[发明专利]一种焦化炉炉膛压力系统模糊网络优化PID‑PFC控制方法

摘要

本发明公开了一种焦化炉炉膛压力系统模糊网络优化PID‑PFC控制方法。本发明方法首先基于焦化炉炉膛压力对象的阶跃响应数据建立炉膛压力对象的模型，提取出基本的对象的特性；然后依据模型设计控制器，并使用模糊RBF网络来整定相应的PID控制器参数；最后对焦化炉炉膛压力对象实施PID控制。本发明有效的提高了传统PFC控制方法的灵活性，同时也促进了模糊控制和神经网络控制方法的应用。

主权项

一种焦化炉炉膛压力系统模糊网络优化PID‑PFC控制方法，其特征在于该方法具体是：步骤1通过焦化炉炉膛压力对象的实时阶跃响应数据建立被控对象的模型，具体方法是：1.1给被控对象一个阶跃输入信号，记录被控对象的阶跃响应曲线；1.2将对应的阶跃响应曲线滤波处理成一条光滑曲线，然后将数值发生变化的曲线段拟合成一条直线，计算出模型的增益Km：Km＝q*ρ其中，q为过程模型的控制量的阶跃变化幅度，Km是建立的被控对象模型的增益系数，ρ是拟合的直线斜率；1.3记录步骤1.2中滤波处理后的光滑曲线上每个采样时刻对应的阶跃响应数据，第一个采样时刻为Ts1，相邻两个采样时刻间隔的时间为Ts1，采样时刻顺序为Ts1、2Ts1、3Ts1……；在记录的阶跃响应数据中找到数据开始上升的起始点ai，之前的数据分别记做a1,a2,…,ai‑1，模型的滞后时间参数τ为τ＝(i‑1)Ts1，最后得到被控对象的传递函数模型为：G(s)=KmTs+1e-τs]]>其中，q为过程的比例积分微分控制器输出的阶跃变化幅度，G(s)为过程对象的传递函数，s为拉普利斯变换算子，Km为模型的增益系数，T为模型的时间常数，τ为模型的滞后时间参数；步骤2设计过程对象的PFC控制器，具体是：2.1对得到的传递函数在采样时间Ts下加一个零阶保持器离散化，得到离散模型为：ym(k)＝amym(k‑1)+Km(1‑am)u(k‑1‑L)其中，ym(k)为k时刻的过程对象模型预测输出，为k‑1‑L时刻的过程对象的控制输入，L为离散传递函数模型的时滞，L＝τ/Ts；2.2计算过程对象去掉纯滞后以后在预测函数控制下的第P步预测输出，形式如下：ymav(k)＝amymav(k‑1)+Km(1‑am)u(k‑1)ymav(k+P)=amPymav(k-1)+Km(1-amP)u(k)]]>其中，P为预测步长，ymav(k+P)为k时刻去掉纯滞后的过程对象在预测函数控制下的第P步预测输出，ymav(k)为k时刻去掉纯滞后的过程模型输出；2.3修正当前时刻的实际输出得到包含未来预测信息的新的过程实际输出值，形式如下：ypav(k)＝yp(k)+ymav(k)‑ymav(k‑L)其中，ypav(k)为校正得到的k时刻包含未来预测信息的新的过程输出值，yp(k)为k时刻的实际输出值；2.4选取预测函数控制方法的参考轨迹yr(k+P)以及目标函数J，形式如下：yr(k+P)＝βPyp(k)+(1‑βP)c(k)J＝min(yr(k+P)‑ymav(k+P)‑e(k))2e(k)＝ypav(k)‑ymav(k)其中，β为参考轨迹柔化系数，c(k)为k时刻的设定值，e(k)为k时刻校正的误差值；2.5由步骤2.4中的目标函数进一步转化为PID控制目标函数的向量形式：J＝KIeTe+KP△eT△e+KD△2eT△2e其中，KI为按偏差的积分调节参数，KP为按偏差的比例调节参数，KD为按偏差的微分调节参数；将步骤1得到的模型转换成状态空间的形式如下：x·m=Axm+Bu]]>ym＝Cxm+due＝μg‑d,μ＝μ(n)T,g＝gk(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为延时算子；△2e＝△2μ△2g‑△2d,gk(i)＝CAi‑1Bfnj(0)+CAi‑2Bfnj(1)++CBfnj(i‑1)，A,B,C,d为状态空间形式系数，fnj(i)为基函数在t＝iT时的取值；进一步得到J＝KI(μg‑d)T(μg‑d)+KP(△μ△g‑△d)T(△μ△g‑△d)+KD(△2μ△2g‑△2d)T(△2μ△2g‑△2d)令求解并化简得到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由于可以得到最终的控制量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)为在n+i时刻的控制量；μj(n)为基函数加权系数；步骤3针对步骤2中设计控制器中的PID参数进行优化，具体是：3.1模糊RBF网络整定PID控制，该网络由输入层、模糊化层、模糊推理层及输出层构成，网络输出为Kp,Ki,Kd；3.2输入层的各个节点直接与输入量的各个分量连接，将该输入量传到下一层；对该层的每个节点i的输入输出表示为：f1(i)＝X＝[x1,x2,…,xn]3.3利用高斯型函数作为隶属度函数，cij和bij分别是第i个输入变量第j个模糊集合的隶属度函数的均值和标准差；f2(i,j)=exp[(f1(i)-cij)2(bij)2]]]>式中，i＝1,2,…,n；j＝1,2,…,n；3.4模糊推理层通过与模糊化层的连接来完成模糊规则的匹配，各个节点之间实现模糊运算，即通过各个模糊节点的组合得到相应的激活强度，每个节点j的输出为该节点所有输入信号的乘积，即：f3(j)=Πj=1Nf2(i,j)]]>式中，3.5输出层输出f4为Kp,Ki,Kd整定结果，该层由三个节点构成，即：f4(i)=w·f3=Σj=1Nw(i,j)·f3(j)]]>式中，wij组成输出节点与第三层各节点的连接权矩阵i＝1,2,3；3.6由步骤2.3到步骤2.6，求出控制量为：△u(k)＝f4·xc＝Kpxc(1)+Kixc(2)+Kdxc(3)其中，Kp＝f4(1),Ki＝f4(2),Kd＝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学习规则修正可调参数，定义目标函数为：E=12(rin(k)-yout(k))2]]>式中，rin(k)和yout(k)分别表示网络的实际输出和理想输出，每一个迭代步骤k的控制误差为rin(k)‑yout(k)；网络权值的学习算法如下：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，wj为网络输出节点与上一层各节点的连接权，j＝1,2,…,N，η为学习速率；若考虑动量因子，则输出层的权值为：wj(k)＝wj(k‑1)+△wj(k)+α(wj(k‑1)‑wj(k‑2))其中，k为网络的迭代步骤，α为学习动量因子；通过步骤3的模型设计出基于模糊控制的RBF网络，通过该网络的不断学习优化得到PID控制参数，在线调整控制性能。