CN107065541A - 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法 - Google Patents

一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法 Download PDF

Info

Publication number
CN107065541A
CN107065541A CN201710175746.XA CN201710175746A CN107065541A CN 107065541 A CN107065541 A CN 107065541A CN 201710175746 A CN201710175746 A CN 201710175746A CN 107065541 A CN107065541 A CN 107065541A
Authority
CN
China
Prior art keywords
mrow
msub
msup
mfrac
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710175746.XA
Other languages
English (en)
Inventor
张日东
王玉中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201710175746.XA priority Critical patent/CN107065541A/zh
Publication of CN107065541A publication Critical patent/CN107065541A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Abstract

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。

Description

一种焦化炉炉膛压力系统模糊网络优化PID-PFC控制方法
技术领域
本发明属于自动化技术领域，涉及一种焦化炉炉膛压力系统模糊网络优化PID-PFC控制方法。
背景技术
在实际工业生产过程中，由于实际过程对象存在很多不为人所知的复杂的物理或化学特性，对系统控制过程产生干扰。针对应用于工业过程中的系统具有大时滞、时变性、非线性等特点，采用传统的PID控制方法难以实现良好的控制效果，所以更加先进、控制效果更好的算法仍然有待研究。
焦化炉炉膛压力系统是石油化工生产过程中的重要装置，其中炉膛压力对裂解过程有着非常重要的影响，炉膛压力过大可能会带来很多安全隐患，而炉膛压力过低也会导致裂解效率变低。由于预测函数控制(PFC)算法鲁棒性强，计算量小等特点，因此在工业过程中取得了较为广泛的应用并取得了很好的控制效果。但是它对硬件要求较高，如果能够将PID控制算法与PFC算法进行结合将会使得控制效果具有良好的鲁棒性和抗干扰能力。由于神经网络具有较强的自学习和联想功能，而模糊系统相对于神经网络而言，具有推理过程容易理解、专家知识利用较好，所以，将模糊控制与神经网络的优点进行结合来优化PID，将会有效改善系统的瞬时响应、稳态精度和鲁棒性，具有良好的工业利用前景。
发明内容
本发明的目的是针对现有的PFC控制方法的应用不足之处，提出了一种使用PID控制算法来优化PFC控制，并通过模糊RBF网络优化PID控制方法，以获得更好的实际控制性能。
该方法具有PFC算法鲁棒性强和PID控制算法抗干扰性好的优点，并且将模糊控制与神经网络控制方法进行结合，得到了一种优化PID控制方法。该方法继承了PFC算法和PID算法的优良特性的同时也保证了PID参数的在线调整，从而满足了实际过程的需要。
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。
本发明方法的步骤包括：
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：
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，u(k-1-L)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)
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))2
e(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中的目标函数可以进一步转化为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：
ym＝Cxm+du
e＝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。
可进一步得到
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
2.6由于可以得到最终的控制量
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，具体方法是：
3.1模糊RBF网络整定PID控制，该网络将由输入层、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。
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：
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：
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，可以求出控制量为：
△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：
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：
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。
本发明提出的是一种焦化炉炉膛压力系统模糊网络优化PID-PFC控制方法,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。
具体实施方式
以焦化炉炉膛压力过程控制为例：
焦化炉炉膛压力是焦化炉裂解过程中的重要参数，调节手段采用烟道挡板的开度。
本发明方法的步骤包括：
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：
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，u(k-1-L)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再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)
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))2
e(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中的目标函数可以进一步转化为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：
ym＝Cxm+du
e＝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。
可进一步得到
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
2.6由于可以得到最终的控制量
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；fnj(i)为基函数在t＝iT时的取值。
步骤3针对步骤2中设计控制器中的PID参数进行优化，具体方法是：
3.1模糊RBF网络整定PID控制，该网络将由输入层、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。
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：
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：
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有步骤2.3到步骤2.6，可以求出控制量为：
△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：
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：
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。

Claims (1)

1.一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：
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>K</mi> <mi>m</mi> </msub> <mrow> <mi>T</mi> <mi>s</mi> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>&amp;tau;</mi> <mi>s</mi> </mrow> </msup> </mrow>
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)
<mrow> <msub> <mi>y</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>P</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>a</mi> <mi>m</mi> <mi>P</mi> </msubsup> <msub> <mi>y</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>K</mi> <mi>m</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msubsup> <mi>a</mi> <mi>m</mi> <mi>P</mi> </msubsup> <mo>)</mo> </mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow>
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))2
e(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：
<mrow> <msub> <mover> <mi>x</mi> <mo>&amp;CenterDot;</mo> </mover> <mi>m</mi> </msub> <mo>=</mo> <msub> <mi>Ax</mi> <mi>m</mi> </msub> <mo>+</mo> <mi>B</mi> <mi>u</mi> </mrow>
ym＝Cxm+du
e＝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
<mrow> <mi>&amp;mu;</mi> <mo>=</mo> <mfrac> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>K</mi> <mi>I</mi> </msub> <mo>+</mo> <msub> <mi>K</mi> <mi>P</mi> </msub> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>3</mn> </msup> <mo>+</mo> <msub> <mi>K</mi> <mi>D</mi> </msub> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>3</mn> </msup> <mo>&amp;rsqb;</mo> <mrow> <mo>(</mo> <msup> <mi>g</mi> <mi>T</mi> </msup> <mi>d</mi> <mo>+</mo> <msup> <mi>d</mi> <mi>T</mi> </msup> <mi>g</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>2</mn> <mo>&amp;lsqb;</mo> <msub> <mi>K</mi> <mi>I</mi> </msub> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>4</mn> </msup> <msub> <mi>K</mi> <mi>P</mi> </msub> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>4</mn> </msup> <msub> <mi>K</mi> <mi>D</mi> </msub> <mo>&amp;rsqb;</mo> <msup> <mi>g</mi> <mi>T</mi> </msup> <mi>g</mi> </mrow> </mfrac> </mrow>
2.6由于可以得到最终的控制量
<mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>f</mi> <mi>n</mi> </msub> <msup> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>&amp;times;</mo> <mfrac> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>K</mi> <mi>I</mi> </msub> <mo>+</mo> <msub> <mi>K</mi> <mi>P</mi> </msub> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>3</mn> </msup> <mo>+</mo> <msub> <mi>K</mi> <mi>D</mi> </msub> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>3</mn> </msup> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mn>2</mn> <mo>&amp;lsqb;</mo> <msub> <mi>K</mi> <mi>I</mi> </msub> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>4</mn> </msup> <msub> <mi>K</mi> <mi>P</mi> </msub> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>q</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <mo>)</mo> </mrow> <mn>4</mn> </msup> <msub> <mi>K</mi> <mi>D</mi> </msub> <mo>&amp;rsqb;</mo> </mrow> </mfrac> <mfrac> <mrow> <msup> <mi>g</mi> <mi>T</mi> </msup> <mi>d</mi> <mo>+</mo> <msup> <mi>d</mi> <mi>T</mi> </msup> <mi>g</mi> </mrow> <mrow> <msup> <mi>g</mi> <mi>T</mi> </msup> <mi>g</mi> </mrow> </mfrac> </mrow>
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；
<mrow> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msup> <mrow> <mo>(</mo> <msub> <mi>b</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mfrac> <mo>&amp;rsqb;</mo> </mrow>
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：
<mrow> <msub> <mi>f</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow>
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：
<mrow> <msub> <mi>f</mi> <mn>4</mn> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>w</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>f</mi> <mn>3</mn> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>w</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>f</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow>
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：
<mrow> <mi>E</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <mi>r</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
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：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;Delta;w</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mi>&amp;eta;</mi> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>E</mi> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> </mrow> </mfrac> <mo>=</mo> <mi>&amp;eta;</mi> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mi>r</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> <mrow> <mo>&amp;part;</mo> <mi>&amp;Delta;</mi> <mi>u</mi> </mrow> </mfrac> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>&amp;Delta;</mi> <mi>u</mi> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>f</mi> <mn>4</mn> </msub> </mrow> </mfrac> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>f</mi> <mn>4</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mi>&amp;eta;</mi> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mi>r</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mi>o</mi> <mi>u</mi> <mi>t</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>y</mi> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> <mrow> <mo>&amp;part;</mo> <mi>&amp;Delta;</mi> <mi>u</mi> </mrow> </mfrac> <mi>x</mi> <mi>c</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <msub> <mi>f</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
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。
CN201710175746.XA 2017-03-22 2017-03-22 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法 Pending CN107065541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710175746.XA CN107065541A (zh) 2017-03-22 2017-03-22 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710175746.XA CN107065541A (zh) 2017-03-22 2017-03-22 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法

Publications (1)

Publication Number Publication Date
CN107065541A true CN107065541A (zh) 2017-08-18

Family

ID=59620121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710175746.XA Pending CN107065541A (zh) 2017-03-22 2017-03-22 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法

Country Status (1)

Country Link
CN (1) CN107065541A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008634A (zh) * 2017-12-12 2018-05-08 浙江大学 Miso偏格式无模型控制器基于偏导信息的参数自整定方法
CN108089442A (zh) * 2017-12-12 2018-05-29 浙江大学宁波理工学院 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法
CN108107727A (zh) * 2017-12-12 2018-06-01 浙江大学 Miso紧格式无模型控制器基于偏导信息的参数自整定方法
CN116625134A (zh) * 2023-07-24 2023-08-22 苏州弘皓光电科技有限公司 基于5g技术的电炉温度监测控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04188201A (ja) * 1990-11-21 1992-07-06 Sanyo Electric Co Ltd ファジィ知識構築装置
WO2012047874A2 (en) * 2010-10-04 2012-04-12 Ofs Fitel, Llc Statistical prediction functions for natural chaotic systems and computer models thereof
CN103336437A (zh) * 2013-07-19 2013-10-02 杭州电子科技大学 基于预测函数控制优化的非自衡对象控制方法
CN103389746A (zh) * 2013-07-19 2013-11-13 杭州电子科技大学 预测函数控制优化的废塑料炼油裂解炉炉膛压力控制方法
CN105700357A (zh) * 2016-02-25 2016-06-22 南京信息工程大学 基于多变量pid-pfc的锅炉燃烧系统控制方法
CN106371321A (zh) * 2016-12-06 2017-02-01 杭州电子科技大学 一种焦化炉炉膛压力系统模糊网络优化pid控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04188201A (ja) * 1990-11-21 1992-07-06 Sanyo Electric Co Ltd ファジィ知識構築装置
WO2012047874A2 (en) * 2010-10-04 2012-04-12 Ofs Fitel, Llc Statistical prediction functions for natural chaotic systems and computer models thereof
CN103336437A (zh) * 2013-07-19 2013-10-02 杭州电子科技大学 基于预测函数控制优化的非自衡对象控制方法
CN103389746A (zh) * 2013-07-19 2013-11-13 杭州电子科技大学 预测函数控制优化的废塑料炼油裂解炉炉膛压力控制方法
CN105700357A (zh) * 2016-02-25 2016-06-22 南京信息工程大学 基于多变量pid-pfc的锅炉燃烧系统控制方法
CN106371321A (zh) * 2016-12-06 2017-02-01 杭州电子科技大学 一种焦化炉炉膛压力系统模糊网络优化pid控制方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008634A (zh) * 2017-12-12 2018-05-08 浙江大学 Miso偏格式无模型控制器基于偏导信息的参数自整定方法
CN108089442A (zh) * 2017-12-12 2018-05-29 浙江大学宁波理工学院 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法
CN108107727A (zh) * 2017-12-12 2018-06-01 浙江大学 Miso紧格式无模型控制器基于偏导信息的参数自整定方法
CN108107727B (zh) * 2017-12-12 2020-06-09 浙江大学 Miso紧格式无模型控制器基于偏导信息的参数自整定方法
CN108008634B (zh) * 2017-12-12 2020-06-09 浙江大学 Miso偏格式无模型控制器基于偏导信息的参数自整定方法
CN108089442B (zh) * 2017-12-12 2020-12-15 浙江大学宁波理工学院 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法
CN116625134A (zh) * 2023-07-24 2023-08-22 苏州弘皓光电科技有限公司 基于5g技术的电炉温度监测控制方法及系统
CN116625134B (zh) * 2023-07-24 2023-10-24 苏州弘皓光电科技有限公司 基于5g技术的电炉温度监测控制方法及系统

Similar Documents

Publication Publication Date Title
CN107065541A (zh) 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN107045289A (zh) 一种电加热炉温度的非线性神经网络优化pid控制方法
CN103557037B (zh) 一种基于自适应逆控制的汽轮机转速控制方法
CN104765350B (zh) 基于组合模型预测控制技术的水泥分解炉控制方法及系统
CN101761917B (zh) 一种锅炉过热汽温模糊控制方法
CN106682735B (zh) 基于pid调节的bp神经网络算法
CN107515598A (zh) 基于多参数动态矩阵控制的火电机组分布式协调控制系统
CN111983918A (zh) 一种基于改进型模糊Smith-PID的电加热炉温度控制方法
CN106483853A (zh) 炼油加热炉炉膛压力的分数阶分布式动态矩阵控制方法
CN106774379A (zh) 一种智能超螺旋强鲁棒姿态控制方法
CN106325074A (zh) 一种基于布谷鸟算法的pid控制器参数智能整定方法
CN107908106A (zh) 二次再热机组再热汽温的自降阶多回路集中预估控制系统
CN105182755A (zh) 一种工业加热炉系统的分数阶预测函数控制方法
CN114509949A (zh) 一种机器人预定性能的控制方法
CN105955014A (zh) 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法
CN108614435A (zh) 非线性无模型预测控制方法
CN105911865A (zh) 一种pid控制器的控制方法
CN105652666B (zh) 基于bp神经网络的大型模锻压机上横梁速度预测控制方法
Xia et al. Adaptive quantized output feedback DSC of uncertain systems with output constraints and unmodeled dynamics based on reduced-order K-filters
CN110535396A (zh) 基于bp神经网络的表面式永磁同步电机模型预测控制方法
CN106371321A (zh) 一种焦化炉炉膛压力系统模糊网络优化pid控制方法
CN112180733B (zh) 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法
CN106054616A (zh) 模糊逻辑优化pid控制器参数的钛带卷连续酸洗活套高度控制方法
CN100489704C (zh) 一种自适应模糊控制系统的设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170818