基于神經網絡PID的液動調節閥控制研究

□ 周 培 □ 顧寄南

江蘇大學 制造業信息化研究中心 江蘇鎮江 212013

液動調節閥在石油、化工和船舶等行業中的地位十分重要，它能夠對溫度、流量、壓力等被控變量進行控制。而閥門控制器作為其重要附件之一，可以改善閥門特性，提高控制精度和速度，增加控制的靈活性。傳統閥門定位器采用常規PID控制，控制算法簡單，容易實現。但由于液壓系統所處環境極其復雜，有許多不確定因素，難以建立精確的數學模型，因此傳統PID已經難以滿足控制要求。為了提高液壓控制系統的穩定性，克服傳統PID的缺點，本文引入BP神經網絡，設計出具有自適應能力的智能PID控制系統。

1 液動調節閥控制原理

液動調節閥控制原理如圖1所示，被控對象是液動調節閥。將輸入控制信號r（4～20 mA電流信號）與通過傳感器測到的角度反饋值ym進行比較，當偏差為e時，通過A/D信號轉換，輸出信號u來調節閥的轉動，最終準確達到閥芯所需要的位置。

▲圖1 閥門控制器工作原理

2 基于BP神經網絡整定的PID控制

2.1 BP神經網絡PID控制系統結構

基于BP網絡的PID控制系統結構如圖2所示，控制器由兩部分構成：經典的PID控制器和BP神經網絡學習算法。前者直接對被控對象進行閉環控制，后者是根據系統的運行狀態，調整PID控制器的參數，從而達到性能指標的最優化，使輸出層神經元的輸出狀態對應于PID控制器的三個參數kp、ki、kd，通過神經網絡的自學習和加權系數調整，使神經網絡輸出對應于某種最優控制規律下的PID控制參數。

▲圖2 基于BP神經網絡PID控制器結構

經典增量式數字PID的控制算法為：

式中：kp、ki、kd分別表示比例、積分、微分系數。

2.2 BP神經網絡結構

本文采用三層BP神經網絡，其結構如圖3所示。

▲圖3 BP網絡結構

網絡輸入層的輸入為：

式中：x（j）為給定網絡輸入；M為輸入層節點數，根據被控對象的復雜程度，選取M值為4。

網絡隱含層的輸入為：

隱含層的輸出為：

式中：wij（2）為隱含層的加權系數，上角標（1）、（2）分別代表輸入層、隱含層。

隱含層神經元的活化函數取正負對稱的sigmoid函數：

網絡輸出層的輸入為：

輸出層的輸出為：

式中：wli（3）為輸出層加權系數，上角標（3）代表輸出層。

輸出層的3個輸出分別對應PID控制器的3個參數，即：

因為PID控制器的3個參數均不能取負數，所以輸出層神經元活化函數為非負的sigmoid函數，即：

取性能指標函數為：

3 系統仿真

液動調節閥采用閉環液壓伺服控制，根據已知參數及液壓系統的特點，推導出閉環傳遞函數為：

▲圖4 常規PID階躍響應曲線

▲圖5 神經網絡PID階躍響應曲線

▲圖6 參數自適應曲線

通過MATLAB/Simulink對常規PID仿真，結果如圖4所示。針對神經網絡PID，本文選用3層網絡，網絡結構為4-5-3，學習速率為0.28，慣性系數為0.04，加權系數區間為［-0.5～0.5］之間的隨機數，編寫神經網絡程序后，輸入階躍響應信號，其階躍響應曲線如圖5所示，參數自適應曲線如圖6所示。

由圖4和圖5對比可知，常規PID出現了較大的波動，而且趨向穩定的時間較長。BP神經網絡PID幾乎沒有超調量，而且很快達到穩定狀態。

4 結束語

本文針對液動調節閥的液壓伺服控制系統分別設計了常規PID控制器和BP神經網絡的PID控制器，通過MATLAB仿真表明，BP神經網絡控制器的控制效果比普通PID的控制效果更優，而且具有超調量小、魯棒性強等特點。

［1］ 薄永軍.溫室溫度控制系統神經網絡PID控制算法研究［J］.安徽農業科學，2014，42（13）：4102-4104.

［2］ 丁曙光，吳衛平，桂貴生.基于神經網絡PID的液壓位置伺服控制的研究［J］.組合機床與自動化加工技術，2009（3）：49-51.

［3］ 劉金琨.先進PID控制及其MATLAB仿真［M］.北京：電子工業出版社，2003.

［4］ 劉曙光.液壓伺服系統神經網絡 PID控制［D］.南京：南京理工大學，2004.