集氣管壓力系統(tǒng)的神經(jīng)網(wǎng)絡(luò)逆解耦復(fù)合控制

田晴，曹秀爽

（1.河北聯(lián)合大學(xué) 電氣工程學(xué)院，河北 唐山063009；2.唐山學(xué)院 信息工程系，河北 唐山063009）

焦?fàn)t集氣管壓力是煉焦生產(chǎn)中的重要參數(shù)，其穩(wěn)定性直接影響著焦?fàn)t設(shè)備的使用壽命和焦炭與煤氣的生產(chǎn)。集氣管壓力值應(yīng)穩(wěn)定在80～120Pa范圍內(nèi)，壓力過低時，空氣會進入焦?fàn)t體內(nèi)導(dǎo)致焦炭燃燒，造成產(chǎn)品質(zhì)量下降；壓力過高時，荒煤氣會從爐門、爐蓋等地方冒出，造成環(huán)境污染和能源浪費。

實際生產(chǎn)表明，集氣管壓力的特性呈現(xiàn)了非線性、強耦合和多變量等特點，理論上大多以模糊控制、復(fù)合控制為主［1－2］；工程應(yīng)用方面，集氣管壓力主要依靠調(diào)節(jié)蝶閥門開度來滿足工藝需求。本文依據(jù)集氣管壓力的靜態(tài)特性和動態(tài)特性，以某焦化廠2座焦?fàn)t集氣管壓力控制為研究對象，給出集氣管壓力系統(tǒng)的動態(tài)模型，采用逆系統(tǒng)解耦方法，結(jié)合神經(jīng)網(wǎng)絡(luò)非線性辨識特性，進行動態(tài)解耦控制。

1 集氣管壓力系統(tǒng)的數(shù)學(xué)模型

在煉焦生產(chǎn)中，集氣管的作用是匯集各炭化室來的荒煤氣，集氣管壓力調(diào)節(jié)的目的是使炭化室保持合適的正壓范圍，以滿足煤在干餾過程中所需要的工藝條件。集氣管壓力特性如圖1，圖中的斜線代表集氣管壓力系統(tǒng)有關(guān)的集氣管、初冷器、風(fēng)機、蝶閥等工藝對象。

圖1 集氣管動態(tài)特性示意圖

Ps1、Ps2分別為焦?fàn)t產(chǎn)出煤氣產(chǎn)生的壓力；Q1、Q2分別為從1＃、2＃焦?fàn)t進入集氣管的煤氣流量；P1、P2分別為1＃、2＃焦?fàn)t集氣管的煤氣壓力；P3為初冷器前煤氣壓力；P’1、P’2分別為管后煤氣壓力；C1、C2、C12、C23為對象的容量系數(shù)。R1、R2為對象的阻力系數(shù)，由蝶閥開度決定；R12、R23為管道間的系數(shù)，由管道本身決定。

根據(jù)焦?fàn)t集氣管壓力控制主要是依靠改變各集氣管上的蝶閥開度來控制集氣管壓力的，蝶閥開度是控制量，選擇R1、R2作為系統(tǒng)的控制輸入量，表示蝶閥開度；選擇P1、P2作為系統(tǒng)的輸出量；焦?fàn)t產(chǎn)出壓力Ps1、Ps2，初冷器前煤氣壓力P3，作為系統(tǒng)的擾動輸入；根據(jù)對象的特性模擬圖，可建立氣體動態(tài)平衡方程：

在穩(wěn)定工作點利用泰勒級數(shù)公式將所建非線性動態(tài)平衡方程線性化為增量形式同時進行拉氏變換，得到集氣管壓力系統(tǒng)的傳遞函數(shù)。

2 神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)解耦控制

2.1 逆系統(tǒng)解耦原理

如果將α階逆系統(tǒng)∏α串接在原系統(tǒng)∑α之前一起構(gòu)成具有類似線性傳遞關(guān)系的復(fù)合系統(tǒng)，稱為α階偽線性復(fù)合系統(tǒng)，其輸入輸出關(guān)系可簡單的表示成如下的線性積分解耦型傳遞函數(shù)：

2.2 集氣管壓力系統(tǒng)的可逆性分析

能否實現(xiàn)逆系統(tǒng)，是能否將一個原系統(tǒng)線性化、解耦成偽線性子系統(tǒng)的重要前提。由上述模型方程可知，集氣管壓力數(shù)學(xué)模型表現(xiàn)為五輸入兩輸出的非線性系統(tǒng)，為實現(xiàn)解耦控制，本文采用逆系統(tǒng)方法分析其數(shù)學(xué)模型的可逆性，采用interactor算法［7－8］，不斷的對輸出函數(shù)進行求導(dǎo)，直到輸出各分量都顯含輸入，且系統(tǒng)存在矢量相對階，則可判斷該系統(tǒng)可逆。

2.3 神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)實現(xiàn)

2.3.1 神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)解耦原理［7］

根據(jù)BP神經(jīng)網(wǎng)絡(luò)在逼近非線性映射的系統(tǒng)運算中具有較好的性能，采用應(yīng)用最為廣泛的三層反饋前向神經(jīng)網(wǎng)絡(luò)來逼近集氣管壓力逆系統(tǒng)，則得到逆系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。解耦的基本思想為：將靜態(tài)神經(jīng)網(wǎng)絡(luò)逼近逆系統(tǒng)后再與原系統(tǒng)復(fù)合成偽線性系統(tǒng)，將原系統(tǒng)線性化和解耦成各個偽線性子系統(tǒng)，然后再對各個偽線性子系統(tǒng)設(shè)計控制器進行閉環(huán)控制，以使原系統(tǒng)獲得良好控制性能。

2.3.2 神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)辨識

根據(jù)集氣管壓力系統(tǒng)輸入輸出特性，確定BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點數(shù)2個，輸出節(jié)點數(shù)5個，隱含層節(jié)點數(shù)根據(jù)仿真實驗來確定。訓(xùn)練神經(jīng)網(wǎng)絡(luò)時需要原系統(tǒng)的輸入量作為神經(jīng)網(wǎng)絡(luò)的期望輸出，需要原系統(tǒng)的輸出量作為神經(jīng)網(wǎng)絡(luò)的輸入，這需要通過在原系統(tǒng)的工作區(qū)域內(nèi)，選取適合的激勵信號來獲取原系統(tǒng)的動靜態(tài)特性。

訓(xùn)練樣本的生成可根據(jù)原系統(tǒng)模型在MATLAB中進行，在仿真系統(tǒng)中使采樣數(shù)據(jù)直接存入”ToWorksPace’’模塊。為了獲得足夠的樣本數(shù)據(jù)，我們設(shè)置仿真時間為1 000s，每0.05秒采樣一組數(shù)據(jù)，采樣的總數(shù)據(jù)量為20000組，其中的19500組作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，500組作為網(wǎng)絡(luò)預(yù)測數(shù)據(jù)。為了加快訓(xùn)練網(wǎng)絡(luò)的收斂性，我們需對數(shù)據(jù)進行［－1，1］的歸一化處理，采用MATLAB自帶函數(shù) mapminmax對數(shù)據(jù)進行歸一化處理。

在MATLAB中進行神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練：

%提取訓(xùn)練數(shù)據(jù)

%選定樣本輸入輸出數(shù)據(jù)歸一化

%初始化網(wǎng)絡(luò)結(jié)構(gòu)

%網(wǎng)絡(luò)訓(xùn)練

%生成simulink模塊

在MATLAB中訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)生成simulink模塊如圖2，這樣就可以很方便的將該模塊應(yīng)用到集氣管壓力的離線仿真中去。

誤差訓(xùn)練如圖3：

圖2 神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)模塊

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖

3 MATLAB仿真實現(xiàn)

3.1 原系統(tǒng)仿真

某焦化廠焦?fàn)t集氣管壓力系統(tǒng)實際穩(wěn)態(tài)工作點參數(shù)為：

在simulink中搭建輸出量P1和P2的閉環(huán)控制模型，輸入為集氣管壓力的設(shè)定期望值，stepP1＝110，，stepP2＝100，且2＃集氣管壓力的設(shè)定值延遲100s作用，以便研究其耦合性。仿真結(jié)果如圖4.

圖4 未解耦系統(tǒng)閉環(huán)仿真曲線

3.2 集氣管壓力系統(tǒng)神經(jīng)網(wǎng)絡(luò)逆解耦控制

將基于MATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)模塊與集氣管壓力系統(tǒng)串聯(lián)，加上必要的歸一化模塊和反歸一化模塊，形成閉環(huán)系統(tǒng)，就構(gòu)成了集氣管壓力系統(tǒng)的神經(jīng)網(wǎng)絡(luò)逆解耦控制系統(tǒng)，在simulink中搭建模型如圖5。

圖5 集氣管壓力神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)simulink模型

在上述閉環(huán)結(jié)構(gòu)中，參數(shù)設(shè)置同上，仿真結(jié)果如圖6。

圖6 集氣管逆解耦控制仿真曲線

從仿真結(jié)果分析，未解耦系統(tǒng)明顯可看出P1和P2之間的耦合關(guān)系，且系統(tǒng)進入穩(wěn)態(tài)后，不能達到設(shè)定值。通過神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)解耦后，耦合關(guān)系已基本消除，且基本能夠達到設(shè)定值。

4 結(jié)論

在確定集氣管壓力系統(tǒng)特性的基礎(chǔ)上，將神經(jīng)網(wǎng)絡(luò)逼近逆系統(tǒng)，根據(jù)逆系統(tǒng)解耦原理，神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)與原系統(tǒng)構(gòu)成復(fù)合系統(tǒng)，實現(xiàn)解耦控制。通過仿真，證明了其有一定的可行性，但是對其控制性能仍需進一步的研究。

［1］孟月波等.焦?fàn)t集氣管壓力系統(tǒng)建模與仿真［J］.系統(tǒng)仿真學(xué)報，2005，（17）10：2314～2316.

［2］王學(xué)武等.焦?fàn)t集氣管壓力系統(tǒng)的復(fù)合控制［J］.化工自動化及儀表，2004，31（6）：18～20.

［3］王學(xué)雷等.集氣管壓力協(xié)調(diào)控制系統(tǒng)的應(yīng)用［J］.燃料與化工，2009，（40）2：12～14.

［4］薄敬東等.集氣管壓力控制系統(tǒng)建模與解耦［J］.自動化儀表，2008（29）11：25～28.

［5］賴旭芝等.焦?fàn)t集氣管的模糊專家控制方法及其應(yīng)用.控制工程，2006（13）2：108～110.

［6］潘海鵬.焦?fàn)t集氣管壓力綜合控制算法研究與應(yīng)用［J］.控制工程，2003，10（6）：529－531.

［7］趙君.永磁同步電機神經(jīng)網(wǎng)絡(luò)逆解耦控制研究［J］.電機與控制學(xué)報，2012，3，.16（3），90～95.

［8］何勇.基于神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)的永磁同步電機的控制［D］.南京理工大學(xué)，2009.

［9］薛定宇.控制系統(tǒng)計算機輔助設(shè)計——MATLAB語言與應(yīng)用（第3版）［M］.北京：清華大學(xué)出版社，2012.