基于BP神经网络的连续搅拌反应釜PID自校正控制

刘 斌 孙久强 崔洋洋 柳玉昕 潘 颖

(东北石油大学电气信息工程学院,黑龙江 大庆 163318)

PID控制方案具有对系统模型要求低、操作简单、可靠性高及鲁棒性强等优点，因此成为工业过程控制领域使用最广泛的控制策略之一[1]，被广泛应用于冶金、化工、电力及机械等工业过程控制。随着计算机技术的发展，以微处理器为核心的数字式PID控制算法已成为工业控制过程的主流，常用的数字式PID控制算法分为位置式PID控制算法和增量式PID控制算法[2]。

人工神经网络(Artificial Neural Network,ANN)作为一门新兴的边缘交叉学科，在自动控制、故障诊断及预测分析等领域得到了诸多应用[3]。ANN是由大量的、易于处理的单元广泛互联形成的复杂网络，在一定程度上反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力系统。虽然ANN与真正的生物神经网络有所差异，但它具备生物神经网络的基本工作特征和优点[4]：可进行大规模的并行处理，且计算速度快；具有非常强的容错性，局部损坏对全局结果影响不大；分布式的存储方式，信息存取在连接权值上，单个权值看不出信息内容；学习功能强大。

由于连续搅拌反应釜的强非线性和复杂性，国内外许多学者在连续搅拌反应釜系统的控制方面做了大量研究[5]。Shah M A和Meckl P H设计了一种基于径向基函数神经网络的在线控制连续反应釜系统，此算法具有极强的适应性[6]。Jalili-Kharaajoo M设计了一种基于模糊神经网络的预测控制方法，用以解决反应釜的时滞问题[7]。雷佳和蒋静坪提出了一种充分利用遗传算法的寻优特性对PID参数不断寻优、不断调整的方法，明显提高了系统的控制效果[8]。韩光信等提出了一种应用于连续搅拌反应釜的非线性鲁棒控制方案，对开车过程进行了优化[9]。吴伟林提出了一种基于神经元网络的自适应控制方法，有效改善了反应釜温度大时滞的问题，对反应釜温度进行了有效控制[10]。

目前，对连续搅拌反应釜控制技术的研究通常是将几种PID控制算法和神经网络算法相结合，取长补短，以得到更加令人满意的控制效果。在此，笔者将BP神经网络与PID自校正控制算法相结合，研究了一种新的连续搅拌反应釜控制技术，以期利用BP神经网络的逼近特性和PID自适应能力改善反应釜内的温度控制效果。

1 连续搅拌反应釜的工作原理①

连续搅拌反应釜结构示意图如图1所示。先按照一定的比例将反应物料混合，然后与催化剂一起投入反应釜内，将一定的高压蒸汽通入反应釜的夹套之中[11]。反应釜的夹套利用高压蒸汽将釜内物料的温度升高，搅拌釜进行搅拌使导热速度提高、物料和温度分布均匀。当反应釜内温度上升到设定温度时，釜内开始进行化学反应，而为了保证化学反应能够正常持续进行(即保持一定时间的恒温)，直至化学反应结束，在某些特殊情况下还需要进行二次升温和恒温。

图1 连续搅拌反应釜结构示意图

釜内温度偏低或偏高都会影响反应的转化率和反应进行的深度，从而对产品的质量产生影响，因此恒温阶段是整个工艺的关键。为了保证反应釜内温度稳定不偏高，通常将一定的冷却介质通入夹套中，用来将化学反应放出的多余热量及时移出，因此对反应釜夹套内冷却介质的流量进行控制是保证反应釜内温度恒定的关键。

2 基于BP神经网络的PID自校正控制

基于BP神经网络的PID自校正控制系统结构如图2所示。

图2 基于BP神经网络的PID自校正控制系统结构

已知非线性系统结构参数ny、nu及d等，则基于BP神经网络的PID自校正控制算法描述如下。

第二步，采样系统实际输出y(k)和参考输入yr(k)，并计算：

Δu(k)=KP(k-1)xc1(k)+KI(k-1)xc2(k)+

KD(k-1)xc3(k)

ec(k)=r(k)-y(k)

xc1(k)=ec(k)-ec(k-1)

xc2(k)=ec(k)

xc3(k)=ec(k)-2ec(k-1)+ec(k-2)

u(k)=u(k-1)+Δu(k)

其中，KP、KI、KD分别为PID控制律的调节参数。

第三步，计算当前神经网络输出ym(k)。输入层神经元输出为：

(1)

隐含层神经元输入为：

(2)

隐含层神经元输出为：

(3)

输出层神经元输出为：

(4)

第四步，利用式(1)～(4)计算雅可比矩阵(Jacobian)信息为：

第五步，计算KP(k)、KI(k)、KD(k)。采用梯度下降法调整PID参数，即：

则相应的PID参数调整过程如下：

KP(k)=KP(k-1)+ΔKP(k)+αc(KP(k-1)-

KP(k-2))

KI(k)=KI(k-1)+ΔKI(k)+αc(KI(k-1)-

KI(k-2))

KD(k)=KD(k-1)+ΔKD(k)+αc(KD(k-1)-

KD(k-2))

wj(2)(k-2))

wj(1)(k-2))

第七步，返回第二步，k←k+1，循环。

3 仿真实例

考虑被控对象y(k)=1.6065y(k-1)+0.6065y(k-2)+0.1065u(k-3)+0.0902u(k-4)。控制目标为跟踪控制，基于神经网络的自适应PID(NNPID)与经典PID控制效果的对比如图3所示，其中y-SET表示设定值，y-PID表示传统的PID控制效果，y-NNPID表示基于神经网络的自适应PID控制效果。图4给出了两种控制器的输出信号，即被控对象的输入信号(Input)，其中u-PID表示传统PID控制器输出，u-NNPID表示基于神经网络的自适应PID控制器输出。

图3 NNPID与经典PID的控制效果对比

图4 NNPID与经典PID的控制信号对比

从图3可以看出，基于神经网络的PID控制器与经典PID控制器相比，在保证具有相同暂态响应时间的前提下，前者具有较小的超调量。从图4可以看出，基于神经网络的PID控制器输出的控制信号远小于传统PID控制器的输出，这对于实际的控制过程而言，代表着更小的能量消耗和仪器折旧。

4 结束语

笔者设计了基于BP神经网络的PID自校正控制系统结构，并通过Matlab进行仿真，将NNPID与经典PID的控制效果、控制信号进行对比，结果表明：基于BP神经网络的PID控制器控制效果明显优于经典PID控制器，为连续搅拌反应釜内的化学反应恒温控制提供了重要保障。

[1] 陶永华,尹怡欣,葛芦生.新型PID控制及其应用[M].北京:机械工业出版社,2002.

[2] 徐祖华,赵均,钱积新.一种新颖的鲁棒PID控制器设计方法[J].化工学报,2009,60(1):118～121.

[3] 董长虹.Matlab神经网络与应用[M].北京:国防工业出版社,2005.

[4] 徐丽娜.神经网络控制[M].北京:电子工业出版社,2009.

[5] 张妍妍.连续搅拌反应釜的智能控制器设计[D].郑州:郑州大学,2007.

[6] Shah M A,Meckl P H.On-line Control of a Nonlinear System Using Radial Basis Function Neural Networks[C]. Proceedings of the American Control Conference. Seattle:IEEE,1995:4265～4269.

[7] Jalili-Kharaajoo M.Predictive Control of a Continuous Stirred Tank Reactor Based on Neuro-fuzzy Model of the Process[C].SICE 2003 Annual Conference. Fukui:IEEE,2003:3277～3282.

[8] 雷佳,蒋静坪.基于遗传算法的模型参考自适应控制[J].控制理论与应用,1998,15(3):466～468.

[9] 韩光信,王立国,杨世儒,等.连续搅拌反应釜的非线性H∞控制[J].吉林化工学院学报,2003,20(1):57～60.

[10] 吴伟林.基于神经元网络的间歇反应釜智能控制器的设计[J].微计算机信息,1997,13(5):11～13.

[11] 贾爱民,蒋静坪.连续搅拌反应釜的鲁棒控制[J].合成橡胶工业,1992,15(4):213～215.