CN114527646A - 面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法 - Google Patents

面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法 Download PDF

Info

Publication number
CN114527646A
CN114527646A CN202111557331.1A CN202111557331A CN114527646A CN 114527646 A CN114527646 A CN 114527646A CN 202111557331 A CN202111557331 A CN 202111557331A CN 114527646 A CN114527646 A CN 114527646A
Authority
CN
China
Prior art keywords
layer
input
follows
output
formula
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
CN202111557331.1A
Other languages
English (en)
Inventor
乔俊飞
丁海旭
汤健
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202111557331.1A priority Critical patent/CN114527646A/zh
Publication of CN114527646A publication Critical patent/CN114527646A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明设计了面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法，针对城市固废焚烧多变量耦合且难以同步控制的问题。首先，分析了模型影响因素并提取了关键被控量与操作量；接着，基于数据驱动方法构建了多输入多输出Takagi‑Sugeno模糊神经网络被控对象模型；然后，构建了具有自反馈通道与互连通道的准对角递归神经网络模型并将其用于多回路PID控制器的参数自整定；最后，通过实验验证了该控制器的可行性与有效性；为提升城市固废焚烧过程智能化程度、满足实际工业控制需求提供了解决方案。

Description

面向城市固废焚烧过程的多回路准对角递归神经网络PID控 制方法
技术领域
本发明针对城市固废焚烧多变量耦合且难以同步控制的问题，设计了一种面向城市固 废焚烧过程的多回路准对角递归神经网络PID控制器，该控制器分析了模型影响因素并提 取了关键被控量与操作量，基于数据驱动构建了多输入多输出Takagi-Sugeno模糊神经网 络被控对象模型，构建了具有自反馈通道与互连通道的准对角递归神经网络模型并将其用 于多回路PID控制的参数自整定，解决了城市固废焚烧过程中的多变量控制问题。
背景技术
城市固废焚烧因其具有无害化、资源化、减量化的优势，已成为当前处置城市固废的 主要方式之一。城市固废焚烧是典型的机理反应复杂的多输入多输出工业过程，多个操作 量与被控量之间耦合严重，难以挖掘控制规则。研究城市固废焚烧过程的控制方法对提升 其工艺智能化程度、提高其运行效率、减少污染物排放和促进城市固废资源回收具有重要 意义。
研究表明，当前工业控制领域中90％以上的控制是使用PID控制实现的，其具有结构 简单、鲁棒性较好、参数整定技术成熟等优点。一些学者结合实际应用情况对PID控制器进行了改进，以增强其解决复杂工业控制问题的能力。尽管以上PID控制器在动态响应、 设定值跟踪上具有良好的性能，然而其所针对的问题主要是工业领域的单变量控制问题， 通过构建单回路PID控制即可实现控制目标。但是，在面对具有多对象、多变量、强耦合 等诸多不确定特征的城市固废焚烧过程时，仅通过单回路PID控制器是无法满足同步控制 多个被控量的控制需求的。
针对复杂工业过程的多变量控制问题，一些学者在PID控制的基础上，构建了多回路 PID控制器。多回路PID控制器满足了复杂工业的多变量控制需求，然而随着回路的增加， 多个控制器需要整定的参数也随之增加，这就对系统的参数整定提出了更高的要求。近年 来，随着人工智能理论与技术的发展，应用于工业控制方法也在随之革新。人工神经网络 的出现为多回路PID控制器的参数自整定提供了更好的解决方案。基于神经网络的多回路PID控制器在面对复杂工业控制问题时，其不仅能够通过自身的计算能力与非线性逼近能 力对多个控制器进行参数自整定，还能够通过自身的学习能力提升控制器在面对强不确定 性性工业过程时的稳定性。
多变量耦合是构建多回路PID控制器拟解决的关键问题之一。神经网络PID控制具有 参数自整定能力，而被广泛应用于控制器设计中，其中，针对多变量的解耦控制中，递归神经网络具有更强的表达能力与处理瞬态信息的能力，更适用于非线性系统的多变量控制问题。递归神经网络将前馈网络隐层节点反馈到前一层节点上，或在本层节点上进行自反馈。克服了多层前馈网络将动态建模变成静态建模的问题，其结构简单、网络计算量少， 更适于多变量解耦控制。近年来对神经网络的研究表明，神经元之间连接有紧密和疏松之分，连接方式的多样化蕴涵了更多种的反应方式。准对角递归神经网络是通过模仿生物神经元互连特点构建而成一种局部递归神经网络，它是在对角递归神经网络的基础上演变而来的递归神经网络。准对角递归神经网络不仅在隐含层神经元上构建了自反馈通道，还在隐含层神经元之间增加了互连通道，具有更强的信息挖掘能力。与全连接递归神经网络不同，准对角递归神经网络仅在相邻隐含层神经元之间建立连接，其构建的递归权值矩阵为准对角矩阵。准对角递归神经网络减少了连接权数，因而极大地减少了网络计算量，加快了网络的学习速度，更适用于实时控制。综上所述，准对角递归神经网络具有强大的映射能力、记忆能力和动态响应能力，构建的递归通道能够实时捕捉系统的动态特性，更适用于非线性系统的多变量控制问题。
根据以上分析，本发明针对城市固废焚烧工艺过程特点，设计了一种城市固废焚烧过 程的多回路准对角递归神经网络PID控制器。首先，针对控制过程特性进行了分析，选取 了关键操作量与被控量；接着，通过数据驱动构建了多输入多输出Takagi-Sugeno模糊神 经网络被控对象模型；然后，构建了基于准对角递归神经网络的多变量PID控制器；最后， 通过北京市某固废焚烧厂的过程数据验证了控制器的有效性。
发明内容
本发明获得了一种面向城市固废焚烧过程的多回路准对角递归神经网络PID控制器， 该控制器分析了模型影响因素，基于数据驱动构建了多输入多输出Takagi-Sugeno模糊神 经网络被控对象模型，构建了具有自反馈通道与互连通道的准对角递归神经网络模型并将 其用于多回路PID控制的参数自整定，解决了城市固废焚烧过程中的多变量控制问题；
本发明采用了如下的技术方案及实现步骤：
面向城市固废焚烧过程的多回路准对角递归神经网络PID控制器方法包括以下步骤：
1.面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法，其特征在于， 包括以下步骤：
(1)城市固废焚烧数据采集：通过单向隔离系统采集城市固废焚烧过程的关键操作变 量：干燥炉排空气流量(左1、右1、左2、右2)、燃烧炉排1段空气流量(左1、右1、左2、 右2)、燃烧炉排2段空气流量(左1、右1、左2、右2)、燃尽炉排空气流量(左、右)、一次 风总流量、二次风流量、干燥炉排速度(左内、右内、左外、右外)、燃烧炉排1段速度(左 内、右内、左外、右外)、燃烧炉排2段速度(左内、右内、左外、右外)和燃尽炉排速度(左 内、右内)，采集关键被控变量：主蒸汽流量、炉膛温度和烟气含氧量；
(2)控制特性分析：采用皮尔逊相关系数ραβ对操作变量αl与被控变量βl之间的相关性 进行评估，其计算方法为：
Figure BDA0003419425750000031
式中，N为样本总数，根据计算结果选取一次风总流量、二次风流量、干燥炉排速度作为 关键操作变量；
(3)数据预处理：通过剔除异常数据与数据归一化对采集得到的数据进行预处理，计算 步骤如下：
①剔除异常数据：通过3σ准则对异常数据进行剔除，首先，设定样本数据的维度为q×K，q为被控变量数量，K为样本的总数量，样本数据用
Figure BDA0003419425750000032
Figure BDA0003419425750000033
表示，其中
Figure BDA0003419425750000034
为样本均值，其标准偏差σs的计算方法为：
Figure BDA0003419425750000035
当
Figure BDA0003419425750000036
对应的剩余误差
Figure BDA0003419425750000037
符合以下条件时，则对此
Figure BDA0003419425750000038
执行剔除操作，其计算方 法为：
Figure BDA0003419425750000041
②数据归一化：对样本数据
Figure BDA0003419425750000042
进行归一化，计算归一化后的数据样本
Figure BDA0003419425750000043
其计算方 法如下：
Figure RE-GDA0003610444840000044
其中，
Figure RE-GDA0003610444840000045
为变量s的样本向量，经过归一化处理之后，每个样本数据范围均在[0,1]之间；
(4)被控对象模型设计：通过数据驱动构建了多输入多输出Takagi-Sugeno模糊神经网 络被控对象模型，其包括输入层、隶属函数层、规则层、后件层和输出层共5层，对其数学描述如下：
①输入层：该层共有n个神经元，n为3，其作用将输入值进行传递，当第k个样本进入时，输入层的输出为：
xi(k),i＝1,2,...,n (5)
②隶属函数层：该层共有n×m个神经元，m为12，每个节点的输出代表对应输入量的隶属度值，隶属函数为：
Figure BDA0003419425750000046
式中，cij(k)与δij(k)分别为隶属度函数的中心和宽度，其初始值由rand随机函数生成范围 在[0,2]之间均匀分布的随机实数；
③规则层：该层共有m个神经元，采用模糊连乘算子作为模糊逻辑规则，规则层的输 出为：
Figure BDA0003419425750000047
④后件层：该层共有m×q个神经元，q为3，每个节点执行T-S型模糊规则的线性求和，计算每条规则所对应输出的后件参数
Figure BDA0003419425750000048
其计算过程如下：
Figure BDA0003419425750000051
式中，
Figure BDA0003419425750000052
为模糊系统的参数，其初始值设为0.3，x0(k),x1(k),…, xn(k)为输入变量，x0(k)为输入常数，用于增强网络平移能力，其值为1；
⑤输出层：该层设有q个输出节点，每个节点对输入参数执行加权求和，其计算公式 如下：
Figure BDA0003419425750000053
⑥模型参数学习：使用梯度下降算法调整网络参数，首先，定义误差计算方法如下：
Figure BDA0003419425750000054
式中，ys(k)为第k个输入样本对应的第s个实际输出，
Figure BDA0003419425750000055
为第k个输入样本对应的第s个 计算输出，es(k)为两者之间的误差，依据误差对网络的中心、宽度和模糊系统参数更新算 法定义如下：
Figure BDA0003419425750000056
Figure BDA0003419425750000057
Figure BDA0003419425750000058
式中，η为在线学习率，η的取值范围为[0.01,0,05]，cij(k-1)、δij(k-1)和
Figure BDA0003419425750000059
分别为 第k-1个样本输入时网络隶属函数层的中心、宽度和模糊系统的参数，完成本次参数更新 后，输入训练样本数据xi(k+1)，重复步骤①～⑥，直至所有训练样本全部输入，训练样本 数为总样本数K的80％，之后对模型进行迭代训练，直至迭代次数达到最大迭代值Itmax， Itmax为500，此时建模误差达到最小，将此时的模型确立为被控对象模型；
(5)多变量控制器设计：该控制器用于对被控对象模型施加控制，其由准对角递归神经 网络自整定模型、被控对象Jacobian信息辨识、PID参数整定机制和PID控制器组成，各 部分功能描述如下：
①准对角递归神经网络自整定模型：
输入层：该层设有ξ个神经元，其作用是将输入值进行传递，第s个模型在时刻t时，网络的输入可表示为：
Isr(t),r＝1,2,...,ξ,s＝1,2,...,q (14)
式中，ξ＝3，q＝3，输入为[us(t-1),ys(t),1]，其中，us(t-1)为t-1时刻的操作变量实际值， ys(t)为被控变量，常数1为偏置项，其作用是增强网络的平移能力；
回归层：该层共有ω个神经元，ω为7，回归层输入Gsg(t)包括输入层信息、自反馈信息与互连神经元信息，将其表示为：
Figure BDA0003419425750000061
式中，Dsg(t-1)为模型s在t-1时刻的回归层神经元的输出，
Figure BDA0003419425750000062
为输入层到回归层之间 的连接权值，
Figure BDA0003419425750000063
为回归层神经元的递归权值，g＝1,2,...,ω，
Figure BDA0003419425750000064
回归层各个神经元的递归权值
Figure BDA0003419425750000065
可表示为如下所示的准对角矩阵形式：
Figure BDA0003419425750000066
根据公式(15)、(16)，通过Sigmoid函数f()对回归层的每个节点进行激活，计算回归 层输出为：
Figure BDA0003419425750000067
输出层：该层有单个输出节点，该节点对输入参数执行加权求和，输出层输出可表示 为：
Figure BDA0003419425750000071
式中，
Figure BDA0003419425750000072
为回归层到输出层之间的连接权值；
②被控对象Jacobian信息辨识：
首先，将系统输出与网络输出的误差作为辨识器的调整信号，定义被控对象系统的辨 识误差为：
ems(t)＝ys(t)-yms(t) (19)
式中，ys(t)为被控量实际值，yms(t)为模型计算得出的被控量估计值；
定义被控对象性能指标Js(t)如下：
Figure BDA0003419425750000073
采用最小均方算法对准对角递归神经网络模型的参数进行更新：
Figure BDA0003419425750000074
Figure BDA0003419425750000075
Figure BDA0003419425750000076
式中，
Figure BDA0003419425750000077
和
Figure BDA0003419425750000078
分别输入层、回归层和输出层的学习率，其值为4^10-4，损失函数对 权值的求导过程如下：
Figure BDA0003419425750000079
式中，f′(Gsg(t))为回归层Sigmoid函数的导数；
Figure BDA00034194257500000710
Figure BDA0003419425750000081
根据以上推导，计算被控对象Jacobian信息为：
Figure BDA0003419425750000082
式中，us(t)为t时刻的操作变量实际值，
Figure BDA0003419425750000083
为操作变量对应的输入层权值；
③PID控制器：
定义控制器输入误差如下：
es(t)＝rs(t)-ys(t) (28)
式中，rs(t)为被控量设定值；
定义误差的比例、积分与微分分别为
Figure BDA0003419425750000084
其计算如下：
Figure BDA0003419425750000085
式中，T为采样时间间隔，采样间隔为1秒，
Figure BDA0003419425750000086
为采样时段内的时间点；
PID控制器的输出表示为：
Figure BDA0003419425750000087
式中，
Figure BDA0003419425750000088
和
Figure BDA0003419425750000089
分别为PID的比例系数、积分系数和微分系数；
④PID参数整定机制：
对多变量PID控制器的参数进行整定，首先，定义PID性能指标为：
Figure BDA00034194257500000810
根据性能指标，计算PID的比例系数
Figure BDA00034194257500000811
积分系数
Figure BDA00034194257500000812
微分系数
Figure BDA00034194257500000813
的调整公式如下：
Figure BDA0003419425750000091
Figure BDA0003419425750000092
Figure BDA0003419425750000093
式中，
Figure BDA0003419425750000094
和
Figure BDA0003419425750000095
分别为PID的比例系数、积分系数和微分系数对应的学习率，其值分 别为5^10-5、3^10-5、1^10-5，
Figure BDA0003419425750000096
为被控对象的Jacobian信息，由公式(27)辨识获 得。
本发明的创造性主要体现在：
(1)本发明针对城市固废焚烧过程特性进行了分析，结合布风布料过程提取了能够反应 燃烧状态的关键操作量与被控量；
(2)本发明采用数据驱动的方法建立了基于多输入多输出Takagi-Sugeno模糊神经网络 的被控对象模型，构建被控对象模型具有多任务学习能力，能够利用多任务之间的互补信 息同时对多个被控量进行精准拟合,并对网络参数进行在线更新；
(3)本发明构建了多回路PID控制器，设计具有自反馈通道与互连通道的准对角递归 神经网络模型，利用其处理瞬态信息的能力对PID参数进行整定，实现了对多变量的同步 控制；
附图说明
图1是本发明的城市固废焚烧过程控制流程图
图2是本发明的基于Takagi-Sugeno型模糊神经网络的多输入多输出被控对象模型图
图3是本发明的城市固废焚烧过程的准对角递归神经网络PID多回路控制策略图
图4是本发明的准对角递归神经网络模型结构图
图5是本发明的主蒸汽流量设定值控制跟踪结果图
图6是本发明的炉膛温度设定值控制跟踪结果图
图7是本发明的烟气含氧量设定值控制跟踪结果图
图8是本发明的一次风流量自整定过程图
图9是本发明的二次风流量自整定过程图
图10是本发明的干燥炉排速度自整定过程图
具体实施方式
本发明获得了一种面向城市固废焚烧过程的多回路准对角递归神经网络PID控制器， 该控制器分析了模型影响因素并提取了关键被控量与操作量，基于数据驱动构建了多输入 多输出Takagi-Sugeno模糊神经网络被控对象模型，构建了具有自反馈通道与互连通道的 准对角递归神经网络模型并将其用于多回路PID控制的参数自整定，解决了城市固废焚烧 过程中的多变量控制问题；
本发明采用了如下的技术方案及实现步骤：
面向城市固废焚烧过程的多回路准对角递归神经网络PID控制器方法包括以下步骤：
1.面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法，其特征在于， 包括以下步骤：
(1)城市固废焚烧数据采集：通过单向隔离系统采集城市固废焚烧过程的关键操作变 量：干燥炉排空气流量(左1、右1、左2、右2)、燃烧炉排1段空气流量(左1、右1、左2、 右2)、燃烧炉排2段空气流量(左1、右1、左2、右2)、燃尽炉排空气流量(左、右)、一次 风总流量、二次风流量、干燥炉排速度(左内、右内、左外、右外)、燃烧炉排1段速度(左 内、右内、左外、右外)、燃烧炉排2段速度(左内、右内、左外、右外)和燃尽炉排速度(左 内、右内)，采集关键被控变量：主蒸汽流量、炉膛温度和烟气含氧量；
(2)控制特性分析：采用皮尔逊相关系数ραβ对操作变量αl与被控变量βl之间的相关性 进行评估，其计算方法为：
Figure BDA0003419425750000111
式中，N为样本总数，根据计算结果选取一次风总流量、二次风流量、干燥炉排速度作为 关键操作变量；
(3)数据预处理：通过剔除异常数据与数据归一化对采集得到的数据进行预处理，计算 步骤如下：
①剔除异常数据：通过3σ准则对异常数据进行剔除，首先，设定样本数据的维度为q×K，q为被控变量数量，K为样本的总数量，样本数据用
Figure BDA0003419425750000112
Figure BDA0003419425750000113
表示，其中
Figure BDA0003419425750000114
为样本均值，其标准偏差σs的计算方法为：
Figure BDA0003419425750000115
当
Figure BDA0003419425750000116
对应的剩余误差
Figure BDA0003419425750000117
符合以下条件时，则对此
Figure BDA0003419425750000118
执行剔除操作，其计算方 法为：
Figure BDA0003419425750000119
②数据归一化：对样本数据
Figure BDA00034194257500001110
进行归一化，计算归一化后的数据样本
Figure BDA00034194257500001111
其计算方 法如下：
Figure RE-GDA00036104448400001111
其中，
Figure RE-GDA00036104448400001112
为变量s的样本向量，经过归一化处理之后，每个样本数据范围均在[0,1]之间；
(4)被控对象模型设计：通过数据驱动构建了多输入多输出Takagi-Sugeno模糊神经网 络被控对象模型，其包括输入层、隶属函数层、规则层、后件层和输出层共5层，对其数学描述如下：
①输入层：该层共有n个神经元，n为3，其作用将输入值进行传递，当第k个样本进入时，输入层的输出为：
xi(k),i＝1,2,...,n (5)
②隶属函数层：该层共有n×m个神经元，m为12，每个节点的输出代表对应输入量的隶属度值，隶属函数为：
Figure BDA0003419425750000121
式中，cij(k)与δij(k)分别为隶属度函数的中心和宽度，其初始值由rand随机函数生成范围 在[0,2]之间均匀分布的随机实数；
③规则层：该层共有m个神经元，采用模糊连乘算子作为模糊逻辑规则，规则层的输 出为：
Figure BDA0003419425750000122
④后件层：该层共有m×q个神经元，q为3，每个节点执行T-S型模糊规则的线性求和，计算每条规则所对应输出的后件参数
Figure BDA0003419425750000123
其计算过程如下：
Figure BDA0003419425750000124
式中，
Figure BDA0003419425750000125
为模糊系统的参数，其初始值设为0.3，x0(k),x1(k),…, xn(k)为输入变量，x0(k)为输入常数，用于增强网络平移能力，其值为1；
⑤输出层：该层设有q个输出节点，每个节点对输入参数执行加权求和，其计算公式 如下：
Figure BDA0003419425750000126
⑥模型参数学习：使用梯度下降算法调整网络参数，首先，定义误差计算方法如下：
Figure BDA0003419425750000131
式中，ys(k)为第k个输入样本对应的第s个实际输出，
Figure BDA0003419425750000132
为第k个输入样本对应的第s个 计算输出，es(k)为两者之间的误差，依据误差对网络的中心、宽度和模糊系统参数更新算 法定义如下：
Figure BDA0003419425750000133
Figure BDA0003419425750000134
Figure BDA0003419425750000135
式中，η为在线学习率，η的取值范围为[0.01,0,05]，cij(k-1)、δij(k-1)和
Figure BDA0003419425750000136
分别为 第k-1个样本输入时网络隶属函数层的中心、宽度和模糊系统的参数，完成本次参数更新 后，输入训练样本数据xi(k+1)，重复步骤①～⑥，直至所有训练样本全部输入，训练样本 数为总样本数K的80％，之后对模型进行迭代训练，直至迭代次数达到最大迭代值Itmax， Itmax为500，此时建模误差达到最小，将此时的模型确立为被控对象模型；
(5)多变量控制器设计：该控制器用于对被控对象模型施加控制，其由准对角递归神经 网络自整定模型、被控对象Jacobian信息辨识、PID参数整定机制和PID控制器组成，各 部分功能描述如下：
①准对角递归神经网络自整定模型：
输入层：该层设有ξ个神经元，其作用是将输入值进行传递，第s个模型在时刻t时，网络的输入可表示为：
Isr(t),r＝1,2,...,ξ,s＝1,2,...,q (14)
式中，ξ＝3，q＝3，输入为[us(t-1),ys(t),1]，其中，us(t-1)为t-1时刻的操作变量实际值， ys(t)为被控变量，常数1为偏置项，其作用是增强网络的平移能力；
回归层：该层共有ω个神经元，ω为7，回归层输入Gsg(t)包括输入层信息、自反馈信息与互连神经元信息，将其表示为：
Figure BDA0003419425750000141
式中，Dsg(t-1)为模型s在t-1时刻的回归层神经元的输出，
Figure BDA0003419425750000142
为输入层到回归层之间 的连接权值，
Figure BDA0003419425750000143
为回归层神经元的递归权值，g＝1,2,...,ω，
Figure BDA0003419425750000144
回归层各个神经元的递归权值
Figure BDA0003419425750000145
可表示为如下所示的准对角矩阵形式：
Figure BDA0003419425750000146
根据公式(15)、(16)，通过Sigmoid函数f()对回归层的每个节点进行激活，计算回归 层输出为：
Figure BDA0003419425750000147
输出层：该层有单个输出节点，该节点对输入参数执行加权求和，输出层输出可表示 为：
Figure BDA0003419425750000148
式中，
Figure BDA0003419425750000149
为回归层到输出层之间的连接权值；
②被控对象Jacobian信息辨识：
首先，将系统输出与网络输出的误差作为辨识器的调整信号，定义被控对象系统的辨 识误差为：
ems(t)＝ys(t)-yms(t) (19)
式中，ys(t)为被控量实际值，yms(t)为模型计算得出的被控量估计值；
定义被控对象性能指标Js(t)如下：
Figure BDA0003419425750000151
采用最小均方算法对准对角递归神经网络模型的参数进行更新：
Figure BDA0003419425750000152
Figure BDA0003419425750000153
Figure BDA0003419425750000154
式中，
Figure BDA0003419425750000155
和
Figure BDA0003419425750000156
分别输入层、回归层和输出层的学习率，其值为4^10-4，损失函数对 权值的求导过程如下：
Figure BDA0003419425750000157
式中，f′(Gsg(t))为回归层Sigmoid函数的导数；
Figure BDA0003419425750000158
Figure BDA0003419425750000159
根据以上推导，计算被控对象Jacobian信息为：
Figure BDA00034194257500001510
式中，us(t)为t时刻的操作变量实际值，
Figure BDA00034194257500001511
为操作变量对应的输入层权值；
③PID控制器：
定义控制器输入误差如下：
es(t)＝rs(t)-ys(t) (28)
式中，rs(t)为被控量设定值；
定义误差的比例、积分与微分分别为
Figure BDA0003419425750000161
其计算如下：
Figure BDA0003419425750000162
式中，T为采样时间间隔，采样间隔为1秒，
Figure BDA0003419425750000163
为采样时段内的时间点；
PID控制器的输出表示为：
Figure BDA0003419425750000164
式中，
Figure BDA0003419425750000165
和
Figure BDA0003419425750000166
分别为PID的比例系数、积分系数和微分系数；
④PID参数整定机制：
对多变量PID控制器的参数进行整定，首先，定义PID性能指标为：
Figure BDA0003419425750000167
根据性能指标，计算PID的比例系数
Figure BDA0003419425750000168
积分系数
Figure BDA0003419425750000169
微分系数
Figure BDA00034194257500001610
的调整公式如下：
Figure BDA00034194257500001611
Figure BDA00034194257500001612
Figure BDA0003419425750000171
式中，
Figure BDA0003419425750000172
和
Figure BDA0003419425750000173
分别为PID的比例系数、积分系数和微分系数对应的学习率，其值分 别为5^10-5、3^10-5、1^10-5，
Figure BDA0003419425750000174
为被控对象的Jacobian信息，由公式(27)辨识获 得。
图1为城市固废焚烧过程控制流程；图2为基于Takagi-Sugeno型模糊神经网络的多 输入多输出被控对象模型；图3为城市固废焚烧过程的准对角递归神经网络PID多回路控 制策略；图4为准对角递归神经网络模型结构；图5为主蒸汽流量设定值控制跟踪结果，X轴：时间，单位是s，Y轴：主蒸汽流量，单位是t/h，黑虚线为设定值、灰实线为跟踪 结果；图6为炉膛温度设定值控制跟踪结果，X轴：时间，单位是s，Y轴：炉膛温度， 单位是℃，虚线为设定值、黑线为跟踪结果；图7为烟气含氧量设定值控制跟踪结果，X 轴：时间，单位是s，Y轴：烟气含氧量，单位是％，虚线为设定值、黑线为跟踪结果；图 8为一次风流量自整定过程，X轴：时间，单位是s，Y轴：一次风流量，单位是km3N/h； 图9为二次风流量自整定过程，X轴：时间，单位是s，Y轴：二次风流量，单位是km3N/h； 图10为干燥炉排速度自整定过程，X轴：时间，单位是s，Y轴：干燥炉排速度，单位是％； 结果表明该控制器对城市固废焚烧过程多变量控制的有效性。

Claims (1)

1.面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法，其特征在于，包括以下步骤：
(1)城市固废焚烧数据采集：通过单向隔离系统采集城市固废焚烧过程的关键操作变量：干燥炉排空气流量(左1、右1、左2、右2)、燃烧炉排1段空气流量(左1、右1、左2、右2)、燃烧炉排2段空气流量(左1、右1、左2、右2)、燃尽炉排空气流量(左、右)、一次风总流量、二次风流量、干燥炉排速度(左内、右内、左外、右外)、燃烧炉排1段速度(左内、右内、左外、右外)、燃烧炉排2段速度(左内、右内、左外、右外)和燃尽炉排速度(左内、右内)，采集关键被控变量：主蒸汽流量、炉膛温度和烟气含氧量；
(2)控制特性分析：采用皮尔逊相关系数ραβ对操作变量αl与被控变量βl之间的相关性进行评估，其计算方法为：
Figure RE-FDA0003610444830000011
式中，N为样本总数，根据计算结果选取一次风总流量、二次风流量、干燥炉排速度作为关键操作变量；
(3)数据预处理：通过剔除异常数据与数据归一化对采集得到的数据进行预处理，计算步骤如下：
①剔除异常数据：通过3σ准则对异常数据进行剔除，首先，设定样本数据的维度为q×K，q为被控变量数量，K为样本的总数量，样本数据用
Figure RE-FDA0003610444830000012
Figure RE-FDA0003610444830000013
表示，其中
Figure RE-FDA0003610444830000014
为样本均值，其标准偏差σs的计算方法为：
Figure RE-FDA0003610444830000015
当
Figure RE-FDA0003610444830000016
对应的剩余误差
Figure RE-FDA0003610444830000017
符合以下条件时，则对此
Figure RE-FDA0003610444830000018
执行剔除操作，其计算方法为：
Figure RE-FDA0003610444830000019
②数据归一化：对样本数据
Figure RE-FDA00036104448300000110
进行归一化，计算归一化后的数据样本
Figure RE-FDA00036104448300000111
其计算方法如下：
Figure RE-FDA0003610444830000021
其中，
Figure RE-FDA0003610444830000022
为变量s的样本向量，经过归一化处理之后，每个样本数据范围均在[0,1]之间；
(4)被控对象模型设计：通过数据驱动构建了多输入多输出Takagi-Sugeno模糊神经网络被控对象模型，其包括输入层、隶属函数层、规则层、后件层和输出层共5层，对其数学描述如下：
①输入层：该层共有n个神经元，n为3，其作用将输入值进行传递，当第k个样本进入时，输入层的输出为：
xi(k),i＝1,2,...,n (5)
②隶属函数层：该层共有n×m个神经元，m为12，每个节点的输出代表对应输入量的隶属度值，隶属函数为：
Figure RE-FDA0003610444830000023
式中，cij(k)与δij(k)分别为隶属度函数的中心和宽度，其初始值由rand随机函数生成范围在[0,2]之间均匀分布的随机实数；
③规则层：该层共有m个神经元，采用模糊连乘算子作为模糊逻辑规则，规则层的输出为：
Figure RE-FDA0003610444830000024
④后件层：该层共有m×q个神经元，q为3，每个节点执行T-S型模糊规则的线性求和，计算每条规则所对应输出的后件参数
Figure RE-FDA0003610444830000025
其计算过程如下：
Figure RE-FDA0003610444830000026
式中，
Figure RE-FDA0003610444830000027
为模糊系统的参数，其初始值设为0.3，x0(k),x1(k),…,xn(k)为输入变量，x0(k)为输入常数，用于增强网络平移能力，其值为1；
⑤输出层：该层设有q个输出节点，每个节点对输入参数执行加权求和，其计算公式如下：
Figure RE-FDA0003610444830000031
⑥模型参数学习：使用梯度下降算法调整网络参数，首先，定义误差计算方法如下：
Figure RE-FDA0003610444830000032
式中，ys(k)为第k个输入样本对应的第s个实际输出，
Figure RE-FDA0003610444830000033
为第k个输入样本对应的第s个计算输出，es(k)为两者之间的误差，依据误差对网络的中心、宽度和模糊系统参数更新算法定义如下：
Figure RE-FDA0003610444830000034
Figure RE-FDA0003610444830000035
Figure RE-FDA0003610444830000036
式中，η为在线学习率，η的取值范围为[0.01,0,05]，cij(k-1)、δij(k-1)和
Figure RE-FDA0003610444830000037
分别为第k-1个样本输入时网络隶属函数层的中心、宽度和模糊系统的参数，完成本次参数更新后，输入训练样本数据xi(k+1)，重复步骤①～⑥，直至所有训练样本全部输入，训练样本数为总样本数K的80％，之后对模型进行迭代训练，直至迭代次数达到最大迭代值Itmax，Itmax为500，此时建模误差达到最小，将此时的模型确立为被控对象模型；
(5)多变量控制器设计：该控制器用于对被控对象模型施加控制，其由准对角递归神经网络自整定模型、被控对象Jacobian信息辨识、PID参数整定机制和PID控制器组成，各部分功能描述如下：
①准对角递归神经网络自整定模型：
输入层：该层设有ξ个神经元，其作用是将输入值进行传递，第s个模型在时刻t时，网络的输入可表示为：
Isr(t),r＝1,2,...,ξ,s＝1,2,...,q (14)
式中，ξ＝3，q＝3，输入为[us(t-1),ys(t),1]，其中，us(t-1)为t-1时刻的操作变量实际值，ys(t)为被控变量，常数1为偏置项，其作用是增强网络的平移能力；
回归层：该层共有ω个神经元，ω为7，回归层输入Gsg(t)包括输入层信息、自反馈信息与互连神经元信息，将其表示为：
Figure RE-FDA0003610444830000041
式中，Dsg(t-1)为模型s在t-1时刻的回归层神经元的输出，
Figure RE-FDA0003610444830000042
为输入层到回归层之间的连接权值，
Figure RE-FDA0003610444830000043
为回归层神经元的递归权值，g＝1,2,...,ω，
Figure RE-FDA0003610444830000044
回归层各个神经元的递归权值
Figure RE-FDA0003610444830000045
可表示为如下所示的准对角矩阵形式：
Figure RE-FDA0003610444830000046
根据公式(15)、(16)，通过Sigmoid函数f(·)对回归层的每个节点进行激活，计算回归层输出为：
Figure RE-FDA0003610444830000047
输出层：该层有单个输出节点，该节点对输入参数执行加权求和，输出层输出可表示为：
Figure RE-FDA0003610444830000048
式中，
Figure RE-FDA0003610444830000049
为回归层到输出层之间的连接权值；
②被控对象Jacobian信息辨识：
首先，将系统输出与网络输出的误差作为辨识器的调整信号，定义被控对象系统的辨识误差为：
ems(t)＝ys(t)-yms(t) (19)
式中，ys(t)为被控量实际值，yms(t)为模型计算得出的被控量估计值；
定义被控对象性能指标Js(t)如下：
Figure RE-FDA0003610444830000051
采用最小均方算法对准对角递归神经网络模型的参数进行更新：
Figure RE-FDA0003610444830000052
Figure RE-FDA0003610444830000053
Figure RE-FDA0003610444830000054
式中，
Figure RE-FDA0003610444830000055
和
Figure RE-FDA0003610444830000056
分别输入层、回归层和输出层的学习率，其值为4^10-4，损失函数对权值的求导过程如下：
Figure RE-FDA0003610444830000057
式中，f′(Gsg(t))为回归层Sigmoid函数的导数；
Figure RE-FDA0003610444830000058
Figure RE-FDA0003610444830000059
根据以上推导，计算被控对象Jacobian信息为：
Figure RE-FDA00036104448300000510
式中，us(t)为t时刻的操作变量实际值，
Figure RE-FDA00036104448300000511
为操作变量对应的输入层权值；
③PID控制器：
定义控制器输入误差如下：
es(t)＝rs(t)-ys(t) (28)
式中，rs(t)为被控量设定值；
定义误差的比例、积分与微分分别为
Figure RE-FDA0003610444830000061
其计算如下：
Figure RE-FDA0003610444830000062
式中，T为采样时间间隔，采样间隔为1秒，
Figure RE-FDA0003610444830000063
为采样时段内的时间点；
PID控制器的输出表示为：
Figure RE-FDA0003610444830000064
式中，
Figure RE-FDA0003610444830000065
和
Figure RE-FDA0003610444830000066
分别为PID的比例系数、积分系数和微分系数；
④PID参数整定机制：
对多变量PID控制器的参数进行整定，首先，定义PID性能指标为：
Figure RE-FDA0003610444830000067
根据性能指标，计算PID的比例系数
Figure RE-FDA0003610444830000068
积分系数
Figure RE-FDA0003610444830000069
微分系数
Figure RE-FDA00036104448300000610
的调整公式如下：
Figure RE-FDA00036104448300000611
Figure RE-FDA00036104448300000612
Figure RE-FDA0003610444830000071
式中，
Figure RE-FDA0003610444830000072
和
Figure RE-FDA0003610444830000073
分别为PID的比例系数、积分系数和微分系数对应的学习率，其值分别为5^10-5、3^10-5、1^10-5，
Figure RE-FDA0003610444830000074
为被控对象的Jacobian信息，由公式(27)辨识获得。
CN202111557331.1A 2021-12-18 2021-12-18 面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法 Pending CN114527646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111557331.1A CN114527646A (zh) 2021-12-18 2021-12-18 面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111557331.1A CN114527646A (zh) 2021-12-18 2021-12-18 面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法

Publications (1)

Publication Number Publication Date
CN114527646A true CN114527646A (zh) 2022-05-24

Family

ID=81618533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111557331.1A Pending CN114527646A (zh) 2021-12-18 2021-12-18 面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法

Country Status (1)

Country Link
CN (1) CN114527646A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690107A (zh) * 2023-12-15 2024-03-12 上海保隆汽车科技(武汉)有限公司 一种车道边线识别方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690107A (zh) * 2023-12-15 2024-03-12 上海保隆汽车科技(武汉)有限公司 一种车道边线识别方法和装置
CN117690107B (zh) * 2023-12-15 2024-04-26 上海保隆汽车科技(武汉)有限公司 一种车道边线识别方法和装置

Similar Documents

Publication Publication Date Title
Wang et al. The intelligent critic framework for advanced optimal control
Le et al. Self-evolving type-2 fuzzy brain emotional learning control design for chaotic systems using PSO
Sumar et al. Computational intelligence approach to PID controller design using the universal model
Chen et al. Fuzzy controller design by using neural network techniques
Kumar Memory recurrent Elman neural network-based identification of time-delayed nonlinear dynamical system
Boroushaki et al. An intelligent nuclear reactor core controller for load following operations, using recurrent neural networks and fuzzy systems
CN114527646A (zh) 面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法
Ding et al. MIMO modeling and multi-loop control based on neural network for municipal solid waste incineration
Qiao et al. Event-triggered adaptive model predictive control of oxygen content for municipal solid waste incineration process
Wang et al. Interval type-2 fuzzy neural network based constrained GPC for NH 3 flow in SCR de-NO x process
Xiao et al. Optimization for interval type-2 polynomial fuzzy systems: A deep reinforcement learning approach
CN107977539A (zh) 基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法
Tarik et al. Optimization of neural network hyperparameters for gas turbine modelling using Bayesian optimization
CN114186472B (zh) 一种多输入多输出的城市固废焚烧过程模型设计方法
Lee et al. Inversion control of nonlinear systems with neural network modelling
Yan et al. Model Prediction and Optimal Control of Gas Oxygen Content for A Municipal Solid Waste Incineration Process
Yongquan et al. Fuzzy neural PID controller and tuning its weight factors using genetic algorithm based on different location crossover
Liu et al. A nonlinear predictive control algorithm based on fuzzy online modeling and discrete optimization
Adwankar et al. A recurrent network for dynamic system identification
Wang et al. Performance analysis of an improved single neuron adaptive pid control
Oysal et al. Modified descend curvature based fixed form fuzzy optimal control of nonlinear dynamical systems
CN115542740A (zh) 基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法
XU et al. Adjustment strategy for a dual-fuzzy-neuro controller using genetic algorithms–application to gas-fired water heater
CN114859731B (zh) 基于线积分方法的区间二型模糊时滞系统控制器设计方法
Carreon-Ortiz et al. Fuzzy Flower Pollination Algorithm (FFPA): Comparative Study of Type-1 (T1FLS) and Interval Type-2 Fuzzy Logic System (IT2FLS) in Optimization Parameter Adaptation

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