基于小波神经网络模糊PID控制在粉末微控再生过滤器中的应用

华满香

（湖南铁道职业技术学院，株洲 412001）

0 引言

伴随着科学技术的持续发展，粉末微控再生过滤技术不断革新，机器设备也日新月异。智能控制在各种非稳定的动态工程系统中的应用越来越广泛和深入，特别是近年来取得的研究和应用成果更加令人瞩目。模糊PID控制技术的不断成熟，PID控制技术也逐渐应用于控制粉末的过滤和再生。粉末通常是指尺寸小于1mm的颗粒集合体，粉末的密度主要是指单位体积内的粉末所对应的质量。然而粉末又具有振实密度、松散密度和分散度等主要性能。这就决定了，控制粉末的再生和过滤不是一件简简单单的事，也并不容易，必须需要采用特殊的工艺技术，才能有效的控制粉末的再生过滤。由此，小波神经网络模糊PID控制技术应运而生，网络模糊PID控制技术有其自身的独特之处，在防止粉末再生和过滤方面起着重要的作用。

1 小波神经网络概况

小波神经网络根据自身的快速处理能力和反应能力，以及高强度的学习能力而获得越来越广泛的重视。小波神经网络的最主要的特征是并行处理和信息的分布式存储能力，以及高度的容错性和自学习能力等。小波神经网络是基于小波神经网络分析所构造的一种新型的神经网络模型，它具有良好的自学习功能。

小波神经网络相比较其它神经网络而言，它具有明显的独特的优势：一是对同样的学习任务，小波神经网络结构更加的简单，而且收敛速度更快；二是可以避免BP神经网络等结构上的设计盲目性；三是小波神经网络有更强的学习能力，精准度高。目前在BP神经网络的基础之上，结合了Legendre小波构造了Legendre小波神经网络。

在上述公式中，wi为权重系数，ai为小波神经网络模型函数的平移因子，bi为函数的伸缩因子，其中的x和y分别为系统中的输入和输出。

图1 小波神经网络结构图

在上图中，x输入层是一个缓冲器，输入层到隐含层中的权值为2m，隐含层中的函数φ，第k个隐含层中的阈值为k，整个网络中只有隐含层到输出单元的权值属于待定，小波神经网络输出将逼近函数f (x)。

2 神经网络模糊PID控制

2.1 PID控制

PID控制是比例、积分和微分控制的简称，PID控制具有适应性强、结构简单和鲁棒性好等优越性，也是目前应用最为广泛的控制技术之一。PID控制是现代化工业生产过程中，经常使用的一种控制方式，也是必不可少的控制技术。PID控制适用于需要进行高精度测量控制的系统，可以根据具体的控制对象演算出最佳的控制参数。

1）比例控制

所谓的比例控制，也就是控制器在运行过程中的输入和输出误差的信号成一定的比例关系，比例控制是一种简单的控制方式。

2）微分控制

所谓微分控制也就是控制器输入和输出误差信号的变化率呈现正比例关系，但是可能由于组件的缘故，在微分控制过程中可能会出现调节震荡甚至处于失稳状态。

3）积分控制

所谓积分控制也就是指控制器在输入和输出过程误差信号的积分变化率呈现正比例关系。

2.2 模糊PID控制

所谓模糊PID控制，主要是指利用模糊PID算法和模糊规则对PID控制的比例、积分和微分等系数进行实时优化和处理的过程，以达到最优的控制效果。模糊PID控制总共包括模糊规则推理、PID控制器、参数模糊化、参数解模糊等组成部分。计算机根据自身所设定的输入和输出反馈信号，计算实际位置和理论位置的偏差以及当前位置的偏差变化，并且根据模糊规则进行模糊推理，正确的输出PID控制器的比例、积分和微分等系数。

模糊神经网络由输入层、隐含层和输出层，其中隐含层包括模糊化层和模糊推理层。输入层主要是指输入变量的个数，把各分量相连接，然后再传递到下一层中。隐含层的主要功能是模糊化输入变量，其主要作用是计算每个输入分量，属于各语言变量值模糊集合的隶属度函数。详情请见图2。

2.3 模糊PID控制的设计步骤

图2 基于标准模型的模糊PID控制

1）首先确定模糊PID控制网络输入层的节点个数和隐含层节点的个数以及输出节点的个数，设定各层面的加权为初始值，选定学习速率η及动量因子α，此刻k=1。

2）采样得到rin(k)和yout(k)，计算该时刻误差error=rin(k)-yout(k)。其中rin(k)表示网络理想输出，yout(k)表示为网络实际输出，而rin(k)-yout(k)则表示为每一个迭代步骤k的控制误差。

3）计算各PID层的输入、输出系数，输出层输出即为PID控制器的三个可调参数Kp、Ki、Kd。

4）采用PID的控制算法，计算PID控制器的输出状况。

5）最后判断精准度是否满足要求，如果不满足置k=k+1，返回到第一步，重新开始，否则结束程序。

3 粉末微控再生过滤器设计

粉末微控再生过滤器涡流再生控制的设计思想如图3所示。在其机械组织结构内部设置两个通道，每个通道安装一套粉末微控过滤器及再生控制装置，其中包括温度传感器、压力传感器及涡流再生微孔过滤器。粉末微控再生过滤器设计原理是：根据排气管道内德压力差的大小决定是否启动涡流再生系统，在根据微控过滤器的温度高低来决定通电时间的长短以及涡流频率，即控制涡流发热量，消除过滤器内部的沉积粉末。

图3 粉末微控再生过滤器的结构以及原理

当B通道中的ΔP大于等于2000Pa时，其中ΔP是指P1-P2。排气切换阀将排气切换到A通道同时启动B通道涡流再生系统，通过涡流发热使粉末微控过滤器的温度上升到 800℃，并维持一定时间，烧去B通道过滤器的沉积微粒实现再生。与此同时，当A通道中的ΔP大于等于2000Pa时，排气切换阀门将排气切换到B通道，同时启动A通道涡流再生系统，通过涡流发热使粉末微控过滤器的温度上升到 800℃，并维持一定时间，除去A通道过滤器的沉积微粒实现再生，A通道再生结束等待B侧通道再生过程，在排气过程中，A和B两个通道交替进行过滤及再生。涡流发热的控制如图 4所示。

图4 涡流发热的控制原理图

在小波神经模糊PID控制中，利用感应加热装置，可以实现粉末微控过滤器的再生。在粉末微控过滤器的外部绕上线圈，并通以交流电，交流电在线圈内激发高频磁场，此时在粉末微控过滤器内产生涡流，并且释放出了大量焦耳热，将沉积在粉末微控过滤器内的粉末消除。

由上述内容可知，涡流强度与交流电的频率呈现正比例关系。因此可以通过调节交流电的大小来控制涡流的大小，从而控制粉末微控过滤器的外部温度以实现再生功能。

4 模糊PID控制的应用

4.1 压力传感器和温度传感器

以汽车为例，粉末微控再生过滤器的压力传感器检测出排气通道过滤器前后的压力，通过小波神经网络模糊PID控制技术检测精度高，而且响应性速度快，结构简单。

以汽车为例，在汽车传感器中，可以测量眼里的传感器有很多，按不同的标准可以分为很多种类。按其传感器的信号产生原理可分为频率型和电压型两大类。模糊PID控制技术在汽车尾气排放中的应用，主要采用的是半导体压敏电阻式压力传感器，它是利用半导体具有压敏效应制作而成的。该传感器具有自身独特的优势，主要包括尺寸体积小、精准度高、抗震性能好最主要的事生产的成本低，经济效益好。

在汽车中检测温度的传感器主要采用的是热电式，主要分为以下两大类：一是非接触式，非接触式的传感器主要是凭借利用了物质的热辐射原理作用，无需接触即可感应。二是接触式，接触式是指热电传感器在热平衡原理的基础之上，敏感性德元器件必须与被测介质保持热接触。

4.2 模糊PID控制功能

在小波神经网络模糊PID控制技术中，控制器是其核心部件，起着关键性的作用，它能够存储大量的数据信息，并且可以对这些数据信息进行处理，因此PID控制具有存储数据、转换信号和计算以及检测及保护等功能。这些功能的实现必须要有以下电路的支持：

1）输入电路，主要是指由低通过滤波器和输入放大器组成，将其中的模拟信号转变为数字信号的集成化电路芯片结构，输入电路最基本的作用就是将各传感器连接起来，最终形成放大输入运算电路。

2）运算电路，主要作用就是接收输入放大电路传来的控制信号，以及过滤器的温度的信号，用来将传感器的信号过滤波整形、放大和转变为能够控制和执行的元件工作波形，也就是计算线圈通电的时间长度以及电流控制参数，对再生粉末过滤再生过程进行控制。

3）输出电路，是指接收上一个过程中的运算电路发出来的控制信号。并以此对电机以及涡流线圈进行监督和控制。输入和输出接口电路能协调控制器与传感器以及执行元件之间的工作。

4）安全保护电路，主要是对输入和输出电路进行检测，当控制系统或者是传感器发生故障时，它能很快的自动地检测出故障的具体部位以及故障的原因，并点亮仪表板上的报警灯提示粉末过滤再生系统出现故障。而且还可以对电机的其他状况进行维护，具有故障自诊断和保护功能。

4.3 粉末控制再生过滤执行元件

粉末微控再生过滤器技术的执行元件主要是再生切换阀的驱动电机和过滤器上的线圈。而过滤再生切换阀的功能主要是根据控制器上的信号，转换再生通道。切换阀的转动主要是凭借电动机的驱动才能得以实现的，在实际生活中电动机是可以双向转动。

5 结束语

综上所述，随着控制理论的不断完善和发展，神经网络模糊PID控制算法将在控制中发挥着关键性的作用，具有广泛的应用前景。神经网络模糊PID控制继承了传统的PID控制的鲁棒性好、可靠性强、调整方便等优点，同时又具有模糊PID控制的自适应的能力，可以对PID的参数进行实时的调整，还整合了神经网络学习能力，对于实际的情况进行学习得到最合适的调节方案。在粉末微控再生过滤器中应用小波神经网络模糊PID控制技术，可以很好的控制粉末的再生和过滤，以及防止粉末再生等状况。

[1] 石锦芸, 孟金来. 粉末冶金微孔过滤器及其再生技术研究[J].拖拉机与农用运输车, 2008, (04).

[2] 刘金琨. 先进PID控制机器MATLAB仿真[M]. 电子工业出版社, 2003.

[3] 陈伟根, 云玉新. 基于遗传算法进化小波神经网络的电力变压器故障诊断[J]. 电力系统自动化, 2007, (02).

[4] 张秀玲, 郑翠翠. 基于参数优化的自适应模糊神经网络控制在污水处理中的应用[J]. 化工自动化及仪表, 2009,(03).