论文部分内容阅读
随着当前制浆造纸生产规模的不断扩大,纸机车速越来越快,生产工艺要求越来越高,对自动控制的要求也在不断提高。常规的控制理论及控制方法,在一定程度上已经不能满足某些制浆造纸过程中对测量及控制的要求。基于智能算法的PID控制虽然解决了常规PID中存在的一些问题,然而这种控制方法是建立在精确的数学模型基础上的。实际工业过程控制中,被控对象常具有非线性、时变性和不确定性,难以建立其精确的数学模型。即使一些对象能够建立起模型,其结构也往往十分复杂,难以设计并实现有效控制。
为了克服这种不协调现象,针对制浆生产线中热分散温度控制大滞后、非线性等特点,本文在神经网络PID控制的基础上,引入了预测控制思想。由于预测控制本身不苛求被控系统的结构形式,只强调预测功能的特点,根据系统的输入输出信号在线的调整神经网络的各层权值,采用滚动优化的策略不断地优化控制输出,使其跟踪期望轨迹。
本文所做的主要工作讨论了预测控制和神经网络在理论和应用上的进展,并以神经网络为基础,围绕神经网络建模、预测和控制展开了研究。神经网络PID是通过神经网络用于控制器的设计或直接学习计算PID控制器的输出(控制量),这一过程要用到系统的预测输出值或其变化量来计算网络的各层的权值系数的修正量,但在实际上,系统的预测输出值是不易直接测得的。而预测控制能够根据某一性能指标的最优来确定未来的控制作用,可以很好的通过滚动优化的方法不断的调节被控对象的输出,使其跟踪期望轨迹,保持在设定值上。在此基础上本文提出了基于预测控制思想的神经网络PID控制方法。其实质是利用作为对象辨识模型的神经网络产生预测信号,用优化算法求出控制律,从而实现对非线性统的预测控制。神经网络控制器(NNC)选用具有良好的函数逼近能力的BP网络,通过神经网络自身的学习,对PID根据工况在线调整Kp、Ki、Kd三个参数。利用另一个BP神经网络根据NNC的输出对被控对象进行离线辨识(NNP)。在模型辨识达到一定的精度后,在线递推得到预测模型,通过极小化性能指标得到期望输出,最后将其与实际输出值的比较进行反馈,进一步修正神NNC的控制规律。该算法不仅解决了非线性时变对象难以建模的问题,而且还减少了控制器的计算工作量,有利于系统的实时应用。
在现场调试的过程中,结合实际情况,提出了具体的温度控制的实施方案,并在河北香河银象纸业年产15万吨箱板纸制浆生产线中的热分散温度控制中得到初步的应用。通过计算机仿真和实际的应用效果可以看出,本文提出的基于预测控制的神经网络PID方案是切实可行的,其预测控制效果是非常明显且可靠的。本文所提出的方法在实际应用过程中有着非常广泛的推广价值。