CN111812968A - 基于模糊神经网络pid控制器的阀位串级控制方法 - Google Patents
基于模糊神经网络pid控制器的阀位串级控制方法 Download PDFInfo
- Publication number
- CN111812968A CN111812968A CN202010585584.9A CN202010585584A CN111812968A CN 111812968 A CN111812968 A CN 111812968A CN 202010585584 A CN202010585584 A CN 202010585584A CN 111812968 A CN111812968 A CN 111812968A
- Authority
- CN
- China
- Prior art keywords
- valve position
- valve
- control
- pressure
- neural network
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001105 regulatory effect Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K31/00—Actuating devices; Operating means; Releasing devices
- F16K31/12—Actuating devices; Operating means; Releasing devices actuated by fluid
- F16K31/122—Actuating devices; Operating means; Releasing devices actuated by fluid the fluid acting on a piston
- F16K31/124—Actuating devices; Operating means; Releasing devices actuated by fluid the fluid acting on a piston servo actuated
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于模糊神经网络PID控制器的阀位串级控制方法,属于自动控制领域。该方法建立了包括调节阀阀位控制回路和比例阀阀后压力控制回路的阀位串级控制模型,调节阀阀位控制回路为主环,以调节阀阀位为主环控制对象;比例阀阀后压力控制回路为副环,以比例阀阀后压力为副环控制对象;阀位串级控制模型以调节阀阀位为控制目标,调节阀阀位控制回路采用模糊神经网络PID算法。本发明解决了阀位控制过程复杂多变,难以建立精确数学模型,致使传统PID控制控制效果不佳以及单回路控制难以消除外界扰动的难题,能够对阀位控制过程进行动态实时控制,提升了控制过程的快速性、准确性和鲁棒性,利于调节阀稳定连续地工作。
Description
技术领域
本发明涉及工业自动控制领域,具体为一种基于模糊神经网络PID控制器的阀位串级控制方法。
背景技术
调节阀又称流量阀,是过程控制系统中用动力操作去改变介质流量的装置。它在一定程度上影响着过程控制的调节品质,在工业生产系统中与产品质量密切相关的诸如温度、压力、液位、浓度等环境因素的调整都需要通过调节阀的开度控制进行调整,阀门位置是否满足生产要求直接关系到整个生产系统能否高效安全地运行。
随着社会和经济的发展,工业控制系统对于阀位控制的准确性以及快速性要求越来越高。目前,国内大部分阀位控制系统采用的仍然是传统的PID控制算法,PID控制算法具有原理简单,易于实现的特点,对于被控对象数学模型明确的生产过程控制效果极佳。而由于调节阀的工作环境不同,受流经阀门的介质流量的粘稠度以及阀门内部摩擦力、不平衡力等的影响,阀位控制过程具有很强的非线性、大惯性以及时变性,无法建立精确的数学模型,致使传统PID算法的参数设置极为困难,常常难以达到理想的控制效果,给工业生产过程带来安全问题和巨大的经济损失。
另外,目前国内外关于阀位控制系统的研究和应用主要是针对单回路控制系统,单回路控制系统结构简单,易于操作,但其抗干扰性能较差,而调节阀在工业生产过程中往往会受到很多外界因素的干扰而使阀位控制过程出现动荡,进而引发一系列的安全问题。因此,阀位控制系统中使用单回路控制难以保障工业生产过程平稳安全地进行。
李焱琪在《基于模糊PID控制的智能电气阀门定位器的实现[J]》(电子技术与软件工程,2017(17):94-94)中,提出一种基于模糊PID控制的阀位控制方法,该方法采用模糊算法对PID控制器控制参数进行整定,利用模糊规则使PID控制器对被控对象的时变性、非线性具有一定的适应能力,但模糊算法本身消除系统误差的性能较差,难以达到较高的控制精度,并且系统中的模糊规则通常由领域专家的意见归纳整理出来的,而许多领域的知识是难以描述的。
杨菲,杨德伟在《阀门定位器气动传动系统建模与MATLAB仿真分析[J]》(机械制造,2016,54(01):22-25)中,提出了一种串级控制系统,将调节阀阀后压力和阀门位置分别作为副控对象和主控对象,在一定程度上起到了抗干扰的效果,但是由于检测的压力为调节阀阀后压力,与阀位的关联性较强,抗干扰性能有限,且文中采用PWM控制,对于阀位控制过程这种具有非线性、时变性特点的控制对象的控制效果一般。
综上所述,目前,阀位控制技术存在以下技术问题:
1、由于阀位控制过程具有很强的非线性、大惯性以及时变性,无法建立精确的数学模型,常规PID控制算法的控制参数设置极为困难,难以实现有效控制;
2、采用模糊算法对控制器的参数进行整定,使控制器对被控对象的时变性、非线性具有一定的适应能力,但由于模糊规则通常由领域专家的意见归纳整理出来的,而许多领域的知识是难以描述的,使控制难以达到较高的精度;
3、单回路控制系统的抗干扰性能较差,容易引起阀位控制过程的振荡,难以维系工业生产安全运行,而且目前所提出的阀位串级控制系统存在抗干扰性能有限,控制算法简单,控制效果一般的问题。
发明内容
针对现有技术的不足,本发明提供了一种基于模糊神经网络PID控制器的阀位串级控制方法,其目的在于解决阀位控制过程复杂多变,难以建立精确数学模型,致使传统PID控制控制效果不佳以及单回路控制难以消除外界扰动的问题。
本发明的目的是这样实现的。本发明提供了一种基于模糊神经网络PID控制器的阀位串级控制方法,该阀位串级控制方法涉及的阀位控制系统包括依次设置的第一比较器、阀位控制器、第二比较器、压力控制器、力矩马达、比例阀、气动执行器和调节阀,其中,阀位控制器包括模糊神经网络和PID控制器,模糊神经网络和PID控制器单向电连接;所述第一比较器分别与模糊神经网络、PID控制器单向电连接,PID控制器与第二比较器单向电连接,第二比较器与压力控制器单向电连接,压力控制器与力矩马达单向电连接,力矩马达与比例阀单向气动连接,比例阀与气动执行器单向气动连接,气动执行器与调节阀单向气动连接,对调节阀的阀位进行调整;在调节阀上设置了一个位置变送器,该位置变送器实时检测调节阀的实际阀位,并通过电连接将数据传送给第一比较器;在比例阀和气动执行器之间设置了一个压力变送器,该压力变送器实时检测比例阀的阀后压力,并通过电连接将数据传送给第二比较器;
所述阀位串级控制方法的具体步骤如下:
步骤1,设当前时刻为n,给定当前时刻阀位设定值ydn,位置变送器检测得到当前时刻调节阀实际阀位yn并传送给第一比较器,压力变送器检测得到当前时刻比例阀阀后压力Ipn并传送给第二比较器;
步骤2,第一比较器将当前时刻调节阀实际阀位yn与当前时刻阀位设定值ydn进行比较计算,得到当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen,并将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen传送给模糊神经网络,将当前时刻阀位偏差en传送给PID控制器;
当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的计算式如下:
en=ydn-yn
Δen=en-en-1
其中,en-1表示前一时刻阀位偏差;
步骤3,模糊神经网络接收到第一比较器发送的当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的信号后,将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen作为网络输入,通过训练好的模糊神经网络模型进行实时在线学习,得到以下网络输出信号:比例系数KP、积分系数KI和微分系数KD,模糊神经网络将上述网络输出信号传送给PID控制器;
步骤4,PID控制器接收到当前时刻阀位偏差en、比例系数KP、积分系数KI、微分系数KD的信号后,通过计算得到当前时刻初始控制输出un,并传送给第二比较器;
当前时刻初始控制输出un的计算式如下:
un=un-1+Δun
Δun=KP(en-en-1)+KIen+KD(en-2en-1+en-2)
其中,Δun为当前时刻初始控制输出增量,un-1为前一时刻初始控制输出;en-2为前二时刻阀位偏差;
步骤5,第二比较器将当前时刻初始控制输出un与当前时刻比例阀阀后压力Ipn进行比较计算,得到当前时刻阀后压力偏差e1n,并将其传送给压力控制器;
当前时刻阀后压力偏差e1n的计算式如下:
e1n=un-Ipn
步骤6,压力控制器根据接收到的当前时刻阀后压力偏差e1n信号,产生当前时刻控制输出u1n,并传送到力矩马达中;
当前时刻控制输出u1n的计算式如下:
u1n=KP1×e1n
其中,KP1为比例增益;
步骤7,力矩马达根据接收到的当前时刻控制输出u1n发生相应的动作,进而改变比例阀的阀后压力,比例阀的阀后压力发生变化后,改变气动执行器的输入气压,气动执行器发生上下位移,对调节阀的阀位进行调整;
步骤8,在n+1时刻,将n+1赋值给n,返回步骤1进行下一时刻的阀位控制。
优选地,所述模糊神经网络的网络模型为一个2输入3输出的5层网络结构模型,5层网络结构分别为:输入层、模糊化层、规则层、归一化层、输出层。
优选地,所述模糊神经网络的网络模型需要训练学习的参数为输出层与归一化层之间的连接权值ωkl、高斯隶属度函数的中心cij和宽度σij,其中,k=1,2,3,表示网络的输出个数;l=1,2,...,49,表示网络的模糊规则个数;i=1,2,表示网络的输入个数;j=1,2,...,7,表示模糊子集的语言变量个数;网络模型的学习算法采用BP算法,网络的训练样本为现场采集到的输入输出数据。
优选地,所述高斯隶属度函数为模糊化层将输入变量模糊化后得到的模糊子集的隶属度函数,其表述式为:
相对于现有的阀位控制技术,本发明的有益效果表现为:
1、由以上技术方案可见,本发明是以调节阀阀位为控制目标的串级控制方法,该方法涉及的阀位串级控制系统实际形成了两个回路,一个是调节阀阀位控制回路,一个是比例阀阀后压力控制回路。调节阀阀位控制回路为主环,以调节阀阀位为主环控制对象。比例阀阀后压力控制回路为副环,以比例阀阀后压力为副环控制对象。在阀位控制过程中,作为副环的比例阀阀后压力控制回路会迅速克服被控过程中使系统气压变化剧烈、频繁和幅度大的主要扰动,使二次扰动对主环控制回路的影响微乎其微,之后,作为主环的调节阀阀位控制回路对副环没有完全克服掉的干扰进行进一步消除,整个控制过程阀位变化幅度小且稳定,大幅提高了系统的响应速度、控制精度和稳定性。
2、本发明中阀位控制器采用模糊神经网络PID控制器,结合模糊控制和神经网络控制的优点,由模糊神经网络实现PID控制器控制参数自整定,使系统具有很强的自学习和自适应能力,解决了阀位控制过程中扰动大、系统振荡的问题,大幅提高了控制精度和鲁棒性。
附图说明
图1为本发明阀位串级控制方法的系统结构示意图。
图2为本发明阀位串级控制方法的工作流程图。
图3为本发明实施例提供的阀位控制器中的模糊神经网络结构示意图。
其中,1第一比较器;2阀位控制器;3第二比较器;4压力控制器;5力矩马达;6比例阀;7气动执行器;8调节阀;9位置变送器;10压力变送器。
具体实施方式
下面结合附图对本发明实施例作进一步的描述。
图1为本发明阀位串级控制方法的系统结构示意图。由图1可见,该阀位控制系统包括依次设置的第一比较器1、阀位控制器2、第二比较器3、压力控制器4、力矩马达5、比例阀6、气动执行器7和调节阀8,其中,阀位控制器2包括模糊神经网络21和PID控制器22,模糊神经网络21和PID控制器22单向电连接。
所述第一比较器1分别与模糊神经网络21、PID控制器22单向电连接,PID控制器22与第二比较器3单向电连接,第二比较器3与压力控制器4单向电连接,压力控制器4与力矩马达5单向电连接,力矩马达5与比例阀6单向气动连接,比例阀6与气动执行器7单向气动连接,气动执行器7与调节阀8单向气动连接,对调节阀8的阀位进行调整。
在调节阀上设置了一个位置变送器9,该位置变送器9实时检测调节阀8的实际阀位,并通过电连接将数据传送给第一比较器1;在比例阀6和气动执行器7之间设置了一个压力变送器10,该压力变送器10实时检测比例阀6的阀后压力,并通过电连接将数据传送给第二比较器3。
在本发明实施例中,比例阀6还和外部气源相通,外部气源由空气压缩机提供。
图2为本发明阀位串级控制方法的工作流程图。由图2可见,采用所述阀位串级控制方法进行阀位控制,具体包括以下步骤:
步骤1,设当前时刻为n,给定当前时刻阀位设定值ydn,位置变送器9检测得到当前时刻调节阀实际阀位yn并传送给第一比较器1,压力变送器10检测得到当前时刻比例阀阀后压力Ipn并传送给第二比较器3。
步骤2,第一比较器1将当前时刻调节阀实际阀位yn与当前时刻阀位设定值ydn进行比较计算,得到当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen,并将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen传送给模糊神经网络21,将当前时刻阀位偏差en传送给PID控制器22。
当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的计算式如下:
en=ydn-yn
Δen=en-en-1
其中,en-1表示前一时刻阀位偏差。
步骤3,模糊神经网络21接收到第一比较器1发送的当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的信号后,将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen作为网络输入,通过训练好的模糊神经网络模型21进行实时在线学习,得到以下网络输出信号:比例系数KP、积分系数KI和微分系数KD,模糊神经网络21将上述网络输出信号传送给PID控制器22。
步骤4,PID控制器22接收到当前时刻阀位偏差en、比例系数KP、积分系数KI、微分系数KD的信号后,通过计算得到当前时刻初始控制输出un,并传送给第二比较器3。
当前时刻初始控制输出un的计算式如下:
un=un-1+Δun
Δun=KP(en-en-1)+KIen+KD(en-2en-1+en-2)
其中,Δun为当前时刻初始控制输出增量,un-1为前一时刻初始控制输出;en-2为前二时刻阀位偏差。
由图1可见,阀位控制器2包括模糊神经网络21和PID控制器22两部分组成。在本发明的阀位串级控制方法中,阀位控制器2为主控制器,采用模糊神经网络PID控制算法,即由模糊神经网络21对PID控制器22的控制参数进行实时在线调整。
步骤5,第二比较器3将当前时刻初始控制输出un与当前时刻比例阀阀后压力Ipn进行比较计算,得到当前时刻阀后压力偏差e1n,并将其传送给压力控制器4。
当前时刻阀后压力偏差e1n的计算式如下:
e1n=un-Ipn
步骤6,压力控制器4根据接收到的当前时刻阀后压力偏差e1n信号,产生当前时刻控制输出u1n,并传送到力矩马达5中。
当前时刻控制输出u1n的计算式如下:
u1n=KP1×e1n
其中,KP1为比例增益。
在本发明中,压力控制器4作为副控制器,要求对比例阀阀后压力控制回路输入进行快速响应,迅速消除副环回路偏差,起到快调、粗调的作用,而对其准确性要求不高,因此,本发明中压力控制器4采用比例控制算法,比例增益KP1为给定的常数,在本实施例中,KP1=4.5。
步骤7,力矩马达5根据接收到的当前时刻控制输出u1n发生相应的动作,进而改变比例阀6的阀后压力,比例阀6的阀后压力发生变化后,改变气动执行器的7输入气压,气动执行器7发生上下位移,对调节阀8的阀位进行调整。
步骤8,在n+1时刻,将n+1赋值给n,返回步骤1进行下一时刻的阀位控制。
图3为本发明实施例提供的阀位控制器2中的模糊神经网络22的结构示意图。由图3可见,所述模糊神经网络22的网络模型为一个2输入3输出的5层网络结构模型。5层网络结构分别为:输入层、模糊化层、规则层、归一化层、输出层。
所述模糊神经网络22的网络模型需要训练学习的参数为输出层与归一化层之间的连接权值ωkl、高斯隶属度函数的中心cij和宽度σij,其中,k=1,2,3,表示网络的输出个数;l=1,2,...,49,表示网络的模糊规则个数;i=1,2,表示网络的输入个数;j=1,2,...,7,表示模糊子集的语言变量个数;网络模型的学习算法采用BP算法,网络的训练样本为现场采集到的输入输出数据。
所述高斯隶属度函数为模糊化层将输入变量模糊化后得到的模糊子集的隶属度函数,其表述式为:
具体地,模糊神经网络各层具体划分及作用如下:
第一层为输入层,共有2个节点,分别与输入变量当前时刻阀位偏差en和输入变量当前时刻阀位偏差变化率Δen相连,将输入变量en及输入变量Δen传送至模糊化层。
第二层为模糊化层,模糊化层将输入变量en及Δen模糊化后得到其模糊子集,并将其模糊子集分别划为7个语言变量,得到输入变量en和输入变量Δen分别属于各语言变量值的模糊集合的隶属度函数,故模糊化层共有14个节点,所述模糊子集的隶属度函数均采用高斯函数。
第三层为规则层,通过与模糊化层连接来匹配模糊规则,得到输入与输出之间的逻辑关系,进行模糊推理,采用相乘运算计算出每条规则的适用度αl,其中l表示网络的模糊规则个数,l=1,2,...,49,共有49个节点,每个节点代表一条控制规则。
第四层为归一化层,用于实现对规则适用度的归一化计算,有利于加快模糊神经网络的收敛速度,其节点数与规则层一样为49个。
第五层为输出层,此层实现解模糊化运算,共3个节点,输出为PID控制器的控制参数比例系数KP、积分系数KI、微分系数KD,且KP、KI、KD的模糊语言变量也为7个,隶属度函数也为高斯型函数。
在本实施例中,模糊神经网络22的网络模型需要训练学习的参数为输出层与归一化层之间的连接权值ωkl、高斯隶属度函数的中心cij和宽度σij,网络模型的学习算法采用BP算法,网络的训练样本为现场采集到的输入输出数据。
具体学习过程如下:
定义目标代价函数E为如下式:
所述归一化层和输出层的连接权值ωkl的学习算法如下式:
其中,η1为归一化层和输出层的连接权值ωkl的学习率;α为动量因子;(n+1)为下一时刻;(n-1)为前一时刻;
所述高斯隶属度函数的中心cij的学习算法如下式:
其中,η2为高斯隶属度函数的中心cij的学习率;
所述高斯隶属度函数的宽度σij的学习算法如下式:
其中,η3为高斯隶属度函数的宽度σij的学习率。
本发明阀位串级控制方法采用串级控制策略,建立了包括调节阀阀位控制回路和比例阀阀后压力控制回路的阀位串级控制模型。其中,调节阀阀位控制回路包括:第一比较器1、阀位控制2器、第二比较器3、压力控制器4、力矩马达5、比例阀6、气动执行器7、调节阀8、位置变送器9。比例阀阀后压力控制回路包括:第二比较器3、压力控制器4、力矩马达5、比例阀6、压力变送器10。在本发明串级控制方法中,调节阀阀位控制回路为主环,以调节阀阀位为主环控制对象。比例阀阀后压力控制回路为副环,以比例阀阀后压力为副环控制对象。具体的,阀位控制器2为主控制器,采用采用模糊神经网络PID控制算法,即由模糊神经网络21对PID控制器22的控制参数进行实时在线调整。所述压力控制器4为副控制器,采用比例控制算法。
本发明阀位串级控制方法,采用串级控制策略,有效抑制了阀位控制过程中的外部扰动,实现对调节阀8阀位稳定快速的控制,同时主环采用模糊神经网络PID控制算法,结合了模糊神经网络和传统PID控制的优势,实现对PID控制参数的实时在线调整,解决了传统PID控制难以有效控制复杂多变的阀位控制过程的问题,利于调节阀8稳定连续地工作。
Claims (4)
1.一种基于模糊神经网络PID控制器的阀位串级控制方法,其特征在于,该阀位串级控制方法涉及的阀位控制系统包括依次设置的第一比较器、阀位控制器、第二比较器、压力控制器、力矩马达、比例阀、气动执行器和调节阀,其中,阀位控制器包括模糊神经网络和PID控制器,模糊神经网络和PID控制器单向电连接;所述第一比较器分别与模糊神经网络、PID控制器单向电连接,PID控制器与第二比较器单向电连接,第二比较器与压力控制器单向电连接,压力控制器与力矩马达单向电连接,力矩马达与比例阀单向气动连接,比例阀与气动执行器单向气动连接,气动执行器与调节阀单向气动连接,对调节阀的阀位进行调整;在调节阀上设置了一个位置变送器,该位置变送器实时检测调节阀的实际阀位,并通过电连接将数据传送给第一比较器;在比例阀和气动执行器之间设置了一个压力变送器,该压力变送器实时检测比例阀的阀后压力,并通过电连接将数据传送给第二比较器;
所述阀位串级控制方法的具体步骤如下:
步骤1,设当前时刻为n,给定当前时刻阀位设定值ydn,位置变送器检测得到当前时刻调节阀实际阀位yn并传送给第一比较器,压力变送器检测得到当前时刻比例阀阀后压力Ipn并传送给第二比较器;
步骤2,第一比较器将当前时刻调节阀实际阀位yn与当前时刻阀位设定值ydn进行比较计算,得到当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen,并将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen传送给模糊神经网络,将当前时刻阀位偏差en传送给PID控制器;
当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的计算式如下:
Δen=en-en-1
其中,en-1表示前一时刻阀位偏差;
步骤3,模糊神经网络接收到第一比较器发送的当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen的信号后,将当前时刻阀位偏差en和当前时刻阀位偏差变化率Δen作为网络输入,通过训练好的模糊神经网络模型进行实时在线学习,得到以下网络输出信号:比例系数KP、积分系数KI和微分系数KD,模糊神经网络将上述网络输出信号传送给PID控制器;
步骤4,PID控制器接收到当前时刻阀位偏差en、比例系数KP、积分系数KI、微分系数KD的信号后,通过计算得到当前时刻初始控制输出un,并传送给第二比较器;
当前时刻初始控制输出un的计算式如下:
un=un-1+Δun
Δun=KP(en-en-1)+KIen+KD(en-2en-1+en-2)
其中,Δun为当前时刻初始控制输出增量,un-1为前一时刻初始控制输出;en-2为前二时刻阀位偏差;
步骤5,第二比较器将当前时刻初始控制输出un与当前时刻比例阀阀后压力Ipn进行比较计算,得到当前时刻阀后压力偏差e1n,并将其传送给压力控制器;
当前时刻阀后压力偏差e1n的计算式如下:
e1n=un-Ipn
步骤6,压力控制器根据接收到的当前时刻阀后压力偏差e1n信号,产生当前时刻控制输出u1n,并传送到力矩马达中;
当前时刻控制输出u1n的计算式如下:
其中,KP1为比例增益;
步骤7,力矩马达根据接收到的当前时刻控制输出u1n发生相应的动作,进而改变比例阀的阀后压力,比例阀的阀后压力发生变化后,改变气动执行器的输入气压,气动执行器发生上下位移,对调节阀的阀位进行调整;
步骤8,在n+1时刻,将n+1赋值给n,返回步骤1进行下一时刻的阀位控制。
2.根据权利要求1所述的一种基于模糊神经网络PID控制器的阀位串级控制方法,其特征在于,所述模糊神经网络的网络模型为一个2输入3输出的5层网络结构模型,5层网络结构分别为:输入层、模糊化层、规则层、归一化层、输出层。
3.根据权利要求2所述的一种基于模糊神经网络PID控制器的阀位串级控制方法,其特征在于,所述模糊神经网络的网络模型需要训练学习的参数为输出层与归一化层之间的连接权值ωkl、高斯隶属度函数的中心cij和宽度σij,其中,k=1,2,3,表示网络的输出个数;l=1,2,...,49,表示网络的模糊规则个数;i=1,2,表示网络的输入个数;j=1,2,...,7,表示模糊子集的语言变量个数;网络模型的学习算法采用BP算法,网络的训练样本为现场采集到的输入输出数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585584.9A CN111812968B (zh) | 2020-06-24 | 2020-06-24 | 基于模糊神经网络pid控制器的阀位串级控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585584.9A CN111812968B (zh) | 2020-06-24 | 2020-06-24 | 基于模糊神经网络pid控制器的阀位串级控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812968A true CN111812968A (zh) | 2020-10-23 |
CN111812968B CN111812968B (zh) | 2022-04-22 |
Family
ID=72846482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010585584.9A Active CN111812968B (zh) | 2020-06-24 | 2020-06-24 | 基于模糊神经网络pid控制器的阀位串级控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812968B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112460039A (zh) * | 2020-11-23 | 2021-03-09 | 江苏大学 | 一种叶片泵运行工况监测装置及调节方法 |
CN113093526A (zh) * | 2021-04-02 | 2021-07-09 | 浙江工业大学 | 一种基于强化学习的无超调pid控制器参数整定方法 |
CN113156810A (zh) * | 2021-04-29 | 2021-07-23 | 大连派思燃气设备有限公司 | 基于模糊pid控制的天然气调压系统 |
CN114115376A (zh) * | 2021-11-22 | 2022-03-01 | 江苏科技大学 | 基于事件触发的神经网络预测串级温度控制系统及其方法 |
CN114415746A (zh) * | 2021-11-29 | 2022-04-29 | 中国船舶工业集团公司第七0八研究所 | 新型级联微流体智能控制系统 |
WO2023087906A1 (zh) * | 2021-11-22 | 2023-05-25 | 江苏科技大学 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
CN117572770A (zh) * | 2023-11-15 | 2024-02-20 | 淮阴工学院 | 智能阀门定位器的控制方法及其物联网系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445962B1 (en) * | 1999-03-15 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Auto-tuning in a distributed process control environment |
CN102455718A (zh) * | 2010-10-22 | 2012-05-16 | 中国石油化工股份有限公司 | 一种催化剂生产装置中的温度控制系统及其方法和应用 |
CN105551367A (zh) * | 2015-12-23 | 2016-05-04 | 金陵科技学院 | 一种基于opc的工业控制实训装置 |
CN106527124A (zh) * | 2016-11-29 | 2017-03-22 | 重庆工商大学 | 基于非线性神经模糊控制器的电磁阀式减振器控制方法 |
CN107942679A (zh) * | 2017-12-19 | 2018-04-20 | 中国人民解放军空军工程大学 | 基于模糊免疫神经网络算法的全向底盘控制方法 |
CN108563118A (zh) * | 2018-03-22 | 2018-09-21 | 北京工业大学 | 一种基于自适应模糊神经网络的溶解氧模型预测控制方法 |
CN108614434A (zh) * | 2018-06-13 | 2018-10-02 | 东华大学 | 基于预测pi与串级控制相结合的双容系统控制方法 |
CN109375500A (zh) * | 2018-10-16 | 2019-02-22 | 上海理工大学 | 一种电子膨胀阀开度调节的控制系统 |
CN109597449A (zh) * | 2019-01-30 | 2019-04-09 | 杭州庆睿科技有限公司 | 一种基于神经网络的超声波分散仪温度控制方法 |
CN109833773A (zh) * | 2019-03-08 | 2019-06-04 | 东方电气集团东方锅炉股份有限公司 | 一种高效脱硝氨流量精确控制方法 |
CN111176115A (zh) * | 2019-12-27 | 2020-05-19 | 合肥工业大学 | 基于模糊神经网络和仿人智能控制的阀位控制方法 |
-
2020
- 2020-06-24 CN CN202010585584.9A patent/CN111812968B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445962B1 (en) * | 1999-03-15 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Auto-tuning in a distributed process control environment |
CN102455718A (zh) * | 2010-10-22 | 2012-05-16 | 中国石油化工股份有限公司 | 一种催化剂生产装置中的温度控制系统及其方法和应用 |
CN105551367A (zh) * | 2015-12-23 | 2016-05-04 | 金陵科技学院 | 一种基于opc的工业控制实训装置 |
CN106527124A (zh) * | 2016-11-29 | 2017-03-22 | 重庆工商大学 | 基于非线性神经模糊控制器的电磁阀式减振器控制方法 |
CN107942679A (zh) * | 2017-12-19 | 2018-04-20 | 中国人民解放军空军工程大学 | 基于模糊免疫神经网络算法的全向底盘控制方法 |
CN108563118A (zh) * | 2018-03-22 | 2018-09-21 | 北京工业大学 | 一种基于自适应模糊神经网络的溶解氧模型预测控制方法 |
CN108614434A (zh) * | 2018-06-13 | 2018-10-02 | 东华大学 | 基于预测pi与串级控制相结合的双容系统控制方法 |
CN109375500A (zh) * | 2018-10-16 | 2019-02-22 | 上海理工大学 | 一种电子膨胀阀开度调节的控制系统 |
CN109597449A (zh) * | 2019-01-30 | 2019-04-09 | 杭州庆睿科技有限公司 | 一种基于神经网络的超声波分散仪温度控制方法 |
CN109833773A (zh) * | 2019-03-08 | 2019-06-04 | 东方电气集团东方锅炉股份有限公司 | 一种高效脱硝氨流量精确控制方法 |
CN111176115A (zh) * | 2019-12-27 | 2020-05-19 | 合肥工业大学 | 基于模糊神经网络和仿人智能控制的阀位控制方法 |
Non-Patent Citations (2)
Title |
---|
朱天宇等: "模糊神经网络在阀门开度控制中的应用", 《仪表技术与传感器》 * |
李焱琪: "基于模糊PID控制的智能电气阀门定位器的实现", 《电子技术与软件工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112460039A (zh) * | 2020-11-23 | 2021-03-09 | 江苏大学 | 一种叶片泵运行工况监测装置及调节方法 |
CN112460039B (zh) * | 2020-11-23 | 2022-02-01 | 江苏大学 | 一种叶片泵运行工况监测装置及调节方法 |
CN113093526A (zh) * | 2021-04-02 | 2021-07-09 | 浙江工业大学 | 一种基于强化学习的无超调pid控制器参数整定方法 |
CN113093526B (zh) * | 2021-04-02 | 2022-05-24 | 浙江工业大学 | 一种基于强化学习的无超调pid控制器参数整定方法 |
CN113156810A (zh) * | 2021-04-29 | 2021-07-23 | 大连派思燃气设备有限公司 | 基于模糊pid控制的天然气调压系统 |
CN114115376A (zh) * | 2021-11-22 | 2022-03-01 | 江苏科技大学 | 基于事件触发的神经网络预测串级温度控制系统及其方法 |
WO2023087906A1 (zh) * | 2021-11-22 | 2023-05-25 | 江苏科技大学 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
CN114415746A (zh) * | 2021-11-29 | 2022-04-29 | 中国船舶工业集团公司第七0八研究所 | 新型级联微流体智能控制系统 |
CN117572770A (zh) * | 2023-11-15 | 2024-02-20 | 淮阴工学院 | 智能阀门定位器的控制方法及其物联网系统 |
CN117572770B (zh) * | 2023-11-15 | 2024-05-17 | 淮阴工学院 | 智能阀门定位器的控制方法及其物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111812968B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812968B (zh) | 基于模糊神经网络pid控制器的阀位串级控制方法 | |
CN111176115B (zh) | 基于模糊神经网络和仿人智能控制的阀位控制方法 | |
CN101598109B (zh) | 一种风力发电机偏航系统的智能控制方法 | |
CN103123460A (zh) | 温度控制系统和温度控制方法 | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN104155877A (zh) | 基于遗传算法的无刷直流电机模糊控制系统及控制方法 | |
CN106597840A (zh) | 一种基于产生式规则推理的pid参数整定方法 | |
CN108549213A (zh) | 一种基于rbf神经网络pid的速比控制方法 | |
CN105911865A (zh) | 一种pid控制器的控制方法 | |
Zhao | Adaptive Fuzzy Control of a Class of Discrete-Time Nonlinear Systems | |
CN101635553A (zh) | 应用于发电机励磁与汽门系统的综合智能解耦控制方法 | |
CN106371321A (zh) | 一种焦化炉炉膛压力系统模糊网络优化pid控制方法 | |
Mao et al. | Simulation of liquid level cascade control system based on genetic Fuzzy PID | |
Guolian et al. | Multiple-model predictive control based on fuzzy adaptive weights and its application to main-steam temperature in power plant | |
Jiang | Summary of PID control system of liquid level of a single-capacity tank | |
Ma | Research on parameter self-tuning PID control algorithm based on BP neural network | |
CN106444389A (zh) | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 | |
Shan et al. | A neural network fractional order PID controller for FOLPD process | |
Yu et al. | Artificial Intelligence Control for Reactive Power of Electric Drive System of Pump Station | |
Zhang et al. | Adaptive Multi-dimensional Taylor Network Control for Cement Calciner Outlet Temperature | |
Arafat et al. | The Development of a Matlab-Based Fuzzy PID Controller and The Simulation | |
Xu et al. | Design of PID Control based on BP Neural Network for Double-holding Process System | |
CN116123062A (zh) | 一种压缩机进气气量自适应控制方法、系统及介质 | |
KR20000051941A (ko) | 실시간 학습형 제어기 | |
Xu et al. | Intelligent PID Controller on Soft Computing. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |