流量试验装置介质油变黏度人工神经网络控制

　　流量试验装置的介质油变黏度控制是一个变工作点、变参数、含纯滞后的控制对象,采用传统的PID(比例微分积分)控制无法达到期望的控制效果.由于人工神经网络的自适应性和自学习能力,应用人工神经网络智能控制可提高控制系统的性能,满足控制系统要求的动态和稳态性能.BP(误差反向传播)网络具有逼近任意非线性函数的能力,而且结构和学习算法简洁明了.本文基于LabVIEW平台设计了BP网络PID参数自适应控制器,进行了实时控制,效果良好.

　　1　被控对象与温度控制系统

　　变黏度油流量试验装置包括3个独立的流量回路,其中一个回路如下页图1所示.油泵将油罐内的介质油泵入管路,经管道中的电加热器加热调节介质油黏度,介质油经过滤器和观测台后流回油罐,油罐内装有冷凝器.由于试验装置的介质油黏度与温度成函数关系,因此,介质油黏度的改变可利用温度变化进行调节.温度控制系统硬件如图2所示,温度传感器采用Pt 100热电阻,数据采集卡为PCI1711,加热装置采用固态继电器控制电加热器.系统要求的流量范围为0.5~30 m3/h,介质温度控制范围为-5~80℃,介质温度控制精度为±1℃,调节时间ts≤10 min.

　　控制原理结构如图3所示.控制器由两部分组成,一部分是经典PID控制器,直接对被控对象进行闭环控制,KP、KI和KD这3个参数在线整定;另一部分是基于BP算法的神经网络(NN),网络根据系统的在线运行性能和状态,实时地调节PID的3个参数,通过神经网络自身学习,可以找到一组PID的3个参数,以达到性能指标的最优化.BP神经网络NN如图4所示.图中的r为输入量,y为输出量,e为偏差量,K为增益系数,Z-1为延迟一拍环节.

　　BP神经网络输入层的输出为

　　式中,x(j)为网络的输入;下标a表示输入层.

　　网络隐含层的输入、输出为

　　式中,wbij为隐含层加权系数;下标b、c表示隐含层、输出层;f[]为隐含层神经元的激励函数,取正负对称的Sigmoid函数.

　　网络输出层的输入、输出为

　　式中,wcli为输出层加权系数.

　　选取非负的Sigmoid函数作为输出层神经元的激励函数.取性能指标函数

　　式中,r(k)表示k时刻系统的输入;y(k)表示k时刻系统的输出.

　　由于未知,所以近似用符号函数取代,由此带来的计算不精确的影响,通过调整学习速率η来补偿.最终的网络输出层权值的学习算法为

　　式中,δci为网络输出层误差系数.

　　输出层权值迭代算法为

　　式中,α为动量因子.