CN114089795A - 一种基于事件触发的模糊神经网络温度控制系统及方法 - Google Patents
一种基于事件触发的模糊神经网络温度控制系统及方法 Download PDFInfo
- Publication number
- CN114089795A CN114089795A CN202111388986.0A CN202111388986A CN114089795A CN 114089795 A CN114089795 A CN 114089795A CN 202111388986 A CN202111388986 A CN 202111388986A CN 114089795 A CN114089795 A CN 114089795A
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- input end
- controller
- output end
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Feedback Control In General (AREA)
- Control Of Temperature (AREA)
Abstract
本发明公开了一种基于事件触发的模糊神经网络温度控制系统,包括:主蒸汽对象的输出端与主变送器的输入端连接;主变送器的输出端经与事件触发器的输入端连接;事件触发器的输出端与模糊RBF神经网络的输入端连接;模糊RBF神经网络输出端与PID控制器的输入端连接;PID控制器的输出端与副控制器的输入端连接;副控制器的输出端与执行器的输入端连接;执行器的输出端与减温器的输入端连接;减温器的输出端分别与主蒸汽对象的输入端、副变送器的输入端连接;副变送器的输出端与副控制器的输入端连接。本发明可以减少主蒸汽温度的波动幅度,提高调节品质,同时可以减少调节阀门的调节次数,提高了使用寿命。
Description
技术领域
本发明涉及火电发电温度控制技术领域,具体涉及计一种基于事件触发的模糊RBF神经网络PID控制的火电厂主蒸汽温度控制系统和控制方法。
背景技术
主蒸汽温度是火电厂锅炉热工过程控制的关键参数。根据火电厂运行人员的经验,当机组负荷扰动比较大时,运行人员操作不当很容易造成事故的发生,严重时导致过热器超温,甚至可能出现过热器漏泄而使机组停机,严重影响机组运行的安全和稳定。汽包锅炉主蒸汽温度通常采用常规串级控制系统存在大惯性、延迟性、非线性而提出改进控制策略的设想。主蒸汽温度过高或者过低主下列因素:主要有主蒸汽流量大小、尾部烟道过热器布置结构,以及过热器的类型、换热方式、烟气流量、传热方式等因素有关系;从机组运行控制过程来看:主蒸汽温度超温或者过低主要由运行人员监视参数不利和操作不当造成的;从主蒸汽温度控制系统结构来看,很大程度上是由于设计上存在参数整定不当所引起的。主蒸汽温度控制不好不但影响机组的安全和稳定运行,而且对机组相应的设备尤其是过热器和气轮机的寿命影响重大,尤其温度低不仅会损坏气轮机末级叶片,严重发生水击现象。因此,主蒸汽温度是火电运行人员监视参数需要单独设置一个运行专员岗位来对主蒸汽温度进行控制,同样热工技术人员在日常行和维护中根据主蒸汽温度控制曲线来分析控制系统存在的不足进而提出完善的控制策略或者需要重新进行设计。锅炉主蒸汽温度优良的品质是现代大容量、高参数火电机组必备的性能,从设计、安装、调试、检测、运行等环节都贯穿于整个控制系统的集成过程以及对应的DCS系统平台是否完善;因此,安全、稳定、有效的锅炉主蒸汽温度控制系统对火电锅炉过热器设备和汽轮机运行非常重要。
目前火电厂常规的主蒸汽温度控制一般结合前馈补偿和串级控制系统等策略,且串级控制系统的设计方法是:其主、副控制器采PID控制器。通常采用的比例、积分、微分主蒸汽温度串级控制系统,在投入运行之前,首先要对比例、积分、微分三个参数进行整定,不仅有主回路PID参数的整定过程,还有副回路参数的整定过程;当投入运行之后,比例、积分、微分参数基本不在改变,但当机机组工况发生变化时,比例、积分、微分参数不在适合控制的需要,需要离线整定。副控制器接受减温器输出的状态信号和主控制器输出信号。当过热气温升高时,主控制器输出减小,副控制器输出增加,减温水量增加,过热气温下降。
如图1所示,上述串级控制系统中具有内、外两个回路,外回路由主蒸汽对象、主变送器、状态观测器、主控制器以及整个内回路构成的。副回路包括副检测变送器、副控制器、执行器、减温水阀门、减温器、过热器等。此外内回路还是一个随动控制系统,副回路需要以外回路主控制器的输出为设定值,并利用副控制器的输出来控制执行器动作,实现对减温器的控制。因为副回路迟延和惯性较小,因此它的控制过程是稳定的。当减温水发生扰动时或减温器后的过热器出口蒸汽温度发生变化而引起导前汽温变化时,系统能及时调整,快速稳定减小扰动、特别是减温水扰动对过热汽温的影响;相对于内回路,外回路是一个低速回路,它的主要任务是维持主汽温等于给定值。主蒸汽温度有着复杂的动态和强耦合特性。上面所述常规的PID控制仅仅关注控制回路中单个输入输出变量之间的关系,而无法对强耦合或者次强耦合的输入输出变量之间的关系予以补偿。在实际运行中,一方面由于副控制器的不断调节,使得控制阀等执行器频繁操作,降低了使用寿命;另一方面,这种常规的主汽温控制策略,采用固定参数或分段PID构造控制器,没有完全考虑主汽温在变负荷下模型变化的影响,控制效果仍会很不理想,严重影响了机组的经济性和安全性。
发明内容
本发明提供了一种基于事件触发的模糊神经网络温度控制系统及方法,以解决现有技术中主汽温在变负荷下控制不理想,影响机组安全性的问题。
本发明提供了一种基于事件触发的模糊神经网络温度控制系统,包括:外环控制回路、内环控制回路,所述外环控制回路与内环控制回路构成串级控制回路;
所述外环控制回路包括:主控制器、主蒸汽对象、主变送器;
所述主控制器包括:事件触发器、模糊RBF神经网络、PID控制器;
所述内环控制回路包括:副控制器、执行器、减温器、副变送器;
所述主蒸汽对象的输出端与所述主变送器的输入端连接;所述主变送器的输出端经与所述事件触发器的输入端连接;所述事件触发器的输出端与模糊RBF神经网络的输入端连接;所述模糊RBF神经网络输出端与所述PID控制器的输入端连接;所述PID控制器的输出端与所述副控制器的输入端连接;所述副控制器的输出端与所述执行器的输入端连接;所述执行器的输出端与所述减温器的输入端连接;所述减温器的输出端分别与所述主蒸汽对象的输入端、副变送器的输入端连接;所述副变送器的输出端与所述副控制器的输入端连接。
进一步地,所述外环控制回路还包括:状态观测器;
所述主变送器的输出端与所述状态观测器的输入端连接;所述状态观测器的输出端分别与所述事件触发器的输入端、副控制器的输入端连接。
进一步地,所述主控制器还包括:论域调整器、神经网络参数调整器;
所述状态观测器的输出端与所述论域调整器的输入端连接;所述论域调整器的输出端与所述模糊RBF神经网络的输入端连接;所述神经网络参数调整器与所述模糊RBF神经网络连接。
本发明还提供了一种基于事件触发的模糊神经网络温度控制系统的控制方法,包括:外环控制回路控制方法、内环控制回路控制方法;其中:
所述外环控制回路控制方法步骤如下:
步骤A1:通过主变送器对主蒸汽对象进行温度采集,获取主蒸汽温度信号;
步骤A2:将主蒸汽温度信号与标准温度信号进行比较,计算温度偏差量、温度偏差变化率;
步骤A3:事件触发器根据温度偏差变化率进行事件触发判断,当事件触发时,事件触发器输出接收的温度偏差变化率;当事件不触发时,事件触发器不输出信号;
步骤A4:当模糊RBF神经网络接收到温度偏差变化率时,根据模糊RBF神经网络规则对PID控制器的三个参数进行整定,直至PID控制器的参数达到最优;
步骤A5:PID控制器根据控制参数输出外环回路控制信号,完成外环控制回路控制;
所述内环控制回路控制方法步骤如下:
步骤B1:通过副变送器对减温器进行温度采集,获取减温器温度信号;
步骤B2:副控制器根据所述外环回路控制信号以及减温器温度信号产生内环控制信号;
步骤B3:执行器根据内环控制信号动作,完成内环控制回路控制。
进一步地,所述步骤A2中还包括:状态观测器根据主蒸汽温度信号产生温度反馈补偿信号;
所述步骤B2:副控制器根据所述外环回路控制信号、温度反馈补偿信号以及减温器温度信号产生内环控制信号。
进一步地,所述步骤A3中还包括:论域调整器根据温度偏差量、温度偏差变化率,调节模糊RBF神经网络中的伸缩因子;
神经网络参数调整器调节模糊RBF神经网络中的连接权、隶属度函数中心和基宽。
进一步地,所述事件触发器的触发条件为:
||de/dt((k+i)h)-de/dt(kh)||≤σ
其中,de/dt((k+i)h)是当前时刻(k+i)的温度偏差变化率,de/dt(kh)是上一时刻(k)的温度偏差变化率,||||表示范数,σ为(0,1)的有界正数,i=1,2,…,为正整数。
进一步地,所述步骤B3中执行器根据内环控制信号动作具体为:执行器对设置在执行器与减温器相连通的减温水管道上的减温阀进行调节,调节流入减温水管道中的减温水的流量。
进一步地,所述副控制器为PI控制方式。
本发明的有益效果:
(1)串级控制的副控制器采用传统PI控制,主控制器采用基于事件触发器和模糊RBF神经网络的PID控制器,能够根据当前时刻主蒸汽温度的输出和设定值比较,得到系统的温度的偏差和偏差变化率,然后将得到的这两个参数输入到模糊RBF神经网络中,通过模糊RBF神经网络规则器对PID的三个参数进行在线自我整定,并最终实现最为理想的控制效果;
(2)将事件触发器引入主控制器中,事件触发器用于依据当前时刻接收到的同步信号和其内部的事件触发机制规则来判断输出值,并通过事件触发器最新的输出值与最新的接收值之间的比较来决定接下来主控制器的输出值,可以减少主蒸汽温度的波动幅度,提高调节品质,同时可以减少调节阀门的调节次数,提高了使用寿命。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1为传统串级火电厂串级温度控制系统的结构示意图;
图2为本发明结构示意图;
图3为本发明论域调整器的模糊论域变化示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种基于事件触发的模糊神经网络温度控制系统,如图2所示,包括:外环控制回路、内环控制回路,外环控制回路与内环控制回路构成串级控制回路;
外环控制回路包括:主控制器、主蒸汽对象、主变送器;
主控制器包括:事件触发器、模糊RBF神经网络、PID控制器;
内环控制回路包括:副控制器、执行器、减温器、副变送器;
主蒸汽对象的输出端与主变送器的输入端连接;主变送器的输出端经与事件触发器的输入端连接;事件触发器的输出端与模糊RBF神经网络的输入端连接;模糊RBF神经网络输出端与PID控制器的输入端连接;PID控制器的输出端与副控制器的输入端连接;副控制器的输出端与执行器的输入端连接;执行器的输出端与减温器的输入端连接;减温器的输出端分别与主蒸汽对象的输入端、副变送器的输入端连接;副变送器的输出端与副控制器的输入端连接。
主蒸汽温度信号X1(t)经主变送器时间采样后得到温度采样信号X1(kh),将得到的主蒸汽温度信号X1(kh)与标准温度信号r(kh)在第一比较器比较后得到温度偏差变化量e,温度的偏差变化量e经微分器后得到温度偏差变化率ec作为事件触发器的输入;经筛选输出的温度偏差变化量ec输出到模糊RBF神经网络后,神经网络参数调整器工作,输出最优的PID控制器的参数;PID控制器输出控制信号u1(kh)作为副控制器的输入端,副控制器输出的控制信号u2(kh)控制执行器动作,执行器控制减温器工作来调节蒸汽温度;减温器输出的温度信号X2(t)经副变送器时间采样后的温度采样信号X2(kh)输出到副控制器,减温器输出的温度信号y2(t)作为主蒸汽温度的输入端调节主蒸汽温度。
外环控制回路还包括:状态观测器;
主变送器的输出端与状态观测器的输入端连接;状态观测器的输出端分别与第一比较器的输入端、副控制器的输入端连接。第一比较器的输出温度偏差量信号e与微分器的输入端相连,温度偏差变化量经微分器后输出的温度偏差变化率信号ec作为事件触发器的输入端。
状态观测器的输出端与第二比较器相连,第二比较器的输出端和状态观测器的另外一个输入端相连,b0是一个特殊的参数,对控制量起到补偿的作用。
状态观测器的输入为温度采样信号X1(kh)、第二比较器的输出信号Z2(kh),状态观测器的输出补偿信号Z1(kh)作为第二比较器的输入端,主蒸汽温度信号Z3(kh)作为第一比较器的输入端与标准温度信号r(kh)进行比较得到温度偏差量信号e,第一比较器的输出温度偏差量信号e与微分器的输入端相连,温度偏差变化量e经微分器后输出的温度偏差变化率信号ec作为事件触发器的输入端。
主控制器还包括:论域调整器、神经网络参数调整器;
第一比较器的输出端以及微分器的输出端与论域调整器的输入端连接;论域调整器的输出端与模糊RBF神经网络的输入端连接;神经网络参数调整器与模糊RBF神经网络连接。
如图3所示,论域调整器的两个输入端是温度偏差变化量以及温度偏差变化率,论域调整器能够根据这两个量的值调整伸缩因子δ,其中δ∈[0,1],论域调整能通过伸缩因子δ将论域缩小为[-δE,δE],虽然模糊变量数量不变,但零点附近单位论域上的模糊变量划分密集,相当于间接增加了模糊控制规则,提高了控制的灵敏度。同理,当初始控制阶段误差e和误差变化率ec较大时,可通过伸缩因子β∈(1,∞)将论域膨胀为(-βE,βE),有利于加速系统响应,减少调节时间,以获得全工况优良的控制性能;神经网络参数调整器调节模糊RBF神经网络中的连接权、隶属度函数中心和基宽。
本发明还提供了一种基于事件触发的模糊神经网络温度控制系统的控制方法,包括:外环控制回路控制方法、内环控制回路控制方法;其中:
外环控制回路控制方法步骤如下:
步骤A1:通过主变送器对主蒸汽对象进行温度采集,获取主蒸汽温度信号;
步骤A2:将主蒸汽温度信号与标准温度信号进行比较,计算温度偏差量、温度偏差变化率;状态观测器根据主蒸汽温度信号产生温度反馈补偿信号;
步骤A3:事件触发器根据温度偏差变化率进行事件触发判断,当事件触发时,事件触发器输出接收的温度偏差变化率;当事件不触发时,事件触发器不输出信号;
事件触发器的触发条件为:
||de/dt((k+i)h)-de/dt(kh)||≤σ
其中,de/dt((k+i)h)是当前时刻(k+i)的温度偏差变化率,de/dt(kh)是上一时刻(k)的温度偏差变化率,||||表示范数,σ为(0,1)的有界正数,i=1,2,…,为正整数。事件触发规则的基本设计思路是:计算当前时刻接受的微分偏差信号值与上一时刻接受的微分偏差信号值,将这两个值进行求差比较,若大于设定好的阈值,则认为出发了“事件”,否则新接收的信号就不被传输;在本例中,若触发函数满足小于等于σ的条件,则认为没有发生“事件”,事件触发器新接受的信号de/dt(k+i)不会输出,若触发函数满足大于σ的条件,则认为有发生“事件”,事件触发器会将新接受的信号de/dt(k+i)输出至模糊RBF神经网络,用于更新模糊RBF神经网络输出的PID控制器的三个参数,调节被控过程的控制阀动作,实现对整个系统控制;
步骤A4:当模糊RBF神经网络接收到温度偏差变化率时,根据模糊RBF神经网络规则对PID控制器的三个参数进行整定,直至PID控制器的参数达到最优;
步骤A5:PID控制器根据控制参数输出外环回路控制信号,完成外环控制回路控制;
PID控制器是根据模糊RBF神经网络输出的Kp、Ki、Kd参数值来作为PID控制器的参数值。模糊RBF神经网络对PID的三个参数进行在线自我整定过程如下:
(1)初始化改控制器中隶属度函数的中心c、基宽b、网络各层系数的初始值w、学习速率η和惯性系数α;
(2)通过获得采样获得系统的实际的输出值y(k)和输入值r(k),通过计算得出该系统的温度偏差量e(k)以及温度偏差变化率ec(k);
(3)计算出模糊RBF神经网络中各层神经网络的输入、输出以及PID控制器输出的控制量u1(k),将u1(k)加入被控对象中,使之产生下一采样时刻的实际输出值y(k+1);
(4)更新改控制器中的隶属度函数中心c、基宽b和网络权值w;
(5)令k=k+1,移到下一采样时刻,返回步骤(1),再进行重新计算。
内环控制回路控制方法步骤如下:
步骤B1:通过副变送器对减温器进行温度采集,获取减温器温度信号;
步骤B2:副控制器根据外环回路控制信号、温度反馈补偿信号以及减温器温度信号产生内环控制信号;
步骤B3:执行器根据内环控制信号动作,完成内环控制回路控制。
步骤A3中还包括:论域调整器根据温度偏差量、温度偏差变化率,调节模糊RBF神经网络中的伸缩因子;
神经网络参数调整器调节模糊RBF神经网络中的连接权、隶属度函数中心和基宽。
模糊RBF神经网络是由神经网络结构实现的模糊控制算法,利用神经网络参数调整器可以确定和改变模糊RBF神经网络的连接权wij、隶属度函数中心cij和基宽bij,该控制器的输出为:
Δu(k)=kpe(k)+ki[e(k)-e(k-1)]+kd[e(k)-2e(k-1)+e(k-2)]
选择增量式PID算法为:
u(k)=u(k-1)+Δu(k)
其中e(k)为第k次采样时刻的系统偏差,u(k)为第k次采样时刻的输出值,Δu(k)为第k次采样时刻的输出增量;
该系统采用的是有监督学习算法,定义学习的目标函数为:
其中r(k)和y(k)分别为该系统在kT时刻的理想输出与实际输出,r(k)-y(k)表示为迭代步骤k的控制误差;
上述控制方法采用梯度下降法进行搜索寻优,输出权wij、隶属度函数中心cij和基宽bij的迭代算法为:
其中,k为迭代步骤;α为惯性系数,α∈[0,1];η为学习速率,η∈[0,1]。
步骤B3中执行器根据内环控制信号动作具体为:执行器对设置在执行器与减温器相连通的减温水管道上的减温阀进行调节,调节流入减温水管道中的减温水的流量。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种基于事件触发的模糊神经网络温度控制系统,其特征在于,包括:外环控制回路、内环控制回路,所述外环控制回路与内环控制回路构成串级控制回路;
所述外环控制回路包括:主控制器、主蒸汽对象、主变送器;
所述主控制器包括:事件触发器、模糊RBF神经网络、PID控制器;
所述内环控制回路包括:副控制器、执行器、减温器、副变送器;
所述主蒸汽对象的输出端与所述主变送器的输入端连接;所述主变送器的输出端经与所述事件触发器的输入端连接;所述事件触发器的输出端与模糊RBF神经网络的输入端连接;所述模糊RBF神经网络输出端与所述PID控制器的输入端连接;所述PID控制器的输出端与所述副控制器的输入端连接;所述副控制器的输出端与所述执行器的输入端连接;所述执行器的输出端与所述减温器的输入端连接;所述减温器的输出端分别与所述主蒸汽对象的输入端、副变送器的输入端连接;所述副变送器的输出端与所述副控制器的输入端连接。
2.如权利要求1所述的基于事件触发的模糊神经网络温度控制系统,其特征在于,所述外环控制回路还包括:状态观测器;
所述主变送器的输出端与所述状态观测器的输入端连接;所述状态观测器的输出端分别与所述事件触发器的输入端、副控制器的输入端连接。
3.如权利要求1所述的基于事件触发的模糊神经网络温度控制系统,其特征在于,所述主控制器还包括:论域调整器、神经网络参数调整器;
所述状态观测器的输出端与所述论域调整器的输入端连接;所述论域调整器的输出端与所述模糊RBF神经网络的输入端连接;所述神经网络参数调整器与所述模糊RBF神经网络连接。
4.一种基于事件触发的模糊神经网络温度控制系统的控制方法,其特征在于,包括:外环控制回路控制方法、内环控制回路控制方法;其中:
所述外环控制回路控制方法步骤如下:
步骤A1:通过主变送器对主蒸汽对象进行温度采集,获取主蒸汽温度信号;
步骤A2:将主蒸汽温度信号与标准温度信号进行比较,计算温度偏差量、温度偏差变化率;
步骤A3:事件触发器根据温度偏差变化率进行事件触发判断,当事件触发时,事件触发器输出接收的温度偏差变化率;当事件不触发时,事件触发器不输出信号;
步骤A4:当模糊RBF神经网络接收到温度偏差变化率时,根据模糊RBF神经网络规则对PID控制器的三个参数进行整定,直至PID控制器的参数达到最优;
步骤A5:PID控制器根据控制参数输出外环回路控制信号,完成外环控制回路控制;
所述内环控制回路控制方法步骤如下:
步骤B1:通过副变送器对减温器进行温度采集,获取减温器温度信号;
步骤B2:副控制器根据所述外环回路控制信号以及减温器温度信号产生内环控制信号;
步骤B3:执行器根据内环控制信号动作,完成内环控制回路控制。
5.如权利要求4基于事件触发的模糊神经网络温度控制系统的控制方法,其特征在于,所述步骤A2中还包括:状态观测器根据主蒸汽温度信号产生温度反馈补偿信号;
所述步骤B2:副控制器根据所述外环回路控制信号、温度反馈补偿信号以及减温器温度信号产生内环控制信号。
6.如权利要求4基于事件触发的模糊神经网络温度控制系统的控制方法,其特征在于,所述步骤A3中还包括:论域调整器根据温度偏差量、温度偏差变化率,调节模糊RBF神经网络中的伸缩因子;
神经网络参数调整器调节模糊RBF神经网络中的连接权、隶属度函数中心和基宽。
7.如权利要求4基于事件触发的模糊神经网络温度控制系统的控制方法,其特征在于,所述事件触发器的触发条件为:
||de/dt((k+i)h)-de/dt(kh)||≤σ
其中,de/dt((k+i)h)是当前时刻(k+i)的温度偏差变化率,de/dt(kh)是上一时刻(k)的温度偏差变化率,||||表示范数,σ为(0,1)的有界正数,i=1,2,…,为正整数。
8.如权利要求4基于事件触发的模糊神经网络温度控制系统的控制方法,其特征在于,所述步骤B3中执行器根据内环控制信号动作具体为:执行器对设置在执行器与减温器相连通的减温水管道上的减温阀进行调节,调节流入减温水管道中的减温水的流量。
9.如权利要求4基于事件触发的模糊神经网络温度控制系统的控制方法,其特征在于,所述副控制器为PI控制方式。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388986.0A CN114089795B (zh) | 2021-11-22 | 2021-11-22 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
PCT/CN2022/120450 WO2023087906A1 (zh) | 2021-11-22 | 2022-09-22 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388986.0A CN114089795B (zh) | 2021-11-22 | 2021-11-22 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114089795A true CN114089795A (zh) | 2022-02-25 |
CN114089795B CN114089795B (zh) | 2022-08-16 |
Family
ID=80302996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111388986.0A Active CN114089795B (zh) | 2021-11-22 | 2021-11-22 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114089795B (zh) |
WO (1) | WO2023087906A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115437425A (zh) * | 2022-09-28 | 2022-12-06 | 深圳市汇川技术股份有限公司 | 温度控制方法、装置、设备以及存储介质 |
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 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116594446B (zh) * | 2023-07-19 | 2023-10-17 | 广州豪特节能环保科技股份有限公司 | 一种大数据中心温控方法及系统 |
CN117193430B (zh) * | 2023-10-11 | 2024-05-24 | 深圳市顾美科技有限公司 | 基于plc的pid温度控制方法、设备及存储介质 |
CN117316356B (zh) * | 2023-10-24 | 2024-05-17 | 中国民航大学 | 一种复合材料构件热压罐成型工艺参数前馈补偿调控方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030055798A1 (en) * | 2001-09-08 | 2003-03-20 | Hittle Douglas C. | Combined proportional plus integral (PI) and neural network (nN) controller |
CN101763035A (zh) * | 2009-11-13 | 2010-06-30 | 上海电力学院 | Rbf神经网络整定pid与模糊免疫控制方法 |
US20100179721A1 (en) * | 2007-06-01 | 2010-07-15 | Lysanda Limited | Engine monitoring |
CN104201955A (zh) * | 2014-08-12 | 2014-12-10 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于变论域模糊的特高压换流变分接开关控制方法 |
WO2015045176A1 (ja) * | 2013-09-30 | 2015-04-02 | 理化工業株式会社 | 制御装置及び制御方法 |
WO2015045175A1 (ja) * | 2013-09-30 | 2015-04-02 | 理化工業株式会社 | ファジイ制御装置及びファジイ制御方法 |
CN105546508A (zh) * | 2016-02-18 | 2016-05-04 | 江苏科技大学 | 基于事件触发机制的火电厂主蒸汽温度控制系统及方法 |
CN107390528A (zh) * | 2017-08-23 | 2017-11-24 | 华南理工大学 | 一种焊缝跟踪应用的自适应模糊控制方法 |
CN107491113A (zh) * | 2017-04-19 | 2017-12-19 | 安徽华脉科技发展有限公司 | 一种基于arm的模糊pid温度控制系统 |
CN108303888A (zh) * | 2018-02-07 | 2018-07-20 | 广东电网有限责任公司电力科学研究院 | 一种电站锅炉主蒸汽温度减温喷水控制方法及系统 |
CN109120198A (zh) * | 2018-09-11 | 2019-01-01 | 江苏科技大学 | 基于触发机制的电机控制系统及方法 |
CN109143872A (zh) * | 2018-11-19 | 2019-01-04 | 重庆科技学院 | 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 |
CN109733242A (zh) * | 2018-12-12 | 2019-05-10 | 西北工业大学 | 电动汽车充电机的神经模糊稳定性控制系统及控制方法 |
CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 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 |
CN111983918A (zh) * | 2020-09-01 | 2020-11-24 | 南通大学 | 一种基于改进型模糊Smith-PID的电加热炉温度控制方法 |
CN112286051A (zh) * | 2020-09-20 | 2021-01-29 | 国网江苏省电力有限公司信息通信分公司 | 复杂网络攻击下基于自适应事件触发机制的神经网络量化控制方法 |
CN113211446A (zh) * | 2021-05-20 | 2021-08-06 | 长春工业大学 | 一种事件触发-神经动态规划的机械臂分散跟踪控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105334888B (zh) * | 2015-11-16 | 2017-09-15 | 江苏科技大学 | 一种基于触发机制的网络串级温度控制系统及其方法 |
CN109459928B (zh) * | 2018-06-12 | 2021-10-08 | 陕西科技大学 | 模糊分数阶PIDμ控制器的DDS置换蒸煮温度控制方法 |
CN111812968B (zh) * | 2020-06-24 | 2022-04-22 | 合肥工业大学 | 基于模糊神经网络pid控制器的阀位串级控制方法 |
CN112799297B (zh) * | 2020-11-11 | 2022-11-15 | 华能国际电力股份有限公司营口电厂 | 一种温度预测控制方法、系统、设备及可读存储介质 |
CN114089795B (zh) * | 2021-11-22 | 2022-08-16 | 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 |
-
2021
- 2021-11-22 CN CN202111388986.0A patent/CN114089795B/zh active Active
-
2022
- 2022-09-22 WO PCT/CN2022/120450 patent/WO2023087906A1/zh unknown
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030055798A1 (en) * | 2001-09-08 | 2003-03-20 | Hittle Douglas C. | Combined proportional plus integral (PI) and neural network (nN) controller |
US20100179721A1 (en) * | 2007-06-01 | 2010-07-15 | Lysanda Limited | Engine monitoring |
CN101763035A (zh) * | 2009-11-13 | 2010-06-30 | 上海电力学院 | Rbf神经网络整定pid与模糊免疫控制方法 |
WO2015045176A1 (ja) * | 2013-09-30 | 2015-04-02 | 理化工業株式会社 | 制御装置及び制御方法 |
WO2015045175A1 (ja) * | 2013-09-30 | 2015-04-02 | 理化工業株式会社 | ファジイ制御装置及びファジイ制御方法 |
CN104201955A (zh) * | 2014-08-12 | 2014-12-10 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于变论域模糊的特高压换流变分接开关控制方法 |
CN105546508A (zh) * | 2016-02-18 | 2016-05-04 | 江苏科技大学 | 基于事件触发机制的火电厂主蒸汽温度控制系统及方法 |
CN107491113A (zh) * | 2017-04-19 | 2017-12-19 | 安徽华脉科技发展有限公司 | 一种基于arm的模糊pid温度控制系统 |
CN107390528A (zh) * | 2017-08-23 | 2017-11-24 | 华南理工大学 | 一种焊缝跟踪应用的自适应模糊控制方法 |
CN108303888A (zh) * | 2018-02-07 | 2018-07-20 | 广东电网有限责任公司电力科学研究院 | 一种电站锅炉主蒸汽温度减温喷水控制方法及系统 |
CN109120198A (zh) * | 2018-09-11 | 2019-01-01 | 江苏科技大学 | 基于触发机制的电机控制系统及方法 |
CN109143872A (zh) * | 2018-11-19 | 2019-01-04 | 重庆科技学院 | 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 |
CN109733242A (zh) * | 2018-12-12 | 2019-05-10 | 西北工业大学 | 电动汽车充电机的神经模糊稳定性控制系统及控制方法 |
CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 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 |
CN111983918A (zh) * | 2020-09-01 | 2020-11-24 | 南通大学 | 一种基于改进型模糊Smith-PID的电加热炉温度控制方法 |
CN112286051A (zh) * | 2020-09-20 | 2021-01-29 | 国网江苏省电力有限公司信息通信分公司 | 复杂网络攻击下基于自适应事件触发机制的神经网络量化控制方法 |
CN113211446A (zh) * | 2021-05-20 | 2021-08-06 | 长春工业大学 | 一种事件触发-神经动态规划的机械臂分散跟踪控制方法 |
Non-Patent Citations (2)
Title |
---|
DU ZHAOPING 等: "《Stabilization of Linear Singular Systems with State Delay and》", 《PROCEEDINGS OF THE 35TH CHINESE CONTROL CONFERENCE》 * |
杜昭平等: "网络串级控制系统的事件触发控制器设计", 《控制与决策》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115437425A (zh) * | 2022-09-28 | 2022-12-06 | 深圳市汇川技术股份有限公司 | 温度控制方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114089795B (zh) | 2022-08-16 |
WO2023087906A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114089795B (zh) | 一种基于事件触发的模糊神经网络温度控制系统及方法 | |
Liu et al. | Neuro-fuzzy generalized predictive control of boiler steam temperature | |
CN106933202B (zh) | 利用基于所估计的状态信息的间歇重新初始化的前馈控制 | |
CN105546508B (zh) | 基于事件触发机制的火电厂主蒸汽温度控制系统及方法 | |
Liu et al. | Intelligent decoupling control of power plant main steam pressure and power output | |
CN110021942B (zh) | 一种基于dcs的调频控制方法 | |
CN108361683B (zh) | 一种全负荷段再热气温智能控制系统 | |
Dettori et al. | A fuzzy logic-based tuning approach of PID control for steam turbines for solar applications | |
CN111765447B (zh) | 一种基于多变量解耦的发电锅炉主汽温控制方法和系统 | |
Wang et al. | Intelligence-based hybrid control for power plant boiler | |
Alamoodi et al. | Nonlinear control of coal-fired steam power plants | |
CN106855691B (zh) | 用于超临界火电机组机炉系统负荷跟踪的双层控制系统 | |
CN113448248A (zh) | 一种火电机组灵活性及深度调峰智能控制方法 | |
JP3666036B2 (ja) | 火力発電プラント起動制御システム及び起動制御方法 | |
Hu et al. | Feedforward DMC-PID cascade strategy for main steam temperature control system in fossil-fired power plant | |
Ma et al. | ANN and PSO based intelligent model predictive optimal control for large-scale supercritical power unit | |
CN113883492A (zh) | 锅炉蒸汽汽温控制方法及电子设备 | |
Ranjith et al. | Design of fuzzy logic controller based load frequency control for multi source multi area system | |
CN114415511B (zh) | 火力发电汽轮机蒸汽温度的智能控制方法 | |
CN113283098B (zh) | 一种火电机组过热器/再热器汽温前馈控制信号计算方法 | |
CN113341699B (zh) | 一种变积分压力跟踪控制方法 | |
CN114115376B (zh) | 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 | |
CN113992115B (zh) | 一种双闭环电力机车调速控制方法 | |
CN117250866A (zh) | 一种pgnn前馈动态补偿-多模型预测控制方法 | |
CN118377215A (zh) | 一种多模型串级温度预测控制系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |