改進Smith控制與RBF單神經元PID的換熱器控制系統

魯廣棟

(遼寧工程技術大學 電氣與控制工程學院，遼寧 葫蘆島 125105)

改進Smith控制與RBF單神經元PID的換熱器控制系統

魯廣棟

(遼寧工程技術大學 電氣與控制工程學院，遼寧 葫蘆島 125105)

為了高效控制工質出口溫度，維持換熱器穩定運行，針對Smith預估控制算法及徑向基函數(RBF)神經網絡辨識單神經元比例—積分—微分(PID)控制算法特點，提出了Smith控制算法和RBF神經網絡辨識單神經元PID相結合的控制策略，對 Smith控制算法在結構上進行了改進，以提高RBF神經網絡辨識單神經元PID控制的抗干擾能力，減少Smith控制算法對模型的依賴程度。仿真分析表明：應用于換熱器工質出口溫度控制系統，改進算法控制性能顯著優于其它控制方法，抗干擾能力得到了大幅提高。

改進Smith控制； 徑向基函數神經網絡； 比例—積分—微分控制； 換熱器溫度控制

0 引 言

換熱器是熱力發電系統進行能量交換的重要設備，為了提高系統能量利用效率，維持系統高效、穩定運行，對換熱器溫度控制系統的研究具有重要意義[1～3]。由于換熱器溫度控制系統除具有容積滯后外還存在較強的時間滯后特性，被控變量不能及時反映系統所承受的擾動，調節效果具有較明顯的超調量和較長的調節時間。

針對以上問題，國內外學者開展了大量研究[4～6]。Vasicˇkaninová A等人提出了將神經網絡預測控制(neural network predictive control,NNPC)策略應用在換熱器控制中，結果表明神經網絡預測控制比常規PID控制的效果更好[7]。Kalogirou Soteris A等人將人工神經網絡控制理論應用于太陽能換熱器裝置中，取得較好控制效果[8]。胡開明等人提出了基于Smith預估控制和組態技術的鍋爐內膽溫度控制，與普通比例—積分—微分(proportion-integration-differentiation,PID)控制相比控制器性能指標及系統抗干擾能力得到改進[9]。上述研究可使系統性能得到一定改善，但由于預測控制存在精度不高、滾動優化策略少、反饋校正方法單調等問題，使得預測控制的效果不理想，單獨神經網絡控制抗干擾能力不足，Smith控制算法對模型的依賴程度高。

針對以上問題，本文提出了一種改進的Smith預估控制與徑向基函數(radial basis function,RBF)神經網絡辨識單神經元PID的聯合控制算法。算法利用RBF神經網絡辨識單神經元PID在線辨識、在線學習、自適應的特點以及改進Smith控制算法具有抑制外界干擾，對模型依賴程度低的特點，將其應用于中低溫余熱溫度控制系統中，對提高中低品位能源的回收利用有重要作用。

1 換熱器溫度系統模型

換熱器作為熱力發電系統的重要設備，在實際計算和控制中通常采用傳遞函數來描述。而換熱器作為多容時滯對象，其模型階次高，非常復雜，通常利用低階近似方法對其進行處理。其中結構模型的建立和參數求解依據實測數據估計，其動態模型為[10]

(1)

2 改進的Smith預估控制

由于Smith預估控制[11]閉環傳遞函數分子上滯后環節的存在，被控量的響應要滯后設定值τ時刻；且其嚴重依賴于系統模型，很難得到廣泛應用，因此,本文提出了改進的Smith控制算法，通過減弱其對模型的依賴程度更好地對延遲對象進行補償，同時提高了系統的抗干擾能力，增強系統的穩定性。改進后的系統框圖如圖1所示。其中，d(s)為干擾信號，TS為微分運算。

圖1 改進的Smith預估控制系統

改進Smith預估控制系統中，對TS的處理方式為用一系列采樣時間點kT代表連續時間t，以一階后向差分替代微分，即

(2)

3 改進Smith控制算法與RBF網絡辨識單神經元PID控制

由于RBF網絡辨識單神經元PID控制器抗干擾能力弱，穩定性較差,本文提出了一種將改進Smith預估控制與RBF網絡辨識的單神經元PID控制相結合的控制算法，能夠在一定程度上解決系統響應速度和超調的矛盾。結構如圖2所示。

圖2中，神經網絡控制器(NNC)為單神經元PID控制器，神經網絡辨識器(NNI)為RBF，協助 PID辨識被控對象的Jacobian信息。

改進Smith與RBF神經網絡辨識的單神經元PID控制算法的控制過程歸納如下：

圖2 改進Smith與RBF單神經元PID控制器結構

1)分別給出單神經元PID初始學習速率ηI，ηP，ηD及比例系數K和RBF網絡輸出層權值wj，節點中心cj，節點基寬參數bj以及學習速率和動量因子。

2)采用增量式PID控制器控制誤差為

ys(k)=yout(k)-ym(k)

(3)

(4)

e(k)=rRin(k)-yy(k)-yx(k)

(5)

式中rRin(k)為k時刻系統;yx(k)為k時刻1回路輸出信號;ym(k)為k時刻2回路輸出信號;yy(k)為k時刻3回路輸出信號。

3)單神經元網絡的輸入

(6)

4)Jacobian辨識信息

Vwj(k)=h(y(k)-ym(k)hj

(7)

wj(k)=wj(k-1)+Vwj(k)+α(wj(k-1)-

wj(k-2))

(8)

(9)

bj(k)=bj(k-1)+Vbj+α(bj(k-1)-bj(k-2))

(10)

(11)

cji(k)=cji(k-1)+Δcji(k)+α(cji(k-1)-

cji(k-2))

(12)

Jacobian矩陣算法為

(13)

式中 x1=Δu(k)。

5)加權系數的計算

(14)

6)控制器的輸出為

(15)

式中K為單神經元的比例系數；wi(k)為單神經元網絡的權系數。

7)令K=K+1，返回步驟(2)，進行下一次采樣控制。

該算法兼顧RBF神經網絡辨識的單神經元PID控制器和改進Smith控制算法的優越性能。RBF網絡辨識單神經元控制器在滿足系統穩定性前提下改善了響應遲滯的缺點，提高了系統響應速度；同時在誤差較小范圍內，精確控制。而改進Smith預估控制器在提高系統控制品質的同時，提高系統的抗擾動性能。

4 仿真研究

針對低溫余熱發電系統換熱器出口溫度控制，其傳遞函數如式(1)，采樣時間為t=5 s，RBF采用3-6-1結構，網絡辨識的三個輸入為：r=[Δu(k)，yout(k)，yout(k-1)]，輸出為yout(k)，考慮低溫余熱利用系統中熱源溫度一般為150～180 ℃，故取系統輸入的階躍信號rin(k)=140.0，當k=90時，加入d(k)=50.0的擾動信號，在改進的Smith預估控制與RBF辨識的單神經元PID控制中η=0.5，a=0.1，ηP=0.06，ηi=0.021，ηd=0.015，K=20；在Smith預估模糊控制中kp=1.2，kd=0.8，ki=0.15；RBF網絡辨識的單神經元PID控制的參數ηP=0.35，ηi=0.15，ηd=0.025，K=10,其他參數相同；在Smith預估與RBF辨識的單神經元PID控制中ηP=0.1，ηi= 0.018，ηd=0.02，K=25，其他參數與以上控制方法參數相同；為了驗證本文所提算法的有效性，利用Matlab 7.0進行數值仿真。

4.1 不同控制方法系統仿真比較

仿真結果如圖3所示。

圖3 改進算法對系統進行控制輸出波形及比較

由圖3可知，在溫度控制中僅僅采用常規Smith控制算法與RBF網絡辨識單神經元PID控制相結合，當受到d(k)=50.0的外加干擾時,系統的抗干擾能力有所提高、但是響應速度變慢，故簡單的控制器疊加組合對系統的控制性能改善作用不大。

在系統響應時間方面，改進算法

綜上所述，改進算法在響應速度方面所需時間更短，在抑制外界干擾時，抖動幅度更小，恢復系統穩定更快。對控制算法的改進達到了預期效果。

4.2 系統魯棒性驗證

控制器的魯棒性是評價其優劣的重要指標，對于改進控制算法采用Matlab進行仿真，分別將被控對象的增益延遲時間增加20 %,仿真結果如圖4所示。

圖4 不同控制器時，系統魯棒性驗證曲線

由圖4(a),(b)可知，若系統的參數發生變化，改進算法較其他控制方法，在響應速度、抑制超調方面具有非常好的控制性能，若系統參數發生變化又加入d(k)=50.0的外界干擾時，改進算法能很好地抑制外加干擾，快速恢復系統穩定，可知,其魯棒性能較其他控制方法十分突出。因此,在低溫余熱利用換熱器溫度控制系統中采用改進算法進行控制是比較理想的選擇。

5 結 論

針對低溫余熱利用系統換熱器溫度控制中存在的時變性，大滯后等問題，提出了將改進Smith控制算法與RBF網絡辨識單神經元PID聯合控制，解決了常規Smith控制算法與RBF網絡辨識的單神經元PID控制進行結合時系統響應速度慢，抑制外界擾動能力弱的問題，同時，克服了RBF網絡辨識的單神經元PID控制抑制外界擾動能力差的弊端，實現了在線辨識、在線控制的目的，提高了控制系統的精度，增強了系統抑制外界擾動的能力，具有很好的動靜態特性，以及較強的自適應性和魯棒性能。

[1] 劉志遠，呂劍虹．智能 PID 控制器在電廠熱工過程控制中的應用前景[J]．中國電機工程學報，2002，22(8)：128-134.

[2] Pang Z.Learning algorithm for RBF neura networks based on improvedk-means algorithm[J].Computer Engineering & Applications,2012,48(11):161-163.

[3]RongPanxiang,SunJianpeng,LiuZhaoyu,etal.SimulationandresearchofboilercombustionprocessbasedontheimprovedRBFneuralnetwork[J].InternationalJournalofu-ande-Service,ScienceandTechnology,2013,6(5)：79-87.

[4] 韓 莉，張振宇，劉 倩，等．基于免疫遺傳算法—BP神經網絡的主汽溫控制[J]．化工自動化及儀表，2011，38(3)：274-278．

[5] 喬景慧.LLNFM與RBR融合的生料分解過程工況辨識模型[J].控制工程,2016,23(4):522-526.

[6] 喬俊飛,李瑞祥.基于PSO-ESN神經網絡的污水BOD預測[J].控制工程,2016,23(4):463-467.

[7]VasicˇkaninováA,BakosˇováM,MészárosA,etal.Neuralnetworkpredictivecontrolofaheatexchanger[J].AppliedThermalEngineering,2011,31(13):2094-2100.

[8]KalogirouSA,PanteliouS.Thermosiphonsolardomesticwaterheatingsystems:Long-termperformancepredictionusingartificialneuralnetworks[J].SolarEnergy,2000,69(2):163-174.

[9] 胡開明,王懷平,葛遠香，等.基于Smith預估控制和組態技術的鍋爐內膽溫度控制[J].華東理工大學學報,2014,37(3):316-320.

[10] 夏 遠，程大璋.基于智能控制技術在換熱器控制系統中的研究[J].低壓電器,2007(24):5-9.

[11] 齊朝陽，鄭恩讓.迭代模型Smith預估控制：算法和穩定性[J].控制工程,2015,22(1):133-138.

魯廣棟(1992- )，男，碩士研究生，主要從事礦山節能理論與技術，低溫余熱發電系統控制策略方向的研究工作。

Heat exchanger control system based on improved Smith control and RBF single neuron PID

LU Guang-dong

(School of Electrical and Control Engineering,Liaoning Technical University,Huludao 125105,China)

In order to control working fluid outlet temperature efficiently and maintain the stable operation of the heat exchanger,aiming at characteristics of Smith predicted control algorithm and radial basis function(RBF) neural network of single neuron PID control algorithm,control strategy combined Smith control algorithm and RBF neural network single neuron PID is proposed.Smith predicted control algorithm is improved in the structure to reduce its dependence on the model.Meanwhile,the anti-interference ability of RBF neural network PID is increased.The simulation results show that the proposed algorithm can make the control performance and the anti-interference ability significantly better than others when it is applied to temperature control system of heat exchanger.

improved Smith control; radial basis function(RBF) neural network; proportion-integration-differentiation(PID)control; heat exchanger temperature control

10.13873/J.1000—9787(2017)09—0094—03

2016—10—10

TP 273

A

1000—9787(2017)09—0094—03