基于神经网络PID控制的变频恒压供水系统设计

2023-03-02

由于制丝厂该供水网较大, 系统需要供水量每小时开2台泵机向管网充压, 供水量大时, 开3台泵机同时向管网充压。要想维持供水网的压力不变, 在管网系统的管道上安装了压力变送器作为反馈元件, 为控制系统提供反馈信号, 由于供水系统管道长、管径大, 管网的充压比较慢, 故系统是一个大滞后系统, 不宜直接采用PID调节器进行控制。

1 恒压供水系统组成

考虑到该供水是大滞后系统, 供水系统由主供水回路、备用回路、储水池及泵房组成, 其中泵房装有3台150kW泵机。另外, 还有多个电动闸阀或电动蝶阀控制各供水回路和水流量。因而采用PLC参与的变频控制方式来实现对控制系统调节作用, 其原理框图如图1所示。

2 变频恒压供水系统软硬件设计

2.1 硬件构成

控制系统主要由PLC、变频器、切换继电器、压力传感器等部分组成, 如图2所示。控制核心单元PLC根据手动设定压力信号与现场压力传感器的反馈信号经PLC的分析和计算, 得到压力偏差和压力偏差的变化率, 经过PID运算后, PLC将0～5V的模拟信号输出到变频器, 用以调节电机的转速以及进行电机的软起动;PLC通过比较模拟量输出与压力偏差的值, 通过I/O端口开关量的输出驱动切换继电器组, 以此来协调投入工作的电机台数, 并完成电机的起停、变频与工频的切换。通过调整电机组中投入工作的电机台数和控制电机组中一台电机的变频转速, 使动力系统的工作压力稳定, 进而达到恒压供水的目的。

2.2 PLC接线

图3所示的是LG-PLC接线图。在可编程控制器的左右两边分别是定义的输入点和输出点。本系统共用到三个泵, 所以需要定义三个泵的状态输入和故障输入, 又因为所用的泵是离心泵, 离心泵启动时必须有真空泵把空气抽净, 所以又加上了真空泵的控制端口。在现实控制中, 手动是必须的。为了能让备用泵顺利转换, 定义循环线路的输入和输出端口来保证两个软起泵能按时转换。在PLC右边, 定义了三个供水泵, 真空泵和四个电动阀的输出控制端口。最后的那三个供水泵电磁阀是用在每个泵启动时控制真空泵抽各离心泵中空气用的。

2.3 神经网络PI D控制器设计

(1) 神经网络PID控制器结构。神经网络PID控制器的结构如图4所示。控制器由两部分组成: (1) 神经网络 (NN) :用于表示模糊规则, 经过神经网络的学习, 以加权系数的形式表现出来, 规则的生成就转化为加权系数初值的生成和修改。根据系统的运行状态, 自行整定PID参数, 以期达到最优的控制效果。也就是将神经网络的输出层输出对应于PID控制期的三个可调参数Kp、Ki、Kd, 通过神经网络的自学习, 加权系数的调整, 从而使稳定状态对应于某种最优控制下的PID参数。 (2) 普通PID控制器:直接对控制对象进行闭环控制, 并且Kp、Ki、Kd三个参数为在线整定式。

(2) 神经网络PID输入/输出关系式。在传统的PID控制中, 经典增量式PID的控制形式:

其中:e (k) 为当前时刻的控制系统实际输出和希望值间的偏差;u (k) 为当前时刻的控制器输出值, 即控制率。

K p:比例系数

:积分系数

:微分系数

因为本文用的仍然是普通PID控制器, 只是PID控制器的三个可调参数Kp、Ki、Kd, 通过神经网络的自学习, 加权系数的调整的。所以神经网络PID输入/输出关系式依然是

本文使用的是BP神经网络, 它有一个三层神经网络, 其结构如图5所示。该网络有三个输入层节点, 六个隐含层节点和三个输出层节点, 输入层节点对应模糊化后的系统状态变量, 输出节点对应PID控制器的三个可调参数Kp、Ki和Kd。由于Kp、Ki、Kd三个参数不能为负值, 所以本文采用非负Sigmoid函数作为输出层的活化函数, 而隐含层的活化函数则采用正负对称的Sigmoid函数。

BP网络的学习过程由正向和反向传播两部分组成, 在正向传播过程中, 每一层神经单元的状态只影响到下一层神经网络。如果输出层不能得到期望输出, 也就是实际输出与期望输出有误差, 那么转入反向传播过程, 将误差信号沿原来的连接通路返回, 通过修改各层神经元的权值, 逐次地向输入层传播, 去进行计算, 再经过正向传播过程, 这样经过两个过程的反复作用, 使得误差信号最小。实际上, 当误差达到人们所希望的要求时, 网络的学习过程就结束了。

网络的隐含层输入为:

式中:ωij (2) 为隐含层加权系数;

f (·) 为隐含层活化函数, 本文中f[x]=tanh (x) ;

上角标 (1) 、 (2) 、 (3) 分别表示输入层、隐含层和输出层。

输出层的输入输出为:

式中:ωli (3) 为输出层加权系数;

g[·]为输出层活化函数, 本文中g[x]= (1/2) (1+tanh (x) ) 。

取性能指标函数为:

按J对加权系数的负梯度方向搜索调整, 并附加一个使搜索快速收敛到全局极

(4) 根据式 (4) , 计算PID控制器的输出u (k) , 参与控制和计算;

(5) 由式 (8) 对输出层的加权系数进行修正;

(6) 由式 (9) 对隐含层加权系数进行修正;

(7) 置k=k+1, 返回 (2) 。

3 系统仿真

图6为对系统加阶跃信号采用2种不同控制算法的仿真曲线比较图, 图中曲线1是采用传统PID控制算法的响应曲线, 曲线2是采用本文神经网络PID控制算法的响应曲线。从图可以看出, 常规的PID控制所产生的超调量和过渡时间比BP神经网络PID控制所产生的超调量和过渡时间大得多由此可以看出BP神经网络PID控制具有较强的自适应性和较高的控制精度。基于神经网络自适应PID算法的控制效果明显优于传统PID控制算法。

将神经网络与PID控制相结合, 利用神经网络的自学习能力和逼近任意函数的能力, 可在线进行PID参数调整, 有效地控制较复杂的被控对象, 从仿真结果可以看出神经网络PID控制比传统的PID控制具有更好的控制特性。