镁蒸汽生成装置神经网络PID 控制性能研究

赵 曦，苏东海

镁蒸汽生成装置利用系统的升降平移旋转动作将原料混合、加热、反应来制备镁蒸汽。装置中的送料系统采用液压伺服控制系统，以使原料混合反应的过程更加平稳、快速。本文通过在构建的仿真模型中分别加入PID 控制模块和神经网络PID 控制模块，利用simulink 进行仿真及分析研究。

1 建立数学模型

2 PID 优化

由于被控对象无法达到期望值，需要对控制系统进行校正，使系统达到理想的输出效果。在经典控制方法中，首先考虑的是PID 控制。PID 控制以系统偏差为基础，利用线性组合方法，将偏差的比例、积分、微分系数组合在一起对被控对象进行控制，是一种反馈控制方法，先利用积分作用消除静态误差，再利用微分对未来进行预测。其控制规律为：

整定PID 参数的方法有很多种，本文先通过Z-N 临界比例法找到参数的最大值，再通过试凑法找到控制性能最好的一组参数[1]。在Simulink 中构建由PID 控制的系统仿真模型，仿真后得到系统阶跃响应曲线图（见图1）

图1 不同PID 参数的阶跃响应曲线

通过设定不同参数值，比较3 个参数对系统产生的影响，结果当KP=1.38，KI=1.28，KD=0.1 时，系统无超调，达到稳定的时间也较快,稳态误差符合系统要求。

3 神经网络PID 优化

神经网络PID 控制器可以解决普通PID 控制器无法实时调整，无法适应系统非线性的不足。神经网络PID 具有自适应、自学习的优点，并且可以逼近非线性函数。因此，可以优化系统的控制性能[2]。

3.1 单神经元PID 控制优化

单神经元中有3个连接权值，分别用这三个连接权值对PID 控制器中的三个参数进行替换（见图2）。

图2 单神经元PID 控制原理图

在控制过程中，需要加强单神经元之间的连接强度，修改加权值可以达到这一目的。在控制中采用学习规则修改加权值，所以神经网络的基本特征是对连接进行加强学习。本文采用有监督Hebb 学习规则[3]，将引入的误差通过学习规则自动调节输入权值。单神经元PID 控制器控制算法为：

PID 控制器的三个参数比例、积分、微分可以选择适合的学习速率；而对系统产生重要影响的另一个因素是单神经元中的比例系数K，K 值过大会缩短稳定时间，加快响应速度，但会产生较大超调，K 值偏小会延长稳定时间，所以选取K 值时应慎重。

在simulink 中对单神经元PID 控制模块进行编程与建模（见图3）。

图3 单神经元PID 控制模块

3.2 BP 神经网络PID 控制优化

将BP 神经网络与普通PID 结合，以系统性能的状态为基础，经过学习利用任意非线性表达能力可以取得最佳控制效果[4]。BP-PID 控制器由BP神经网络与经典PID 控制器两部分组成。在经典PID 控制器中，其三个基本参数需要及时调整，为此要通过BP 神经网络自学习来达到目的。学习率的取值过大或过小对系统都会产生影响，在学习过程中需要及时调整，且如何选择权值的储值也应该谨慎，如果储值不稳定就会对系统的学习速度产生影响（见图4）。

图4 BP 神经网络PID 控制器原理图

前馈网络由输入层、隐含层、输出层组成，BP 神经网络在三层前馈网络中可以双向传播。PID控制器中的三个参数与输出层中的三个输出对应，并且这三个参数的值为正。Sigmoid 函数值非负，作为输出层神经元活化函数。

对加权系数的修正，采用梯度下降法。BP 神经网络输出层加权系数的修正公式为：

在simulink 中对BP 神经网络PID 模块进行编程和构建，对单神经元PID 模块进行替换（见图5）。

在simulink 中对以上两种控制方式进行仿真，得到系统的阶跃曲线后，将两种控制方式与普通PID 进行对比（见图6）。

从仿真阶跃曲线可知，神经网络PID 的控制性能明显优普通PID，达到稳定所需时间更短，无超调，所以神经网络PID 控制算法对系统的控制能力更强。

4 结 语

本文通过对采用神经网络PID 控制的镁蒸汽生成装置进行研究，在建立系统的数学模型，创建神经网络PID 模块，利用Matlab/Simulink 进行仿真，与普通PID 控制进行对比后，得出以下结论：

（1） 加入PID 控制后会缩短系统的稳定时间，减小系统的超调。

（2） 在系统中用单神经元PID 控制和BP 神经网络PID 控制替换普通PID 控制后，系统的控制性能得到大幅改善。此种控制方式可以消除普通PID 控制的缺点，使系统达到稳定状态的时间更短。