劉曉悅 馮立強(qiáng)

摘 要： 工業(yè)鍋爐正常運(yùn)行的一個(gè)重要指標(biāo)是汽包水位，然而實(shí)際運(yùn)行中出現(xiàn)的虛假水位現(xiàn)象對鍋爐的正常運(yùn)行產(chǎn)生很大影響。當(dāng)前常規(guī)的調(diào)節(jié)策略是以PID為核心的三沖量策略，但是由于PID的調(diào)控效果對被控對象的數(shù)學(xué)模型依賴度高，而汽包水位難以建立精確的模型，此方案的實(shí)際效果并不理想。基于此，引入擴(kuò)展卡爾曼神經(jīng)網(wǎng)絡(luò)方法。此方法具有不依賴模型的特點(diǎn)，并依據(jù)此方法設(shè)計(jì)網(wǎng)絡(luò)控制器（EK?NNC），目的是替換常規(guī)PID控制器。最后給出EK?NNC與常規(guī)PID的對比結(jié)果。

關(guān)鍵詞： 擴(kuò)展卡爾曼算法； 人工神經(jīng)網(wǎng)絡(luò)； 工業(yè)鍋爐； 水位控制； 三沖量； 實(shí)驗(yàn)仿真

中圖分類號： TN876?34； TP183 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）19?0096?04

Abstract： The drum water level acts as an important indicator of the normal operation of industrial boiler， but its false phenomenon in actual operation greatly influences the normal operation of the boiler. The three?impulse strategy takes PID as its core， but the control effect of PID has high dependency on the mathematical model of the controlled object， and it is difficult to establish the accurate model of drum water level， so the practical control effect of this strategy is unsatisfied. On this basis， an extended Kalman neural network method is introduced， which is independent of the mathematical model. The extended Kalman neural network controller （EK?NNC） was designed to replace the conventional PID controller. The comparison results of EK?NNC and conventional PID are given.

Keywords： extended Kalman algorithm； artificial neural network； industrial boiler； water level control； three?impulse； experimental simulation

0 引 言

鍋爐在工業(yè)生產(chǎn)及人們生活中具有重要地位。鍋爐作為能量轉(zhuǎn)換設(shè)備，將燃料中的化學(xué)能轉(zhuǎn)換成熱能后對汽包中的水加熱，產(chǎn)生的蒸汽帶動發(fā)電機(jī)或是負(fù)載進(jìn)行工業(yè)生產(chǎn)。其中汽包水位間接反映工業(yè)鍋爐運(yùn)行的平穩(wěn)性與安全性，是鍋爐的重要參數(shù)。水位過高，影響汽水分離器的正常分離過程，而且如果汽水分離不充分，蒸汽中含水過多會加速汽輪機(jī)葉片的老化；水位過低，蒸汽產(chǎn)量不足影響正常生產(chǎn)，如果水位持續(xù)走低，就可能發(fā)生“燒干鍋”甚至爆炸的危險(xiǎn)情況。

鑒于鍋爐汽包水位在鍋爐運(yùn)行中的重要性，對其研究不斷加深。其中，文獻(xiàn)[1]將分?jǐn)?shù)階理論應(yīng)用到水位調(diào)控中，但是確定最佳有理逼近函數(shù)往往不是容易的事。文獻(xiàn)[2]提出一種基于粒子群優(yōu)化的PID水位調(diào)節(jié)算法，對PID參數(shù)進(jìn)行調(diào)整，但是粒子群算法具有容易陷入局部極值點(diǎn)的缺陷。文獻(xiàn)[3?5]討論了模糊理論在水位調(diào)節(jié)下的應(yīng)用。文獻(xiàn)[6?7]提出模糊神經(jīng)網(wǎng)絡(luò)在水位控制中的應(yīng)用。其中文獻(xiàn)[3?7]都引用了模糊理論，但是模糊規(guī)則復(fù)雜，隸屬度函數(shù)的確定依賴經(jīng)驗(yàn)是這些方法的缺點(diǎn)。

文獻(xiàn)[8]提出擴(kuò)展卡爾曼神經(jīng)網(wǎng)絡(luò)算法并且仿真效果良好，因此本文引入此方法并在此基礎(chǔ)上設(shè)計(jì)擴(kuò)展卡爾曼神經(jīng)網(wǎng)絡(luò)控制器（EK?NNC）。最后分別給出在三沖量調(diào)控方案下EK?NNC與傳統(tǒng)方法的對比仿真結(jié)果。

1 鍋爐汽包結(jié)構(gòu)與常規(guī)控制

1.1 汽包結(jié)構(gòu)

鍋爐汽包的結(jié)構(gòu)如圖1所示。汽包中儲存的是蒸汽和水，二者的儲量通過水位來表現(xiàn)。從圖1可知，給水流量[W]作為輸入，蒸汽流量[S]作為輸出，理想情況下，如果[W]與[S]之和為0，那么水位[H]就處于穩(wěn)定狀態(tài)。

汽包中的水經(jīng)過受熱面加熱后形成飽和蒸汽，飽和蒸汽在加熱器中進(jìn)行加熱處理，直到達(dá)到設(shè)定的壓力和溫度值，最后輸出到汽輪機(jī)帶動負(fù)載運(yùn)行。

1.2 常規(guī)控制

目前，水位的常規(guī)控制方案是串級三沖量策略。結(jié)構(gòu)圖如圖2所示。

圖2中，[r]為水位的設(shè)定值，[H]為水位的實(shí)際數(shù)值；[D]，[W]為蒸汽流量和給水流量；[G3]，[G4]為給水流量與蒸汽流量的傳遞函數(shù)；[Ad]，[Aw]為蒸汽與給水參數(shù)；[C1，C2]代表兩個(gè)PID控制器[9]。其中[G1]作為主控是此結(jié)構(gòu)的核心。副控[G2]的主要功能是應(yīng)對因給水或蒸汽波動而產(chǎn)生的誤差，確保給水與蒸汽流量平衡，此調(diào)節(jié)只是輔助調(diào)節(jié)；主控[G1]（核心是PID）則作用全局調(diào)控，接受設(shè)定值[r]與實(shí)際水位值[H]間的誤差[e]作為輸入，將輸出[U]（圖2所示）作為全局控制量來調(diào)控水位變化。

2 擴(kuò)展卡爾曼神經(jīng)網(wǎng)絡(luò)

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

卡爾曼神經(jīng)網(wǎng)絡(luò)算法把卡爾曼濾波算法作為權(quán)重的修正規(guī)則引入到常規(guī)神經(jīng)網(wǎng)絡(luò)中。算法的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

如圖3所示，第一層為網(wǎng)絡(luò)的輸入層，此層接受2個(gè)數(shù)值，[e1]代表期望輸出，[e2]代表實(shí)際輸出；第二層的神經(jīng)元類似于PID結(jié)構(gòu)，其中[a1]對應(yīng)積分系數(shù)P，[a2]對應(yīng)比例系數(shù)I，[a3]對應(yīng)微分系數(shù)D。第三層為網(wǎng)絡(luò)的輸出層，此層的輸出[o]對應(yīng)圖2中的控制信號[U]。網(wǎng)絡(luò)第二層的輸出的數(shù)學(xué)表達(dá)式如下：

3 仿真與對比

本文采用Matlab軟件進(jìn)行測試，以鍋爐汽包水位控制為例，對比EK?NNC與常規(guī)PID的調(diào)控效果。本次仿真分別把常規(guī)PID和EK?NNC作為主控（[C1]） 。設(shè)定相關(guān)參數(shù)：[Ad，Aw]均為0，017 5，[K=20]，[G3=0.037S（8.5S+1）]，[G4=-0.3S+3.615S+1]，[F=1]。

1） 傳統(tǒng)PID控制器（主控）的三個(gè)參數(shù)（P，I，D）分別設(shè)置為：3，0.35，1.1。

2） 設(shè)置 EK?NNC的學(xué)習(xí)速率[α=0.05]，卡爾曼測量因子[η=0.01]，網(wǎng)絡(luò)初始權(quán)重設(shè)定為0～1之間的隨機(jī)數(shù)，訓(xùn)練次數(shù)1 000次。偏置[bh]的初值為0。將實(shí)際水位測量值，主控制器的控制信號進(jìn)行歸一化處理后，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后將網(wǎng)絡(luò)替換為圖2中的[C1]。

圖5是階躍響應(yīng)，其中在30 s時(shí)加入強(qiáng)度為0.1的白噪聲，持續(xù)時(shí)間1 s。

為了便于比較，圖5中涉及的性能指標(biāo)見表1。

從表1可以看出，當(dāng)有干擾時(shí)EK?NNC克服干擾的能力強(qiáng)于常規(guī)PID控制器。

4 結(jié) 語

神經(jīng)網(wǎng)絡(luò)憑借其強(qiáng)大的泛化能力與良好的容錯性而被愈加頻繁地應(yīng)用于多個(gè)領(lǐng)域。本文在卡爾曼神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，設(shè)計(jì)擴(kuò)展卡爾曼神經(jīng)網(wǎng)絡(luò)控制器。通過仿真對比，可以看出EK?NNC在上升時(shí)間、超調(diào)量、調(diào)節(jié)時(shí)間這三方面的調(diào)控效果好于常規(guī)PID控制，同時(shí)也體現(xiàn)了EK?NNC控制器的有效性。

參考文獻(xiàn)

[1] 秦君琴，馬華杰，李興財(cái).分?jǐn)?shù)階PID控制器在火電廠鍋爐汽包水位控制中的應(yīng)用研究[J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，39（7）：58?61.

QIN Junqin， MA Huajie， LI Xingcai. Application of fractional PID controller in boiler drum water level control in thermal power plant [J]. Journal of Southwestern Normal University （natural science edition）， 2014， 39（7）： 58?61.

[2] 劉景芝，孫偉，張紹娟.汽包水位粒子群?PID優(yōu)化控制[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（21）：239?241.

LIU Jingzhi， SUN Wei， ZHANG Shaojuan. Optimal control of drum water level particle swarm optimization?PID [J]. Computer engineering and applications， 2009， 45（21）： 239?241.

[3] 婁偉，劉向東.模糊控制在鍋爐汽包水位控制系統(tǒng)中的應(yīng)用[J].鍋爐技術(shù)，2010，41（1）：27?31.

LOU Wei， LIU Xiangdong. Application of fuzzy control in boiler drum water level control system [J]. Boiler technology， 2010， 41（1）： 27?31.

[4] 付立華，周洪.基于變論域模糊PID的鍋爐汽包水位控制系統(tǒng)仿真研究[J].河南工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，27（3）：52?56.

FU Lihua， ZHOU Hong. Simulation study of boiler drum water level control system based on variable universe fuzzy PID [J]. Journal of Henan Institute of Engineering （natural science edition）， 2015， 27（3）： 52?56.

[5] 榮盤祥，高生宇，王子旭，等.工業(yè)鍋爐汽包水位控制系統(tǒng)的優(yōu)化[J].哈爾濱理工大學(xué)學(xué)報(bào)，2015，20（6）：78?82.

RONG Panxiang， GAO Shengyu， WANG Zixu， et al. Optimization of water level control system for industrial boiler drum [J]. Journal of Harbin University of Science and Technology， 2015， 20（6）： 78?82.

[6] 黃永杰.基于模糊神經(jīng)網(wǎng)絡(luò)的燃煤鍋爐過程控制應(yīng)用探析[J].煤炭技術(shù)，2013，32（4）：229?231.

HUANG Yongjie. Application of fuzzy neural network in process control of coal fired boiler [J]. Coal technology， 2013， 32（4）： 229?231.

[7] 李晶，王旭剛.基于模糊PID的模型參考自適應(yīng)IMC汽包水位控制[J].熱力發(fā)電，2015，44（2）：96?100.

LI Jing， WANG Xugang. Model reference adaptive IMC drum level control based on fuzzy PID [J]. Thermal power generation， 2015， 44（2）： 96?100.

[8] SENTO A， KITJAIDURE Y. Neural network controller based on PID using an extended Kalman filter algorithm for multi?variable non?linear control system [C]// The Eighth International Conference on Advanced Computational Intelligence. Chiang Mai： IEEE， 2016： 302?309.

[9] 張哲，左為恒，左培新.基于IMC的鍋爐汽包水位控制系統(tǒng)仿真研究[J].熱力發(fā)電，2013，42（8）：59?62.

ZHANG Zhe， ZUO Weiheng， ZUO Peixin. Simulation research of boiler drum water level control system based on IMC [J]. Thermal power generation， 2013， 42（8）： 59?62.

[10] GUO Xiucheng， LI Yan， YANG Jie. Active traffic induction control based on state space neural network and extended Kalman filter [J]. Journal of Southeast University （English edition）， 2010， 26（3）： 466?470.