CN112947606A - Bp神经网络pid预测控制的锅炉液位控制系统及方法 - Google Patents

Abstract

本发明属于自动化控制技术领域，具体涉及一种BP神经网络PID预测控制的锅炉液位控制系统及方法。本发明的BP神经网络PID预测控制的锅炉液位控制系统包括定值器、BP神经网络PID预测控制器和压力传感器，压力传感器测取的锅炉实际液位与定值器输入的给定量比较后的差值输入至BP神经网络PID预测控制器中，BP神经网络PID预测控制器输出调节量控制变频器的输出频率，实现对锅炉液位的定值控制。本发明结构紧凑合理，工作性能良好。本发明采用基于非线性预测模型的BP神经网络PID控制方法，具有更好的控制精度与控制效果，抗干扰性和适应性都相对较高，适用于控制大规模液位控制系统，如核电站立式蒸汽发生器水位控制。

Description

BP神经网络PID预测控制的锅炉液位控制系统及方法

技术领域

本发明属于自动化控制技术领域，具体涉及一种BP神经网络PID预测控制的锅炉液位控制系统及方法。

背景技术

锅炉液位系统是带有滞后的非线性时变控制系统，意味着锅炉液位随时间的变化而不断变化，同时滞后对锅炉液位系统动态性能的影响很大。由于锅炉液位系统总具有滞后的特性，当从干扰产生到被控制量起变化，需要一定长的时间；而被控制量变化后通过调节器产生的调节作用又要经历一段时间。因此，被控参数要到达新的稳定状态就要经历相当长的时间。锅炉液位系统的滞后越大，则被控参数变化的幅度也越大，偏差持续的时间也越长。

为了解决上述问题，本发明提出一种BP神经网络PID预测控制的锅炉液位系统及其控制方法，利用BP神经网络的非线性逼近能力和非线性预测模型的自学习、自适应能力，通过两者的有机结合寻找一个最佳的P、I、D非线性组合控制律，降低锅炉液位误差造成不必要的能量损失。

采用非线性预测模型的BP神经网络PID控制方法，能够尽可能提高预测的精度，这种非线性预测方法尤其适合于受多种不确定性因素影响而很难建立确定的预测模型的锅炉液位控制需求预测。该控制方法能很好地跟踪锅炉液位的系统目标设定值，提升了BP神经网络模型精度、自我预测修正和抗干扰能力，并且具有更好的适应性和鲁棒性，最终达到满意的锅炉液位控制效果。

发明内容

本发明的目的在于提供一种BP神经网络PID预测控制的锅炉液位控制系统。

本发明的目的通过如下技术方案来实现：包括定值器、BP神经网络PID预测控制器和压力传感器；所述的定值器输入对锅炉液位的给定量；所述的压力传感器测取锅炉的实际液位高度值；所述的压力传感器和定值器与BP神经网络PID预测控制器的输入端连接，压力变送器将压力传感器测取的锅炉实际液位高度值与定值器输入的给定量比较后的差值输入至BP神经网络PID预测控制器中；所述的BP神经网络PID预测控制器的输出端与控制锅炉液位的变频器连接，BP神经网络PID预测控制器输出调节量控制变频器的输出频率，实现对锅炉液位的定值控制。

本发明的目的还在于提供一种BP神经网络PID预测控制的锅炉液位控制方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：初始化BP神经网络，设定输入层与隐含层之间的连接权值ω_ij的初始值、输出层与隐含层之间的连接权值ω_j1的初始值、学习速率η和动量因子α；初始化k＝1；

所述的BP神经网络包括输入层、隐含层和输出层，输入层有n_y+n_u+1个节点，隐含层有q个节点，输出层有一个节点；BP神经网络的输出变量可表示为：

y(k)＝f[y(k-1)，y(k-2)，…，y(k-n_y)，u(k-1)，u(k-2)，…，u(k-n_u)]

其中，y(k)、u(k)分别表示系统的输出和输入；n_y、n_u分别为{y}和{u}的阶次；f(·)为非线性函数；

输入层各节点的输出为：

隐含层各节点的输出为：

输出层节点的输出为：

步骤2：计算e(k)＝y_s(k)-y(k)；y_s(k)为定值器输入的对锅炉液位的给定量；

步骤3：对e(k)进行归一化处理，作为BP神经网络的输入；

步骤4：前向计算BP神经网络的各层的输出，得到PID控制器的三个可调参数K_P(k)、K_I(k)、K_D(k)；

其中，输出层激励函数为g(x)＝[1+tanh(x)]/2；tanh(x)为选择双曲线函数；

步骤5：计算PID控制器的输出u(k)；

u(k)＝u(k-1)+K_P[e(k)-e(k-1)]+K_Ie(k)+K_D[e(k)-2e(k-1)+e(k-2)]

步骤6：计算BP神经网络模型的各层的输出，得到

计算BP神经网络输入层与隐含层之间的连接权值ω_ij的修正值ω_j1(k+1)、输出层与隐含层之间的连接权值ω_j1的修正值ω_ij(k+1)；

ω_j1(k+1)＝ω_j1(k)+Δω_j1(k+1)

ω_ij(k+1)＝ω_ij(k)+Δω_ij(k+1)

步骤7：计算预测输出

步骤8：判断偏差e(k)是否满足控制精度误差；若不满足，则令k＝k+1，返回步骤2；否则，将预测输出

传输给变频器，实现对锅炉液位控制。

本发明的有益效果在于：

本发明结构紧凑合理，工作性能良好。本发明采用的基于非线性预测模型的BP神经网络PID控制方法，具有更好的控制精度与控制效果，抗干扰性和适应性都相对较高，适用于控制大规模液位控制系统，如核电站立式蒸汽发生器水位控制。

附图说明

图1是本发明的一种BP神经网络PID预测控制的锅炉液位控制系统的结构示意图。

图2是本发明中BP神经网络PID预测控制器的结构图。

图3是本发明中非线性BP神经网络预测模型结构图。

图4是本发明中BP网络的PID预测控制流程图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明涉及到自动化控制技术领域，具体地说，是一种锅炉液位系统及其BP神经网络PID预测控制方法。本发明公开了一种BP神经网络PID预测控制的锅炉液位系统及其控制方法，其中系统包括定值器，压力变送器输出端与BP神经网络PID预测控制器输入端相连，BP神经网络PID预测控制器输出与变频器的输入端连接，测取锅炉液位的压力传感器与BP神经网络PID预测控制器输入端连接。本发明结构紧凑合理，工作性能良好。其控制方法采用基于非线性预测模型的BP神经网络PID控制方法，适用于控制大规模液位控制系统，如核电站立式蒸汽发生器水位控制，也适用于高等院校工业过程控制实验课程中的工程实践教学。

一种BP神经网络PID预测控制的锅炉液位控制系统，包括定值器1、BP神经网络PID预测控制器2和压力传感器5；所述的定值器输入对锅炉液位的给定量；所述的压力传感器测取锅炉的实际液位高度值；所述的压力传感器和定值器与BP神经网络PID预测控制器的输入端连接，压力变送器将压力传感器测取的锅炉实际液位高度值与定值器输入的给定量比较后的差值输入至BP神经网络PID预测控制器中；所述的BP神经网络PID预测控制器的输出端与控制锅炉3液位的变频器4连接，BP神经网络PID预测控制器输出调节量控制变频器的输出频率，实现对锅炉液位的定值控制。

一种BP神经网络PID预测控制的锅炉液位控制方法，包括以下步骤：

步骤1：初始化BP神经网络，设定输入层与隐含层之间的连接权值ω_ij的初始值、输出层与隐含层之间的连接权值ω_j1的初始值、学习速率η和动量因子α；初始化k＝1；

所述的BP神经网络包括输入层、隐含层和输出层，输入层有n_y+n_u+1个节点，隐含层有q个节点，输出层有一个节点。预测模型是一个SISO非线性系统。

y(k)＝f[y(k-1)，y(k-2)，…，y(k-n_y)，u(k-1)，u(k-2)，…，u(k-n_u)]

式中y(k)、u(k)分别表示系统的输出和输入；n_y、n_u分别为{y}和{u}的阶次；f(·)为非线性函数。

输入层各节点的输出为：

隐含层各节点的输出为：

输出层节点的输出为：

步骤2：计算e(k)＝y_s(k)-y(k)，式中(y_s(k)表示锅炉液位的给定量。

步骤3：对e(k)进行归一化处理，作为BP神经网络的输入；

步骤4：前向计算BP神经网络的各层的输出，得到PID控制器的三个可调参数K_P(k)、K_I(k)、K_D(k)；

输出层的输出为

式中，输出层激励函数为g(x)＝[1+tanh(x)]/2，选择双曲线函数tanh(x)。

步骤5：计算PID控制器的输出u(k)；

u(k)＝u(k-1)+K_P[e(k)-e(k-1)]+K_Ie(k)+K_D[e(k)-2e(k-1)+e(k-2)]

步骤6：计算BP神经网络模型的各层的输出，得到

计算BP神经网络输入层与隐含层之间的连接权值ω_ij的修正值ω_j1(k+1)、输出层与隐含层之间的连接权值ω_j1的修正值ω_ij(k+1)；

ω_j1(k+1)＝ω_j1(k)+Δω_j1(k+1)

ω_ij(k+1)＝ω_ij(k)+Δω_ij(k+1)

步骤7：计算预测输出

步骤8：判断偏差e(k)是否满足控制精度误差；若不满足，则令k＝k+1，返回步骤2。

实施例1：

针对现有技术的不足，本发明的目的在于提供一种结构合理紧凑，工作性能良好的锅炉液位系统和具有预测功能的BP神经网络PID控制方法。

一种基于非线性预测模块的BP神经网络PID控制方法，经计算后得出的操纵变量能够自动调节变频器输出220V变频泵电压的频率，由于采用基于非线性预测模块的BP神经网络PID控制方法，因而得出的操纵变量依据历史测量曲线，提前预估判断出正确的逼近方向，从而极大地缩短锅炉液位系统稳定周期，提高锅炉液位系统收敛效率。

一种BP神经网络PID预测控制的锅炉液位系统，包括定值器，压力变送器输出端与BP神经网络PID预测控制器输入端相连，BP神经网络PID预测控制器输出与变频器的输入端连接，测取锅炉液位的压力传感器与BP神经网络PID预测控制器输入端连接。

变频器采用日本三菱(FR-S520S-0.4K-CH(R))变频器，控制信号输入为4～20mADC或0-～5VDC，～220V变频输出用来驱动三相磁力驱动泵。通过调节变频器输出频率控制磁力驱动泵，实现不同液位的稳定效果,从而达到实现锅炉液位系统内液位定值自动控制的目的。

本发明提出的锅炉液位系统采用基于非线性预测模型的BP神经网络PID控制方法。

非线性预测模型的BP神经网络PID控制方法以锅炉液位PID控制输出的历史运行数据作为非线性预测模型的训练样本，与BP神经网络PID控制方法比较后，为BP神经网络提供优质权值和阈值，改善BP神经网络易于陷入局部极值等缺点。将非线性预测模型引入BP神经网络，增强了网络模型辨识精度，提高了系统求解速度，具有较好的稳定性和快速响应性。

非线性预测模型的BP神经网络PID控制方法将历史运行数据作为神经网络的原始训练样本，将BP神经网络模型作为预测模型，神经网络的训练结果直接传递给PID，作为最佳的逼近稳定的操作变量，结合新的预测值，修正得出预测方向的操纵变量，计算出最优的PID输出值，有效提高系统稳定效率，缩短系统收敛周期。

非线性预测模型的BP神经网络PID控制方法是基于非线性预测模型建立BP神经网络模型，使用真实历史数据输入样本训练网络，直接将历史最优测量曲线作为BP神经网络模型的学习样本，使不同的输入向量得到相应的输出值，从而建立锅炉液位非线性预测模型的预测结果与相应实际测量值之间的非线性映射关系。经过不断学习及训练，达到较高的精度之后，该网络就可以作为非线性PID预测的有效工具，即将该方法用于非线性PID预测锅炉液位控制并得到逼近最佳PID的操作变量，快速让锅炉液位控制系统进入稳定状态。

一种BP神经网络PID预测控制的锅炉液位系统，包括定值器1，压力变送器输出端与BP神经网络PID预测控制器2输入端相连，BP神经网络PID预测控制器与控制锅炉3液位的变频器4连接，测取锅炉液位的压力传感器5与BP神经网络PID预测控制器连接。如图1所示。

将压力传感器检测到的锅炉液位信号作为反馈信号，压力传感器测取实际液位高度值，在与定值器读取到的给定量比较后的差值通过BP神经网络PID预测控制器，要求锅炉液位系统的被控制量稳定至给定量，经BP神经网络PID预测控制器运算后得出的操纵变量传递给变频器，BP神经网络PID预测控制器输出调节量控制变频器的频率，达到实现锅炉液位定值控制的目的。如图2所示。

变频器采用日本三菱(FR-S520S-0.4K-CH(R))变频器，控制信号输入为4～20mADC或0-～5VDC，～220V变频输出用来驱动三相磁力驱动泵。通过调节变频器输出频率控制磁力驱动泵，实现不同液位的稳定效果,从而达到实现锅炉液位系统内液位定值控制的目的。

下面结合附图对本发明的工作原理及操作流程作进一步详细说明。

采用非线性预测模型的BP神经网络PID控制方法步骤如下：

通过建立锅炉液位的非线性BP神经网络PID预测模型，可以得到最优估计值。用该预测模型来计算被控对象的未来输出。通过BP神经网络自身的学习，可以找到一种最优控制下的PID参数。当被控系统具有较强的非线性时，采用非线性模型来进行反馈控制，可以提高锅炉液位系统的可控性。

设被控对象是一个单输入单输出的非线性系统，锅炉的液位反馈控制系统模型输出为：

y(k)＝f[y(k-1)，y(k-2)，…，y(k-n_y)，u(k-1)，u(k-2)，…，u(k-n_u)]

式中，y和u分别为系统的输出和输入，n_y、n_u分别为{y}和{u}的阶次，f为非线性函数。为了得到系统的预测值

和

建立一个三层BP神经网络预测模型，如图3所示。BP神经网络模型的前向计算过程为：以被控对象的输入输出过程量{y(k)}和{u(k)}作为神经网络的默认特征。

该神经网络模型的输入层有n_y+n_u+1个节点，作为被控对象已知的输出值y、输入值u和阈值的神经元，q个隐含层节点和一个输出层节点。输出层神经元的激励函数可以取线性函数

为了计算预测输出

或

采用BP神经网络结构——包括输入层、隐含层和输出层的神经网络模型作为非线性模型的预测模型。而隐含层神经元的激励函数依然取Sigmoid函数。

由图3可知，输入层各节点的输出为

隐含层节点的输出为

输出层节点的输出

建立目标误差函数

利用BP学习方法来修正预测模型中各节点间的连接权值。对于输出层

对于隐含层节点，有

由

和u(k)的函数关系，可以得到

采用的非线性BP神经网络PID预测控制方法的流程如图4所示，其具体操作步骤为：

(1)确定BP神经网络结构，选定输入层、隐含层的节点数n_y+n_u、q，给定各层节点间的连接权值ω_ij、ω_jm初始值，给定学习速率η和动量因子α，k＝1；

(2)由y_s(k)、y(k)计算e(k)＝y_s(k)-y(k)；

(3)对e(k)进行归一化处理，作为神经网络的输入；

(4)前向计算BP神经网络的各层的输出，得到PID控制器的三个可调参数K_P(k)、K_I(k)、K_D(k)；

(5)计算PID控制器的输出u(k)，参与控制与计算；

(6)前向计算BP神经网络模型的各层的输出，得到

计算修正BP神经网络模型的输出层与隐含层之间和隐含层与输入层之间得连接权值；

(7)计算

(8)计算修正BP神经网络输出层与隐含层之间的连接权值ω_jm；

(9)计算修正BP神经网络输入层与隐含层之间的连接权值ω_ij；

(10)置k＝k+1，返回到低(2)步，重复上述计算，知道偏差满足控制精度误差的要求为止。

本发明所提出的基于非线性预测模型的BP神经网络PID控制方法具有更好的控制精度与控制效果，抗干扰性和适应性都相对较高，且具有推广应用前景，如在工业生产过程中的温度预测、流量预测、压力预测以及成分预测等领域都可以获得有指导意义的预测结果。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种BP神经网络PID预测控制的锅炉液位控制系统，其特征在于：包括定值器、BP神经网络PID预测控制器和压力传感器；所述的定值器输入对锅炉液位的给定量；所述的压力传感器测取锅炉的实际液位高度值；所述的压力传感器和定值器与BP神经网络PID预测控制器的输入端连接，压力变送器将压力传感器测取的锅炉实际液位高度值与定值器输入的给定量比较后的差值输入至BP神经网络PID预测控制器中；所述的BP神经网络PID预测控制器的输出端与控制锅炉液位的变频器连接，BP神经网络PID预测控制器输出调节量控制变频器的输出频率，实现对锅炉液位的定值控制。

2.基于权利要求1所述的一种BP神经网络PID预测控制的锅炉液位控制系统的一种BP神经网络PID预测控制的锅炉液位控制方法，其特征在于，包括以下步骤：

步骤1：初始化BP神经网络，设定输入层与隐含层之间的连接权值ω_ij的初始值、输出层与隐含层之间的连接权值ω_j1的初始值、学习速率η和动量因子α；初始化k＝1；

所述的BP神经网络包括输入层、隐含层和输出层，输入层有n_y+n_u+1个节点，隐含层有q个节点，输出层有一个节点；BP神经网络的输出变量可表示为：

y(k)＝f[y(k-1)，y(k-2)，…，y(k-n_y)，u(k-1)，u(k-2)，…，u(k-n_u)]

其中，y(k)、u(k)分别表示系统的输出和输入；n_y、n_u分别为{y}和{u}的阶次；f(·)为非线性函数；

输入层各节点的输出为：

隐含层各节点的输出为：

输出层节点的输出为：

步骤2：计算e(k)＝y_s(k)-y(k)；y_s(k)为定值器输入的对锅炉液位的给定量；

步骤3：对e(k)进行归一化处理，作为BP神经网络的输入；

步骤4：前向计算BP神经网络的各层的输出，得到PID控制器的三个可调参数K_P(k)、K_I(k)、K_D(k)；

其中，输出层激励函数为g(x)＝[1+tanh(x)]/2；tanh(x)为选择双曲线函数；

步骤5：计算PID控制器的输出u(k)；

u(k)＝u(k-1)+K_P[e(k)-e(k-1)]+K_Ie(k)+K_D[e(k)-2e(k-1)+e(k-2)]

步骤6：计算BP神经网络模型的各层的输出，得到

计算BP神经网络输入层与隐含层之间的连接权值ω_ij的修正值ω_j1(k+1)、输出层与隐含层之间的连接权值ω_j1的修正值ω_ij(k+1)；

ω_j1(k+1)＝ω_j1(k)+Δω_j1(k+1)

ω_ij(k+1)＝ω_ij(k)+Δω_ij(k+1)

步骤7：计算预测输出

步骤8：判断偏差e(k)是否满足控制精度误差；若不满足，则令k＝k+1，返回步骤2；否则，将预测输出

传输给变频器，实现对锅炉液位控制。

Images