CN110554715A - 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 - Google Patents

Abstract

本发明涉及硫酸法生产钛白粉工艺过程控制领域，其公开了一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，提高水解工艺温度控制精度和稳定性。该方法包括以下步骤：A、设置参考温度、温度误差以及PID控制器的输入和输出；B、设定RBF神经网络结构及网络整定指标，利用RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定；C、PID控制器利用经过自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控。

Description

基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制 方法

技术领域

本发明涉及硫酸法生产钛白粉工艺过程控制领域，具体涉及一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法。

背景技术

钛白粉的主要生产工艺包括硫酸法和氯化法，目前国内仍以硫酸法钛白为主。在硫酸法钛白工艺中，水解不仅影响工业生产的经济性，而且对最终产品的质量有极大的影响，因此水解工序是硫酸法生产中最核心工序之一，也是整个工艺中控制最苛刻的地方之一。

针对工业控制领域中的非线性系统，采用传统PID控制由于控制参数无法进行自适应调整，控制精度较低、而且波动范围大，已经无法获得满意的效果。

发明内容

本发明所要解决的技术问题是：提出一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，提高水解工艺温度控制精度和稳定性。

本发明解决上述技术问题采用的技术方案是：

基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，应用于采用PID控制器对蒸汽加热调节阀进行调节控制的系统中，该方法包括以下步骤：

A、设置参考温度、温度误差以及PID控制器的输入和输出；

B、设定RBF神经网络结构及网络整定指标，利用RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定；

C、PID控制器利用经过自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控。

作为进一步优化，步骤A具体包括：

设置所述参考温度为r，温度误差为e(k)＝r(k)-y(k)；

其中y(k)为RBF神经网络整定后PID控制器实际输出，e(k)为表示参考输入与实际输出的偏差值，k表示当前时刻；

PID控制器输入为：

x1(k)＝e(k)＝r(k)-y(k)

x2(k)＝Δe(k)＝e(k)-e(k-1)

x3(k)＝Δ2e(k)＝Δe(k)-Δe(k-1)＝e(k)-e(k-1)-[e(k-1)-e(k-2)]

PID控制器输出为：

u(k)＝u(k-1)+Δu(k)＝u(k-1)+kp*x1(k)+ki*x2(k)+kd*x3(k)，

其中kp、ki、kd为PID控制器三个需要调整的调节参数。

作为进一步优化，步骤B具体包括：

设定RBF神经网络结构初始参数，包含隐含层节点数、节点基函数中心向量、节点基函数方差、输出层权重以及学习速率η；

设定神经网络输入层为：u(k)、y(k)、y(k-1)，输出为y_m(k)，设定神经网络整定指标为：E＝1/2[y(k)-y_m(k)]^2；

采用梯度下降法调整PID控制器的kp、ki、kd参数，使得整定指标最小：

其中，通过RBF神经网络不断自适应学习可以得到：

w为输出层权重，b为节点基函数方差，c为节点基函数中心向量，x为RBF神经网络输入层，m为隐含层神经元数量。

本发明的有益效果是：

结合RBF神经网络自学习、自适应的优点，用于PID控制器的参数整定中。利用基于RBF神经网络的温度PID控制算法对硫酸氧钛外加晶种水解工艺温度进行控制，达到计算结果更加快速、精确，从而实现精确实时控制的目的，并且控制波动小。

附图说明

图1为本发明中的基于RBF神经网络的PID控制原理图。

具体实施方式

本发明旨在提供一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，提高水解工艺温度控制精度和稳定性。其核心思想是：将RBF神经网络算法融入PID控制器的参数整定中，基于RBF神经网络自学习、自适应的优点不断学习PID控制器的输出、偏差以及三个调节参数之间的最佳非线性关系，从而输出自适应的PID调节参数，用于对PID控制器参数整定，原理如图1所示。

本基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，应用于采用PID控制器对蒸汽加热调节阀进行调节控制的系统中，该控制方法包括以下步骤：

步骤1、设置参考温度、温度误差及PID控制器的输入、输出：

参考温度为r，温度误差为e(k)＝r(k)-y(k)，其中y(k)为RBF神经网络整定后PID控制器实际输出，e(k)为表示参考输入与实际输出的偏差值，k表示当前时刻，PID控制器输入为：

x1(k)＝e(k)＝r(k)-y(k)

x2(k)＝Δe(k)＝e(k)-e(k-1)

x3(k)＝Δ2e(k)＝Δe(k)-Δe(k-1)＝e(k)-e(k-1)-[e(k-1)-e(k-2)]

PID控制器输出为：u(k)＝u(k-1)+Δu(k)＝u(k-1)+kp*x1(k)+ki*x2(k)+kd*x3(k)，其中kp、ki、kd为PID控制器三个需要调整的参数；

步骤2、设定RBF神经网络结构及网络整定指标，通过RBF神经网络自适应调整PID控制器参数kp、ki、kd：

设定RBF神经网络结构初始参数，包含隐含层节点数、节点基函数中心向量、节点基函数方差、输出层权重、学习速率η等，设定神经网络输入层为：u(k)、y(k)、y(k-1)输出为ym(k)，设定神经网络整定指标为：E＝1/2[y(k)-ym(k)]^2。

RBF神经网络的输入向量为X＝[u，y]T；u为PID控制器调节输出量，y为实际水解温度输出量；RBF神经网络的径向基向量h＝[h1，h2，h3…hn]T，其中h为高斯基函数；在高斯基函数中，c代表函数中心矢量c＝[c1,c2,c3...cn]T，b为基宽度；W为隐含层到输出层权重系数。

辨识网络输出：

辨识器性能指标：

E＝1/2[y(k)-ym(k)]^2

采用梯度下降法调整kp、ki、kd参数，使得整定指标最小：

其中，通过RBF神经网络不断自适应学习可以得到：

w为输出层权重，b为节点基函数方差，c为节点基函数中心向量，x为RBF神经网络输入层，m为隐含层神经元数量；

步骤3、PID控制器利用经过RBF神经网络自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控：

通过上述公式计算出每时刻ki、kp、kd参数，完成对PID控制参数的自适应调整，输出到执行机构蒸汽调节阀，实现基于RBF神经网络的PID水解温度控制。

在具体实施时，为了获取RBF神经网络辨识参数，我们选取了50组采样数据对系统进行训练。RBF神经网络学习速率为0.1，动量因子选择0.05。采用典型三层网络模型，隐层节点数为6个。通过将基于RBF神经网络的PID控制与采用普通PID控制对水解工艺温度调控结果进行比较，基于RBF神经网络的PID控制器实际温度在升温阶段能够很好的跟随设定温度且比PID控制器更加快速达到收敛。并且，在稳定阶段，若设定温度为200℃，基于RBF神经网络的PID控制器温度能温度维持在199.75℃，而普通PID控制的温度波动范围较大。

因此本发明基于RBF神经网络的PID控制器对硫酸氧钛外加晶种水解工艺温度进行控制，具有精度高、均匀性好的优点。

Claims (3)

1.基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，应用于采用PID控制器对蒸汽加热调节阀进行调节控制的系统中，其特征在于，

该方法包括以下步骤：

A、设置参考温度、温度误差以及PID控制器的输入和输出；

B、设定RBF神经网络结构及网络整定指标，利用RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定；

C、PID控制器利用经过自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控。

2.如权利要求1所述的基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，其特征在于，

步骤A具体包括：

设置所述参考温度为r，温度误差为e(k)＝r(k)-y(k)；

其中y(k)为RBF神经网络整定后PID控制器实际输出，e(k)为表示参考输入与实际输出的偏差值，k表示当前时刻；

PID控制器输入为：

x1(k)＝e(k)＝r(k)-y(k)

x2(k)＝Δe(k)＝e(k)-e(k-1)

x3(k)＝Δ2e(k)＝Δe(k)-Δe(k-1)＝e(k)-e(k-1)-[e(k-1)-e(k-2)]

PID控制器输出为：

u(k)＝u(k-1)+Δu(k)＝u(k-1)+kp*x1(k)+ki*x2(k)+kd*x3(k)，

其中kp、ki、kd为PID控制器三个需要调整的调节参数。

3.如权利要求2所述的基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，其特征在于，

步骤B具体包括：

设定RBF神经网络结构初始参数，包含隐含层节点数、节点基函数中心向量、节点基函数方差、输出层权重以及学习速率η；

设定神经网络输入层为：u(k)、y(k)、y(k-1)，输出为y_m(k)，设定神经网络整定指标为：E＝1/2[y(k)-y_m(k)]^2；

采用梯度下降法调整PID控制器的kp、ki、kd参数，使得整定指标最小：

其中，通过RBF神经网络不断自适应学习可以得到：

w为输出层权重，b为节点基函数方差，c为节点基函数中心向量，x为RBF神经网络输入层，m为隐含层神经元数量。