形式系數(shù)，f_nj(i)為基函數(shù)在t＝iT時(shí)的取值；

進(jìn)一步得到

J＝K_I(μg-d)^T(μg-d)+K_P(△μ△g-△d)^T(△μ△g-△d)

+K_D(△²μ△²g-△²d)^T(△²μ△²g-△²d)

令求解并化簡得到

μ=[KI+KP(1-q-1)3+KD(1-2q-1+q-2)3](gTd+dTg)2[KI+(1-q-1)4KP+(1-2q-1+q-2)4KD]gTg]]>

2.6由于可以得到最終的控制量

u(n)=fn(0)T×[KI+KP(1-q-1)3+KD(1-2q-1+q-2)3]2[KI+(1-q-1)4KP+(1-2q-1+q-2)4KD]gTd+dTggTg]]>

其中，u(n+i)為在n+i時(shí)刻的控制量；μ_j(n)為基函數(shù)加權(quán)系數(shù)；

步驟3針對步驟2中設(shè)計(jì)控制器中的PID參數(shù)進(jìn)行優(yōu)化，具體是：

3.1模糊RBF網(wǎng)絡(luò)整定PID控制，該網(wǎng)絡(luò)由輸入層、模糊化層、模糊推理層及輸出層構(gòu)成，網(wǎng)絡(luò)輸出為K_p,K_i,K_d；

3.2輸入層的各個(gè)節(jié)點(diǎn)直接與輸入量的各個(gè)分量連接，將該輸入量傳到下一層；對該層的每個(gè)節(jié)點(diǎn)i的輸入輸出表示為：

f₁(i)＝X＝[x₁,x₂,…,x_n]

3.3利用高斯型函數(shù)作為隸屬度函數(shù)，c_ij和b_ij分別是第i個(gè)輸入變量第j個(gè)模糊集合的隸屬度函數(shù)的均值和標(biāo)準(zhǔn)差；

f2(i,j)=exp[(f1(i)-cij)2(bij)2]]]>

式中，i＝1,2,…,n；j＝1,2,…,n；

3.4模糊推理層通過與模糊化層的連接來完成模糊規(guī)則的匹配，各個(gè)節(jié)點(diǎn)之間實(shí)現(xiàn)模糊運(yùn)算，即通過各個(gè)模糊節(jié)點(diǎn)的組合得到相應(yīng)的激活強(qiáng)度，每個(gè)節(jié)點(diǎn)j的輸出為該節(jié)點(diǎn)所有輸入信號(hào)的乘積，即：

f3(j)=Πj=1Nf2(i,j)]]>

式中，

3.5輸出層輸出f₄為K_p,K_i,K_d整定結(jié)果，該層由三個(gè)節(jié)點(diǎn)構(gòu)成，即：

f4(i)=w·f3=Σj=1Nw(i,j)·f3(j)]]>

式中，w_ij組成輸出節(jié)點(diǎn)與第三層各節(jié)點(diǎn)的連接權(quán)矩陣i＝1,2,3；

3.6由步驟2.3到步驟2.6，求出控制量為：

△u(k)＝f₄·xc＝K_pxc(1)+K_ixc(2)+K_dxc(3)

其中，

K_p＝f₄(1),K_i＝f₄(2),K_d＝f₄(3)

xc(1)＝e(k)

xc(2)＝e(k)-e(k-1)

xc(3)＝e(k)-2e(k-1)+e(k-2)

3.7采用Delta學(xué)習(xí)規(guī)則修正可調(diào)參數(shù)，定義目標(biāo)函數(shù)為：

E=12(rin(k)-yout(k))2]]>

式中，rin(k)和yout(k)分別表示網(wǎng)絡(luò)的實(shí)際輸出和理想輸出，每一個(gè)迭代步驟k的控制誤差為rin(k)-yout(k)；網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法如下：

Δwj(k)=-η·∂E∂wj=η·(rin(k)-yout(k))·∂yout∂Δu∂Δu∂f4∂f4∂wj=η·(rin(k)-yout(k))·∂yout∂Δuxc(j)f3(j)]]>

式中，w_j為網(wǎng)絡(luò)輸出節(jié)點(diǎn)與上一層各節(jié)點(diǎn)的連接權(quán)，j＝1,2,…,N，η為學(xué)習(xí)速率；

若考慮動(dòng)量因子，則輸出層的權(quán)值為：

w_j(k)＝w_j(k-1)+△w_j(k)+α(w_j(k-1)-w_j(k-2))

其中，k為網(wǎng)絡(luò)的迭代步驟，α為學(xué)習(xí)動(dòng)量因子；

通過步驟3的模型設(shè)計(jì)出基于模糊控制的RBF網(wǎng)絡(luò)，通過該網(wǎng)絡(luò)的不斷學(xué)習(xí)優(yōu)化得到PID控制參數(shù)，在線調(diào)整控制性能。