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 PDFInfo
- 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
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
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:
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:
(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:
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:
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:
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:
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:
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:
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:
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:
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:
式中,f′(Gsg(t))为回归层Sigmoid函数的导数;
根据以上推导,计算被控对象Jacobian信息为:
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;
PID控制器的输出表示为:
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:
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:
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:
(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:
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:
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:
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:
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:
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:
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:
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:
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:
式中,f′(Gsg(t))为回归层Sigmoid函数的导数;
根据以上推导,计算被控对象Jacobian信息为:
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;
PID控制器的输出表示为:
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:
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:
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:
(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:
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:
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:
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:
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:
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:
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:
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:
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:
式中,f′(Gsg(t))为回归层Sigmoid函数的导数;
根据以上推导,计算被控对象Jacobian信息为:
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;
PID控制器的输出表示为:
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:
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)
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 |
-
2021
- 2021-12-18 CN CN202111557331.1A patent/CN114527646A/zh active Pending
Cited By (2)
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 |