流化床锅炉燃烧系统模糊_BP神经网络PID解耦控制

( 3) l
为惯性系数。
( 3) l
由上述分析可得 , 网络输出层权的学习算法为 w (lj 3) ( k + 1 ) = = e( k + 1) sgn y ( k + 1) u( k ) oj( 2) ( k ) + w (lj 3 ) ( k ) ( 12 ) ( 13 ) ( 14 ) ( 15 ) ( 16 )
神经网络结构如 图 2 所示 , 是一个 3 层 BP 神经 网络 , 有 M 个输入节点、 N 个 隐含 节点、3 个输 出节 点
[ Байду номын сангаас1]
。 输入 节点 对应
模糊控制器的输出 , 输出节点分别对 应 P I D 控 制器的 3 个 可调 参数 K P、 K I、 K D . 由于 K P、 K I、 K D 不能为负值 , 所以输出层神经元 的活 化函数 取非负 的 S igmo id 函数 , 而隐含 层神经 元的活 化函 数可取正负对称的 S igm o id 函数。 表 1 模糊规则表
Fuzzy -BP P ID D ecoupling Control in CFBB Combustion Syste m
WANG W an - zhao , JIANG Jian-fe i ( Depart m en t of Con stru ct D evice & Th er ma l Energy En gineer ing , P ingd ingshan In stitu te of T echnology, Pingd ingshan 467000 , Ch in a)
u ( k ) = kp [ e( k ) - e( k - 1 ) ] + k i e( k ) + kd [ e( k ) - 2 e( k - 1) +
维持正常的床温 和锅 炉出 口蒸汽 压力 是循环 流化 床锅 炉 稳定、 经济运行的关 键。在循 环流 化床锅 炉的 运行 过程 中 , 几 乎所有的燃烧控 制和调 节都 是围绕 维持 稳定的 床温 和所 要求 的蒸汽压力进行的 [ 12- 13] 。影响床温的因 素很多 , 料 层厚度、 煤 质、 空气量、 物料循 环量、 给煤 量、 负荷 变化都 会引 起床 温的 波 动。引起蒸汽压力变化的因素有 给煤量、 蒸汽流 量、 送风量、 引 风量等各种影响燃烧工况的 因素。在实际运 行中 , 主汽压 力和 床温均是通过调节给煤量 和一次送风 量来实 现控制 [ 14- 15] 。因 此 , 必然导致床温和 蒸汽压 力两 被控参 数之 间存 在严重 耦合 。 由参考文献 [ 16] 可知 , 某流化床锅炉燃烧系统 的耦合关 系可以 用以下的输入 - 输出传递函数矩 阵表示 : Tb p0 K 1 e( T 1 s + 1) 2 Kp1 e( Tp 1 s + 1 ) 2
图 1 流化床 锅炉燃烧系统模糊 - BP 神经 网络 P I D 控制系统结构 框 图
(3 ) lj (3 ) 1
( k) = K I ( k ) = KD
( 3) 2
为输出 层 权系 数 ; g ( x )为 活 化函 数 , 取 非负 S ig m o id 1 [ 1+ tanh( x ) ] 2
u (k) g [ net(l 3 ) ( k ) ] o(l 3 ) ( k )
g ( x ) = g ( x ) [ 1- g ( x ) ] 经典增量式数字 P ID 的控制算法为 u ( k ) = u( k - 1 ) + e( k - 2 ) ] 2 循环流化床锅炉燃烧系统动态特性 u( k )
( 9)
1 [ r ( k + 1) - y ( k + 1) ] 2 2
( 10 )
依最速下降法修正网络的权 系数 , 即按 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 全局极小 的惯 性项 : w (lj 3 ) ( k + 1 ) = 式中 : 为学习效率 ; J + w (lj 3 ) w (lj3 ) ( k ) ( 11 )
收稿日期 : 2008 - 03- 07 收修改稿日期 : 2008- 11- 20
图 1 中 , FC1 、 FC 2 两个模 糊控制 器均采用 常见的 双输 入单
98
Instrum ent T echn ique and Sensor 网络的输出层的输入输出为 net(l 3 ) ( k ) =
Abstract : The co m bustion contro l is an i m portant part in the circu la ting fluidized bed bo iler( CFBB) contro l syste m. Bed te mperature and m ain strea m pressure are i m po rtant para m eter of CFBB co m bustion control sy stem. T o m a inta in the m norma l is key to the stab le and econom ic operation o f CFBB. A s the combustion plant has strong coup le of bed te m perature and m a in strea m pressure and its dynam ic cha racte ristics change w ith the ope rating conditions , a se lf tuning P ID contro lle r by the steepest descent m ethod based on fuzzy -BP neural ne t w ork was presented fo r its contro, l w hich has the advantage o f neura l netwo rk contro l and fuzzy contro l and on- line opti m izes P ID para m eters . T hrough si m ulation in var ious situations , it validates that the m ethod is exce llent on decoup ling and overcom ing the large de lay and the nonlinearity o f the CFBB combustion plant . K ey word s : combustion syste m; P ID contro ller ; fuzzy contro ; l BP neura l netw ork; decoupling contro l 0 引言 循环流化床 ( CFB ) 是一 种最 具发展 前景 的 洁净 煤 燃烧 技术 [ 1- 2] , 它具有燃 烧效 率高 , 燃 料适 应性 广 , 低污 染 燃烧 , 脱 硫效率高 , 燃烧 热 强度 大 , 炉 膛体 积小 等 特点 , 得到 了 快速 发 展。但控制问题一 直是 循环流 化床 锅炉发 展面 临的 主要 问题 之一 , 其燃烧自动控制系统基本没投 用 , 或 投入率很 低 , 实 际运 行中靠手动操作 [ 3- 5] , 原 因在于循环流化 床锅炉 燃烧系统 的复 杂性。 由于循环流化 床锅炉 燃烧 系统是 一个 分 布参 数、 非线 性、 时变、 多变量耦合紧密的控制对象 , 对于这 样一个复 杂系统 , 无 论是对象的分 析还 是控 制系 统的 设计 都非 常困 难 [ 6- 8] 。 在常 规煤粉炉上有效 的基于 经典 控制 理论的 常规 控制方 法难 以保 证其各项指标的实现 , 而基于现代控 制理论的控 制策略由 于难 以获得精确的数学模 型而无法应用。 模糊控制不需要 建立被控对象的精确 数学模型 , 模糊 控制 器能够对时变、 非线性和复杂的对 象进行有效 的控制。模 糊控 制 器根 据模 糊推 理规 则 , 模仿 人在 不确 定性 环境 下的 决策 行 为 , 但要从经验中自 动产 生规则 , 并 修改其 控制 策略 的自 学习 功能较为薄弱 [ 9] 。神经 网络 的引入 为模 糊控制 器提 供了 一种 良好的学习功能 , 为 模糊 控制系 统增 强学 习功 能。因此 , 将 模 糊控制技术和神 经网络 技术 相结合 用于 解决循 环流 化床 锅炉 燃烧控制难题 , 具有理论和实用价值。 1 模糊 - BP 神经网络 PID 解耦控制原理 模糊逻辑控制和神经网络控 制都是智能 控制的 重要方法 , 都是为了解决实际系统中由被 控对象的不 确定性、 不精确 性等 引起的控制难 题。神经网 络具 有自 学习能 力和 大规模 并行 处 理能力 , 在认知处理 上比较 擅长 ; 而 模糊控 制系 统能够 充分 利 用学科领域的专 家知 识 , 能 以较 少的规 则数 来表 达知识 , 在 技 能处理上比较 擅长。模 糊 - 神 经网 络 P I D 控制兼 具模 糊逻 辑 控制和神经网络控制的优点 [ 10] 。 采用模糊 - 神经网络自适应 P ID 控制 , 可较好 地实现 对多 变量解耦控制 , 图 1 给出了循环流化床锅炉燃烧系 统模糊 - BP 神经网络 P I D 控制系统结构图 , 该系 统由两个模 糊控制器 和两 个 BP 神经网络自适应 P I D 控制器构 成。图 1 中 , r1、r2 为 系统 设定值 , y1、 y2 为输出测量值 , e1、e2 为 输出偏差 , c 1、 c2 为 输出偏 差变化 , f 1 、 f 2 为模糊控制器输出值 , u1 、 u 2 为神 经网络 P I D 控制 器输出值。
f e ec= N B ec= NM NB NM NS ZO PS PM PB PB PB PM PM PS ZO ZO PB PB PM PS PS ZO NS ec= N S ec = ZO PM PM PM PS ZO NS NS PM PM PS ZO NS NM NM ec= PS ec = PM PS PS ZO NS NS NM NM PS ZO NS NM NM NM NB ec = PB ZO ZO NM NM NM NB NB