牛培峰, 張密哲, 陳貴林, 王懷寶, 張 君, 竇春霞
(1.燕山大學(xué) 電氣工程學(xué)院,秦皇島066004;2.燕山大學(xué) 工業(yè)計(jì)算機(jī)控制工程河北省重點(diǎn)實(shí)驗(yàn)室,秦皇島066004)
火電廠鍋爐過熱汽溫對(duì)象具有較大的慣性、時(shí) 滯性和非線性,并且其動(dòng)態(tài)特性隨著運(yùn)行工況的變化而變化,其精確的數(shù)學(xué)模型難以建立.傳統(tǒng)的PID控制器參數(shù)在對(duì)象發(fā)生變化或者運(yùn)行工況改變時(shí),控制品質(zhì)會(huì)下降[1].針對(duì)常規(guī)的模糊推理系統(tǒng)需要根據(jù)專家的知識(shí)和經(jīng)驗(yàn)完成模糊規(guī)則和隸屬度函數(shù)以及穩(wěn)態(tài)精度不高等缺點(diǎn),本文提出一種自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制器,模糊神經(jīng)網(wǎng)絡(luò)是模糊推理和神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合,它一方面能夠通過神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)的學(xué)習(xí)使模糊推理系統(tǒng)的規(guī)則自動(dòng)生成,另一方面,使得神經(jīng)網(wǎng)絡(luò)的每一層、每個(gè)節(jié)點(diǎn)都具有了明確的物理意義.此控制器仍然保留著串級(jí)控制的優(yōu)點(diǎn),副控制器仍采用P控制,主控制器由一個(gè)模糊神經(jīng)網(wǎng)絡(luò)控制器與一個(gè)智能PI環(huán)節(jié)并聯(lián)組成,以Matlab/Simulink為仿真平臺(tái)構(gòu)建了控制模塊,對(duì)鍋爐過熱汽溫被控對(duì)象進(jìn)行仿真,結(jié)果表明該控制系統(tǒng)具有較好的控制品質(zhì)和較強(qiáng)的自適應(yīng)能力.
自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)使用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)模糊推理,它能改善傳統(tǒng)模糊控制設(shè)計(jì)中依靠人的思維來調(diào)整隸屬度函數(shù)以減小誤差,并以復(fù)合式的學(xué)習(xí)過程為基礎(chǔ),建立一套If-Then規(guī)則,調(diào)整出所需要的模糊推理輸入輸出關(guān)系,其結(jié)構(gòu)見圖1.
圖1 ANFIS網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structural diagram of the adaptive neural-fuzzy inference system
在圖1中,x1、x2是系統(tǒng)的輸入,f是推理系統(tǒng)的輸出,用O1,i表示第一層第i個(gè)節(jié)點(diǎn)的輸出[2].
第一層為模糊化層,用于計(jì)算輸入的隸屬度,該層每個(gè)節(jié)點(diǎn)的輸出函數(shù)為:
式中:Ai和B j是模糊集;μAi(x1)、μBj(x2)是模糊集對(duì)應(yīng)的隸屬度函數(shù).
第二層用于計(jì)算各條規(guī)則的適應(yīng)度wi,并將各個(gè)輸入信號(hào)的隸屬度函數(shù)相乘,乘積作為本規(guī)則的適應(yīng)度.
第三層對(duì)各條規(guī)則適應(yīng)度進(jìn)行歸一化處理.
第四層為每個(gè)節(jié)點(diǎn)的傳遞函數(shù),為線性函數(shù),表示局部的線性模型,計(jì)算每條規(guī)則的輸出:
式中:fi為Sugeno型模糊結(jié)論輸出函數(shù).
第五層為解模糊層,用于計(jì)算所有規(guī)則的輸出之和.
給定條件參數(shù)后,ANFIS的輸出可表示為結(jié)論參數(shù)的線性組合.
由于采用梯度下降的方法進(jìn)行參數(shù)學(xué)習(xí)時(shí)容易陷入局部最小,這里采用梯度下降法和最小二乘法的混合學(xué)習(xí)算法,具體可分為2個(gè)步驟.
(1)確定條件參數(shù)的初始值,用最小二乘法計(jì)算結(jié)論參數(shù),由式(7)得
其中列向量X中的元素構(gòu)成結(jié)論參數(shù)集合{p1,q1,r1,p2,q2,r2}.若已有p組輸入輸出數(shù)據(jù)對(duì),且給定條件參數(shù),則矩陣A、X、f的位數(shù)為p×6,6×1,p×1.一般樣本數(shù)據(jù)的個(gè)數(shù)遠(yuǎn)大于位置參數(shù)的個(gè)數(shù),使用最小二乘法可以得到min‖AX-f‖意義下的結(jié)論向量最佳估值X*,即:
(2)根據(jù)上一步驟計(jì)算得到的結(jié)論參數(shù)進(jìn)行誤差計(jì)算,采用前向反饋神經(jīng)網(wǎng)絡(luò)中的BP算法,將誤差由輸出端反向傳到輸入端,用梯度下降法更新條件參數(shù),從而改變隸屬度函數(shù)的形狀.
仿真前,將預(yù)設(shè)好規(guī)則數(shù)和隸屬度函數(shù)形狀的ANFIS經(jīng)過輸入輸出數(shù)據(jù)的訓(xùn)練,形成一個(gè)適合已有數(shù)據(jù)模型的模糊推理模塊,其工作原理和過程與典型模糊推理系統(tǒng)相同,經(jīng)過輸入模糊化、模糊推理、解模糊化和控制輸出等過程.
圖2為基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的控制器,該控制器在保持常規(guī)串級(jí)控制的基礎(chǔ)上,主控制器由一個(gè)基于ANFIS的模糊控制器和一個(gè)智能PI模塊來代替,副控制器仍然采用P控制器.
圖2 自適應(yīng)模糊神經(jīng)智能控制結(jié)構(gòu)圖Fig.2 Structure of the fuzzy-neural network controller
自適應(yīng)模糊神經(jīng)系統(tǒng)采用的模糊規(guī)則為輸入變量的線性組合,即
式中:i=0,1,…,n;j=1,2,…,m;Rj為第j條模糊規(guī)則所表示的模糊蘊(yùn)含關(guān)系;Aji為xi的第j個(gè)語言變量值,pji的后件網(wǎng)絡(luò)的連接權(quán)值.
若輸入量采用單點(diǎn)模糊化的方法,對(duì)于給定的輸入x,可以求得對(duì)于每條規(guī)則的適應(yīng)度為
式中:μAji(xi)是第i個(gè)輸入分量隸屬于第j個(gè)語言變量模糊集合A的隸屬度函數(shù).
模糊系統(tǒng)的輸出量為每條規(guī)則的輸出量的加權(quán)平均,即
式中:αj為對(duì)于給定的輸入x所求得的對(duì)于每條規(guī)則的適應(yīng)度[3].
自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制器的2個(gè)輸入變量分別是過熱器出口溫度的偏差e和偏差變化率ec,e、ec對(duì)應(yīng)的模糊化變量分別是E、EC,E和EC的基本論域選為[-6,+6].按照常規(guī)溫度模糊控制的訓(xùn)練樣本數(shù)據(jù)查詢表[4],利用神經(jīng)模糊推理編輯器[5]將訓(xùn)練樣本數(shù)據(jù)載入訓(xùn)練數(shù)據(jù)集,定義輸入變量的隸屬度函數(shù)的數(shù)目為7,類型為gaussmf型,輸出變量的隸屬度函數(shù)類型為constant型.設(shè)訓(xùn)練初始步長(zhǎng)為0.01,目標(biāo)誤差為0,經(jīng)過400步訓(xùn)練后生成初始模糊推理系統(tǒng),建立圖3所示的2-14-49-49-1五層模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng),圖4、圖5分別是經(jīng)過訓(xùn)練得到的E、EC的隸屬度函數(shù)曲線.
智能比例積分(PI)控制器由帶有使能端的邏輯判斷子系統(tǒng)和PI環(huán)節(jié)2個(gè)模塊組成,見圖6.邏輯判斷子系統(tǒng)根據(jù)e和ec的符號(hào)來判斷系統(tǒng)所處的狀態(tài),從而控制PI環(huán)節(jié)是否有效.定義誤差e=ry,ec為誤差變化率,當(dāng)e·ec>0或e=0、ec≠0時(shí),PI控制器作用有效,主控制器由模糊神經(jīng)網(wǎng)絡(luò)控制器和PI控制器疊加作用實(shí)現(xiàn),而當(dāng)e·ec<0或ec=0時(shí),PI控制器作用失效,主控制器采用單獨(dú)的模糊神經(jīng)網(wǎng)絡(luò)控制器來實(shí)現(xiàn).在仿真過程中經(jīng)過調(diào)試,最終整定的參數(shù)kp=1.2,ki=100.
圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of the fuzzy-neural network
圖4 E的隸屬度函數(shù)Fig.4 Membership function of E
圖5 EC的隸屬度函數(shù)Fig.5 Membership function of EC
圖6 智能比例積分控制器結(jié)構(gòu)Fig.6 Structure of the intelligent PI controller
以某電廠600 MW超臨界直流鍋爐過熱汽溫模型作為被控對(duì)象,表1是在不同負(fù)荷下的過熱汽溫傳遞函數(shù)[6],使用Matlab/Simulink對(duì)其動(dòng)態(tài)特性進(jìn)行了仿真研究,并與常規(guī)PID控制進(jìn)行比較.
在無外界擾動(dòng)的情況下,分別對(duì)常規(guī)PID控制器和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行了仿真,給定輸入階躍信號(hào)為10%,被控對(duì)象分別為100%負(fù)荷、75%負(fù)荷及50%負(fù)荷下的過熱汽溫對(duì)象模型,仿真結(jié)果見圖7~圖9.
表1 過熱汽溫對(duì)象模型Tab.1 Plant model for superheated steam temperature
圖7 100%負(fù)荷下的響應(yīng)曲線Fig.7 Response curve at 100%load
圖8 75%負(fù)荷下系統(tǒng)響應(yīng)曲線Fig.8 Response curve at 75%load
從仿真結(jié)果看,自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制器具有良好的動(dòng)、靜態(tài)特性.
圖9 50%負(fù)荷下系統(tǒng)響應(yīng)曲線Fig.9 Response curve at 50%load
被控對(duì)象仍采用上述汽溫模型,100%負(fù)荷下,在系統(tǒng)仿真至650 s時(shí)加入幅值為2%的干擾信號(hào),仿真結(jié)果見圖10.
圖10 100%負(fù)荷下有干擾時(shí)的響應(yīng)曲線Fig.10 Response curve at 100%load with existence of jamming
從仿真結(jié)果看,該控制器的抗干擾能力明顯優(yōu)于常規(guī)PID控制器.
汽溫控制系統(tǒng)采用主/從分布式計(jì)算機(jī)系統(tǒng),主機(jī)為研化工業(yè)控制機(jī),采用IPC-610標(biāo)準(zhǔn)機(jī)箱,從機(jī)采用美國(guó)艾默生Ovation DCS.DCS采用模塊化結(jié)構(gòu),擴(kuò)展方便、可靠性高、維護(hù)性好.
應(yīng)用圖2的智能控制系統(tǒng)及上述的主/從分布式計(jì)算機(jī)系統(tǒng),構(gòu)成自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)汽溫控制系統(tǒng),采用該系統(tǒng)及煤-水比輔助控制來實(shí)現(xiàn)某電廠600 MW超臨界直流鍋爐汽溫的自動(dòng)控制,選擇采樣周期為40 s.該自動(dòng)控制系統(tǒng)在現(xiàn)場(chǎng)實(shí)際投運(yùn)后,當(dāng)鍋爐負(fù)荷在大范圍內(nèi)變化時(shí),得到的現(xiàn)場(chǎng)運(yùn)行記錄曲線見圖11.從圖中可以看出,采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制在變負(fù)荷時(shí)仍然具有良好的汽溫控制效果.
圖11 現(xiàn)場(chǎng)運(yùn)行記錄曲線Fig.11 On-site operation curves
針對(duì)火電廠過熱汽溫對(duì)象的大延時(shí)、大慣性,本文提出的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制策略克服了常規(guī)PID控制自適應(yīng)能力差的缺點(diǎn).另外,文中使用的模糊控制器克服了常規(guī)模糊控制器穩(wěn)態(tài)精度不高和模糊規(guī)則難以確定等缺點(diǎn).該控制方法對(duì)于復(fù)雜的被控對(duì)象也能取得良好的控制效果,表現(xiàn)出較好的動(dòng)態(tài)品質(zhì)、穩(wěn)定性和抗干擾性等優(yōu)點(diǎn),具有較高的工程應(yīng)用價(jià)值.
[1] 彭道剛,楊平,王志萍,等.火電廠主汽溫控制系統(tǒng)的免疫PID串級(jí)控制[J].動(dòng)力工程,2005,25(2):234-238.PENG Daogang,YANG Ping,WANG Zhiping,et al.Immune PID cascade control of f resh steam temperature control system in fossil-fired power plant[J].Journal of Power Engineering,2005,25(2):234-238.
[2] 于希寧,程鋒章,朱麗玲,等.基于T-S模型的自適應(yīng)神經(jīng)模糊推理系統(tǒng)及其在熱工過程建模中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2006,26(15):78-82.YU Xining,CHENG Fengzhang,ZHU Liling,et al.ANFISmodeling based on T-S model and its application for thermal process[J].Proceedings of the CSEE,2006,26(15):78-82.
[3] 李國(guó)勇.智能控制及其MATLAB實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2005.
[4] 李向明,吳龍海.模糊神經(jīng)網(wǎng)絡(luò)控制器的仿真研究[J].武漢理工大學(xué)學(xué)報(bào),2003,25(1):13-16.LI Xiangming,WU Longhai.Simulation research of fuzzy neural network controller[J].Journal of Wuhan University of Technology,2003,25(1):13-16.
[5] 吳曉莉,林哲輝.MATLB輔助模糊系統(tǒng)設(shè)計(jì)[M].西安:西安電子科技大學(xué)出版社,2002.
[6] 曾蓉.火電廠主蒸汽溫度的模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的研究[D].重慶:重慶大學(xué)自動(dòng)化學(xué)院,2007.