基于神經(jīng)網(wǎng)絡(luò)逆模型的污水pH 值內(nèi)?？刂撇呗?/h1>
2023-12-26 07:23:46鮑立昌章家?guī)r馮旭剛王正兵魏新源
重慶大學(xué)學(xué)報(bào) 2023年12期
王 勝，鮑立昌，章家?guī)r，馮旭剛，徐 帥，王正兵，魏新源
（安徽工業(yè)大學(xué) 電氣與信息工程學(xué)院，安徽 馬鞍山 243032）
中國(guó)水資源嚴(yán)重短缺，人均水資源占有量?jī)H為世界平均水平的1/4，因此，加強(qiáng)污水治理和循環(huán)利用對(duì)于保護(hù)水資源和實(shí)現(xiàn)可持續(xù)發(fā)展具有重要意義[1-3]。在工業(yè)污水處理過(guò)程中，酸堿度（pH 值）的控制是非常重要的環(huán)節(jié)，保證精準(zhǔn)控制，是污水處理后續(xù)工藝流程安全可靠運(yùn)行以及水質(zhì)達(dá)標(biāo)的前提條件。然而在污水處理過(guò)程中，當(dāng)pH 值在中和點(diǎn)附近時(shí)，中和反應(yīng)呈現(xiàn)高度敏感性，加入微量的中和劑就會(huì)引起pH 值的大幅跳變，且中和反應(yīng)過(guò)程易受環(huán)境、溫度、生物發(fā)酵等多方面不確定因素的干擾[4-5]，所以對(duì)pH 值進(jìn)行控制是污水處理行業(yè)的一項(xiàng)技術(shù)難題[6]。
pH 值調(diào)節(jié)過(guò)程涉及的化學(xué)反應(yīng)機(jī)理主要是酸堿中和反應(yīng)。近些年對(duì)酸堿中和反應(yīng)pH 值控制的研究引起了學(xué)者關(guān)注。Mota 等[6-7]提出了應(yīng)用自適應(yīng)神經(jīng)模糊推理系統(tǒng)架構(gòu)建立代表酸堿中和過(guò)程的預(yù)測(cè)模型，并根據(jù)神經(jīng)網(wǎng)絡(luò)準(zhǔn)確性和復(fù)雜性相互矛盾的準(zhǔn)則，將pH 中和過(guò)程表示為多目標(biāo)優(yōu)化問題。但由于神經(jīng)網(wǎng)絡(luò)輸出和節(jié)點(diǎn)權(quán)值映射間存在非線性，導(dǎo)致系統(tǒng)局部極小值問題未得到解決。Zhang 等[8]將未建模動(dòng)態(tài)的數(shù)據(jù)驅(qū)動(dòng)補(bǔ)償與多步超前最優(yōu)控制相結(jié)合，采用了一種新的PID 控制方案應(yīng)用于紙漿中和過(guò)程的pH 值控制。在這種新的PID 控制方法中，中和過(guò)程的實(shí)時(shí)測(cè)量數(shù)據(jù)和歷史數(shù)據(jù)得到了充分應(yīng)用。但是動(dòng)態(tài)歷史數(shù)據(jù)庫(kù)的更新存在一定滯后，使系統(tǒng)很難達(dá)到實(shí)時(shí)在線控制的要求。Vatankhah 等[9-11]將非線性預(yù)測(cè)控制應(yīng)用于pH 的中和過(guò)程研究中，在數(shù)學(xué)模型的基礎(chǔ)上搭建了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并融入粒子群算法，解決了BP 神經(jīng)網(wǎng)絡(luò)局部最優(yōu)的難題。但由于該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)量較大，待尋優(yōu)參數(shù)多，導(dǎo)致系統(tǒng)的收斂速度較慢。
綜上所述，雖然已有一些方法對(duì)中和反應(yīng)的pH 值控制進(jìn)行研究，但未能有效解決系統(tǒng)的強(qiáng)干擾和模型參數(shù)易變問題。為此，筆者提出基于內(nèi)?？刂坪蜕窠?jīng)網(wǎng)絡(luò)逆模型相結(jié)合的優(yōu)化控制策略，設(shè)計(jì)濾波器提高系統(tǒng)魯棒性，在MATLAB 仿真驗(yàn)證的基礎(chǔ)上，以火力發(fā)電鍋爐沖渣除灰循環(huán)水處理系統(tǒng)為對(duì)象進(jìn)行實(shí)際應(yīng)用，達(dá)到了較好應(yīng)用效果。
1 pH 中和反應(yīng)機(jī)理建模
工業(yè)污水處理過(guò)程中，中和劑的添加量是控制pH 值的關(guān)鍵因素。工程上通常依據(jù)物質(zhì)守恒定律和化學(xué)平衡定律，采用連續(xù)攪拌反應(yīng)釜系統(tǒng)（continuously stirred tank reactor，CSTR）的pH 中和過(guò)程作為研究對(duì)象的動(dòng)態(tài)模型[12-13]。
連續(xù)攪拌反應(yīng)釜系統(tǒng)如圖1 所示，當(dāng)流入反應(yīng)池的污水呈酸性時(shí)，用堿性中和劑調(diào)節(jié)其pH 值；當(dāng)流入反應(yīng)池的污水呈堿性時(shí)，用酸性中和劑調(diào)節(jié)其pH 值。為方便闡述pH 中和反應(yīng)機(jī)理，設(shè)流入反應(yīng)池的污水呈堿性，對(duì)應(yīng)去用酸性中和劑調(diào)節(jié)其pH 值。圖中F1、F2分別為酸性中和劑的流量和堿性污水的流量，其濃度分別為C1、C2，Xa為流出酸的總濃度，Xb為流出堿的總濃度，V為連續(xù)攪拌反應(yīng)釜中溶液的體積，n為攪拌機(jī)轉(zhuǎn)速。
圖1 連續(xù)攪拌反應(yīng)釜系統(tǒng)Fig. 1 Continuous Stirred Reactor System
設(shè)定的CSTR 中處處等溫且物料完全混合，排除其他生物或物理化學(xué)作用對(duì)pH 的影響，則整個(gè)反應(yīng)釜系統(tǒng)中堿的變化量等于污水流入反應(yīng)釜中堿的總量和反應(yīng)釜中流出的堿的總量之差，酸的變化量等于向反應(yīng)釜中所添加的中和劑中的酸總量與反應(yīng)釜中流出的酸總量之差。即有
整個(gè)系統(tǒng)中，酸性中和劑的流量F1即為操縱量u，污水pH 值作為系統(tǒng)的輸出（即被控變量），中和劑的濃度C1為系統(tǒng)的擾動(dòng)量，結(jié)合式(1)和式(2)可得出系統(tǒng)的動(dòng)態(tài)控制模型如下
令y=Xa-Xb，可以將式（3）簡(jiǎn)化為
被控對(duì)象的模型可以近似離散化為
至此可得處理后污水pH 值
式(5)、(6)中:T為采樣周期（s）；d(k)為系統(tǒng)干擾；Kw= 10-14為純水在25 ℃下的電離平衡常數(shù)。
2 神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂品桨冈O(shè)計(jì)
根據(jù)污水處理系統(tǒng)pH 值的控制要求，設(shè)計(jì)了圖2 所示的控制方案?；经h(huán)節(jié)由正向模型、逆向模型、濾波器和時(shí)延模塊等部分組成。其中，正向模型和逆向模型由RBF 神經(jīng)網(wǎng)絡(luò)辨識(shí)實(shí)現(xiàn)，逆向模型通過(guò)內(nèi)?？刂破鱽?lái)實(shí)現(xiàn)pH 值被控對(duì)象的逆，有效解決pH 值控制系統(tǒng)的強(qiáng)干擾問題。圖中選擇中和劑的流量u作為操作變量，反應(yīng)釜對(duì)象的pH 值變量作為被控變量y，TDL 為神經(jīng)網(wǎng)絡(luò)采集數(shù)據(jù)的時(shí)延模塊，濾波器能提高控制系統(tǒng)的魯棒性。下面將分別對(duì)RBF 神經(jīng)網(wǎng)絡(luò)正、逆向模型辨識(shí)和內(nèi)?？刂破鬟M(jìn)行設(shè)計(jì)，并將二者有機(jī)結(jié)合，實(shí)現(xiàn)污水處理pH 值的優(yōu)化控制策略[14]。
2.1 正、逆向模型的建立
模型辨識(shí)是識(shí)別被控對(duì)象輸入輸出之間關(guān)系的動(dòng)態(tài)特性[14]，為了提高內(nèi)?？刂葡到y(tǒng)中正向模型的精確度，并使內(nèi)?？刂破鞅M可能接近正向模型的逆模型，采用神經(jīng)網(wǎng)絡(luò)的方法對(duì)內(nèi)?？刂葡到y(tǒng)的正向模型和控制器模型進(jìn)行正、逆模型辨識(shí)。模型辨識(shí)的結(jié)構(gòu)如圖3 所示。
圖3 正、逆向模型辨識(shí)結(jié)構(gòu)Fig. 3 Identification structure of forward and reverse models
神經(jīng)網(wǎng)絡(luò)辨識(shí)的pH 值非線性被控對(duì)象用非線性離散差分方程可以表示為
式中：n是輸出時(shí)滯；m是輸入時(shí)滯；u是對(duì)象輸入；y是對(duì)象輸出。假設(shè)RBF 的多輸入向量為
則RBF 網(wǎng)絡(luò)中高斯基函數(shù)zi（第i個(gè)隱節(jié)點(diǎn)的輸出）為
式中：Ci為網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的中心向量；ri為網(wǎng)絡(luò)基寬向量中的第i個(gè)值；p為隱節(jié)點(diǎn)個(gè)數(shù)。
RBF 網(wǎng)絡(luò)的輸出為
其中：wi是網(wǎng)絡(luò)隱層到輸出層的權(quán)值；M是網(wǎng)絡(luò)輸出節(jié)點(diǎn)的個(gè)數(shù)。
并定義目標(biāo)函數(shù)
在內(nèi)?？刂普蚰Ｐ偷慕⑦^(guò)程中，采用u(k- 2)，u(k- 3)，u(k- 4)，y(k- 1)和y(k- 2)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸入，ym(k)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸出。通過(guò)最小化目標(biāo)函數(shù)來(lái)不斷修正RBF 網(wǎng)絡(luò)中的連接權(quán)值，使得正向模型的輸出ym不斷逼近實(shí)際輸出y，從而實(shí)現(xiàn)正向模型的辨識(shí)。
逆向模型的訓(xùn)練結(jié)構(gòu)除輸入輸出外，其余和正向模型相同。在逆向模型的建立過(guò)程中，采用u(k- 4)，u(k- 3)，r(k- 1)，r(k- 2)和r(k- 3)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸入，?(k)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸出。利用設(shè)定值r(k)和正向模型輸出ym(k)的差值e2來(lái)修正RBF 網(wǎng)絡(luò)的連接權(quán)值，使得逆向模型的輸出?(k)逐漸逼近被控對(duì)象的實(shí)際輸入u(k)，實(shí)現(xiàn)逆向模型的動(dòng)態(tài)辨識(shí)。
2.2 pH 值內(nèi)?？刂萍軜?gòu)
內(nèi)模控制建立在被控對(duì)象正、逆向模型的基礎(chǔ)上，把被控對(duì)象和它的近似數(shù)學(xué)模型并聯(lián)，取數(shù)學(xué)模型輸出與實(shí)際對(duì)象輸出的差值作為誤差信號(hào)，反饋到內(nèi)?？刂破鞯妮斎攵?，并通過(guò)濾波器來(lái)抑制控制系統(tǒng)受到干擾或模型參數(shù)變化時(shí)出現(xiàn)的反饋量波動(dòng)。內(nèi)?？刂萍軜?gòu)框圖如圖4 所示。
圖4 內(nèi)?？刂萍軜?gòu)Fig. 4 Internal Mode Control Architecture
圖4 中，r(s)為系統(tǒng)的輸入（污水處理設(shè)定的pH 值），y(s)為系統(tǒng)的輸出，G(s)為污水pH 值被控對(duì)象，C(s)是內(nèi)?？刂破?，Gn(s)是被控對(duì)象模型，d(s)為干擾，Gf(s)為濾波器。
圖4 虛線框內(nèi)結(jié)構(gòu)的傳遞函數(shù)簡(jiǎn)記為GF(s)
則整個(gè)系統(tǒng)中輸入r(s)與輸出，干擾d(s)與輸出之間相互獨(dú)立，傳遞函數(shù)如下
通過(guò)內(nèi)?？刂萍軜?gòu)可以得出系統(tǒng)的輸出y(s)為
由式（13）可知，在pH 值被控對(duì)象數(shù)學(xué)模型精確且存在逆模型的情況下，即
此時(shí)系統(tǒng)的輸出能夠跟隨系統(tǒng)的輸入值，且不受到任何干擾的影響
2.3 基于RBF 神經(jīng)網(wǎng)絡(luò)的內(nèi)?？刂破髟O(shè)計(jì)
針對(duì)圖2，由式（4）和pH 中和反應(yīng)的大滯后性可知被控對(duì)象G為1 階時(shí)延的非線性系統(tǒng)，將式（5）被控對(duì)象的離散化模型簡(jiǎn)寫成
式中：y為系統(tǒng)的輸出；u為系統(tǒng)的輸入；n和m分別是輸出時(shí)滯和輸入時(shí)滯。
1）G的模型Gn
G的模型Gn由RBF 神經(jīng)網(wǎng)絡(luò)采用并聯(lián)結(jié)構(gòu)辨識(shí)得到
2）神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂破髟O(shè)計(jì)
由逆向模型辨識(shí)可知，可逆且為1 階時(shí)延的非線性系統(tǒng)G，它的逆模型由RBF 神經(jīng) 網(wǎng) 絡(luò)的串-并 聯(lián) 結(jié)構(gòu)實(shí)現(xiàn)。根據(jù)式（15），逆模型的輸出為
此時(shí)，內(nèi)模控制器C是對(duì)象G的逆模型Gn-1，濾波器Gf的輸出f即為C的輸入，將
代入，可得到內(nèi)?？刂破鰿為
3）濾波器設(shè)計(jì)
雖然希望設(shè)計(jì)控制器的被控對(duì)象模型與實(shí)際對(duì)象模型盡可能相似，但現(xiàn)實(shí)情況中系統(tǒng)運(yùn)行時(shí)模型不匹配和擾動(dòng)往往是存在的，從而導(dǎo)致正向模型和實(shí)際對(duì)象模型存在一定誤差。考慮到內(nèi)?？刂破鞯目蓪?shí)現(xiàn)性，在進(jìn)行控制器設(shè)計(jì)時(shí)內(nèi)?？刂破鰿則是被控對(duì)象G的最小相位特征部分的逆模型[15]。為了提高系統(tǒng)魯棒性，可在控制器前端加入低通濾波器Gf，選取簡(jiǎn)單有效的一階濾波器
其離散形式為
式中，h為濾波器的可調(diào)時(shí)間常數(shù)，也是內(nèi)?？刂破鞯奈ㄒ粎?shù)，可以通過(guò)調(diào)節(jié)h增強(qiáng)控制系統(tǒng)的穩(wěn)定性和魯棒性，h越大，系統(tǒng)魯棒性和穩(wěn)定性越好，但是系統(tǒng)響應(yīng)會(huì)減慢。
4）系統(tǒng)分析
理想情況下，C=Gn-1，則GG=z且G=Gn，圖2 所示系統(tǒng)pH 值控制方案的閉環(huán)z傳遞函數(shù)為
此時(shí)系統(tǒng)相當(dāng)于開環(huán)。
濾波器輸出為
把式（18）代入上式可得
至此，濾波器的輸出f所對(duì)應(yīng)的z變換為
其中，ym(z)表示pH 值被控對(duì)象G輸出上一步的預(yù)報(bào)值，從而對(duì)象的輸出時(shí)滯得到了一定的補(bǔ)償。
3 仿真分析
污水處理中和反應(yīng)過(guò)程類似于強(qiáng)酸強(qiáng)堿反應(yīng)系統(tǒng)，采用式(5)的近似化離散模型作為被控對(duì)象的模型，利用MATLAB 軟件進(jìn)行運(yùn)算仿真，系統(tǒng)參數(shù)值的選擇如表1 所示，pH 設(shè)定值為7.5。
表1 過(guò)程對(duì)象模型參數(shù)Tab.1 Process object model parameters
1）RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練仿真。在確定對(duì)象模型基礎(chǔ)上首先對(duì)正向模型進(jìn)行RBF 訓(xùn)練，要求訓(xùn)練精度達(dá)到0.000 1，然后再進(jìn)行逆向模型訓(xùn)練。RBF 網(wǎng)絡(luò)權(quán)值及高斯函數(shù)參數(shù)權(quán)值的初始值均取[-1,1]間的隨機(jī)值，學(xué)習(xí)速率為0.1，加載樣本數(shù)據(jù)后，正向和逆向模型的網(wǎng)絡(luò)訓(xùn)練誤差如圖5 所示。從圖中可以看出，正向模型和逆向模型分別在訓(xùn)練到第135 次和第98 次時(shí)誤差達(dá)到了0.000 1 級(jí)別精度，說(shuō)明設(shè)計(jì)的RBF 正向模型和逆向模型的訓(xùn)練效果和收斂效果都很好，誤差下降也很快。
圖5 正向和逆向模型訓(xùn)練誤差圖Fig. 5 Training Error Diagram of Forward and Reverse Models
2）內(nèi)?？刂破鬟x取參數(shù)仿真。神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇捎靡浑A濾波器Gf(s)，h是內(nèi)?？刂频?/p>
唯一參數(shù)，分別取h= 0.6,h= 0.8,h= 1.0，控制系統(tǒng)的階躍響應(yīng)如圖6 所示。
圖6 不同濾波器參數(shù)下系統(tǒng)響應(yīng)Fig. 6 System response under different filterparameters
從圖中可以看出，h越大，系統(tǒng)穩(wěn)定性越好，但是響應(yīng)越慢，h過(guò)小，易引起模型參數(shù)變化時(shí)系統(tǒng)超調(diào)過(guò)大，在系統(tǒng)穩(wěn)定性和響應(yīng)速度之間做折中，設(shè)計(jì)取h= 0.8。
3）優(yōu)化控制策略抗干擾仿真。在常規(guī)PID 控制系統(tǒng)中，根據(jù)工程經(jīng)驗(yàn)值以及多次調(diào)參可得PID 參數(shù)為KP=0.56，KI=248，KD=74。為驗(yàn)證優(yōu)化控制策略的抗干擾效果，在系統(tǒng)運(yùn)行到180 s 時(shí)加入幅值為20%的階躍擾動(dòng)信號(hào)，比較帶濾波器的神經(jīng)內(nèi)?？刂撇呗浴⒉粠V波器的神經(jīng)內(nèi)?？刂撇呗院统Ｒ?guī)PID 控制策略的抗干擾性能，其中，3 種控制策略下階躍擾動(dòng)信號(hào)的時(shí)長(zhǎng)均取30 s，結(jié)果如圖7 所示。從圖7 可看出：擾動(dòng)信號(hào)加入后，帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為14.7%，調(diào)節(jié)時(shí)間為70.2 s；不帶濾波器的神經(jīng)內(nèi)模控制策略超調(diào)量為22.7%，調(diào)節(jié)時(shí)間為88.3 s；常規(guī)PID 控制策略超調(diào)量為28.5%，調(diào)節(jié)時(shí)間為86.1s。由此可知，帶濾波器的神經(jīng)內(nèi)?？刂撇呗钥垢蓴_能力明顯優(yōu)于不帶濾波器的神經(jīng)內(nèi)?？刂撇呗院统Ｒ?guī)PID 控制策略。
圖7 3 種控制策略擾動(dòng)仿真波形Fig. 7 3 kinds of control strategy disturbance simulation waveform
4）多設(shè)定值仿真。污水處理pH 值控制要求系統(tǒng)在不同設(shè)定值下都具有良好的控制性能，將系統(tǒng)設(shè)定值分別取為7.5、6 和9，比較常規(guī)PID 控制策略、不帶濾波器的神經(jīng)內(nèi)模控制策略和帶濾波器的神經(jīng)內(nèi)?？刂撇呗缘膭?dòng)態(tài)響應(yīng)特性，結(jié)果如圖8 所示。從圖8 可以看出：當(dāng)設(shè)定值為7.5 時(shí)，3 種控制策略下超調(diào)量分別為21.3%、12.1%和3.3%，調(diào)節(jié)時(shí)間分別為70.2 s、67.3 s 和54.7 s；設(shè)定值從7.5 跳變?yōu)? 時(shí)，3 種控制策略下的超調(diào)量分別為5.8%、3.2%和0.8%，調(diào)節(jié)時(shí)間分別為49.4 s、44.3 s 和40.7 s；設(shè)定值從6 跳變?yōu)? 時(shí)，3 種控制策略下的超調(diào)量分別為7.8%、3.9%和1.7%，調(diào)節(jié)時(shí)間分別為59.6 s、50.1 s 和42.5 s。上述分析說(shuō)明帶濾波器的神經(jīng)內(nèi)模控制策略在不同設(shè)定值下的動(dòng)態(tài)響應(yīng)性能均優(yōu)于不帶濾波器的神經(jīng)內(nèi)?？刂撇呗院统Ｒ?guī)PID 控制策略。
圖8 3 種控制策略多設(shè)定值仿真波形Fig. 8 multi-setting value simulation waveform under 3 kinds of control strategies
5）系統(tǒng)魯棒性仿真。在表1 對(duì)象模型參數(shù)（實(shí)驗(yàn)參數(shù)一）仿真的基礎(chǔ)上，將C1和C2分為調(diào)整為0.04 mol/L 和0.8 mol/L（實(shí)驗(yàn)參數(shù)二）進(jìn)行仿真以驗(yàn)證模型參數(shù)變化時(shí)系統(tǒng)的魯棒性，如圖9-10 所示。從圖9 可看出：在實(shí)驗(yàn)參數(shù)一下，帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為9.3%，調(diào)節(jié)時(shí)間為51.6 s；不帶濾波器的神經(jīng)內(nèi)模控制策略超調(diào)量為14.7%，調(diào)節(jié)時(shí)間為129.1 s；常規(guī)PID 控制策略超調(diào)量為26.7%，調(diào)節(jié)時(shí)間為165.2 s。從圖10 可看出：在實(shí)驗(yàn)參數(shù)二下，帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為9.1%，調(diào)節(jié)時(shí)間為54.2 s；不帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為17.3%，調(diào)節(jié)時(shí)間為200.3 s；常規(guī)PID 控制策略超調(diào)量為26.4%，調(diào)節(jié)時(shí)間為218.9 s。以上分析表明帶濾波器的神經(jīng)內(nèi)?？刂撇呗栽谀Ｐ蛥?shù)變化時(shí)具有更強(qiáng)的魯棒性。
圖9 實(shí)驗(yàn)參數(shù)一下的3 種控制策略仿真波形Fig. 9 3 kinds of control strategy simulation waveforms
圖10 實(shí)驗(yàn)參數(shù)二下的3 種控制策略仿真波形Fig. 10 3 kinds of control strategy simulation waveforms
4 工程應(yīng)用
為檢驗(yàn)系統(tǒng)實(shí)際應(yīng)用效果，將研究提出的神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇呗詰?yīng)用于某電廠300 MW 火電機(jī)組燃煤發(fā)電鍋爐沖渣除灰循環(huán)水處理系統(tǒng)。在該處理系統(tǒng)中，堿性沖灰水經(jīng)過(guò)初步過(guò)濾凈化后流入灰壩房的反應(yīng)池內(nèi)進(jìn)行中和反應(yīng)，反應(yīng)池內(nèi)pH 計(jì)實(shí)時(shí)檢測(cè)污水的pH 值，神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂破骼脵z測(cè)到的pH 值及污水流量計(jì)算出中和劑酸的流量，進(jìn)而控制中和劑的流量閥。系統(tǒng)設(shè)計(jì)以生產(chǎn)管理層作為中央操作站，邏輯控制層采用s7-300PLC 作為控制器，對(duì)現(xiàn)場(chǎng)采集到的數(shù)據(jù)進(jìn)行處理，生產(chǎn)現(xiàn)場(chǎng)層負(fù)責(zé)污水處理過(guò)程中現(xiàn)場(chǎng)信號(hào)的采集和輸出，操作監(jiān)控層則負(fù)責(zé)整個(gè)系統(tǒng)運(yùn)行狀況的監(jiān)控、控制參數(shù)的給定或調(diào)整以及系統(tǒng)運(yùn)行信息的記錄等功能。整個(gè)控制系統(tǒng)拓?fù)浣Y(jié)構(gòu)如圖11 所示。
圖11 控制系統(tǒng)結(jié)構(gòu)圖Fig. 11 Control System Structure Diagram
圖12、13 是1 h 內(nèi)分別采用常規(guī)PID 控制策略和神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇呗缘膒H 值實(shí)時(shí)曲線。由圖12、13可以看出，采用常規(guī)PID 控制的pH 值大致穩(wěn)定在7.5 左右，波動(dòng)范圍在[-0.3 0.3]之間。而采用神經(jīng)網(wǎng)絡(luò)內(nèi)模控制策略的pH 值波動(dòng)范圍在[-0.2 0.2]之間，系統(tǒng)穩(wěn)態(tài)特性得到較大改善。為驗(yàn)證神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇呗缘目垢蓴_性能，分別在2 種控制策略下人為施加10%的階躍干擾，由曲線圖可知，當(dāng)系統(tǒng)受到干擾時(shí)，常規(guī)PID控制系統(tǒng)的超調(diào)量為14.2%，神經(jīng)網(wǎng)絡(luò)內(nèi)模控制系統(tǒng)的超調(diào)量為9.3%，系統(tǒng)波動(dòng)所帶來(lái)的超調(diào)量比常規(guī)PID控制方式小。由上述分析可以得出，采用神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂瓶梢蕴岣遬H 值的控制精度，并具有較強(qiáng)抑制干擾能力，可進(jìn)一步提高發(fā)電鍋爐工業(yè)污水pH 值控制的準(zhǔn)確性和抗干擾性。
圖12 pH 值的PID 控制實(shí)時(shí)曲線Fig. 12 pH value real-time curve of PID control
圖13 pH 值的神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂茖?shí)時(shí)曲線Fig. 13 Real-time curve of pH value neural network internal model control
5 結(jié)論
針對(duì)污水處理過(guò)程中pH 值控制的強(qiáng)干擾、模型參數(shù)易變等問題，設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)逆模型的內(nèi)?？刂苾?yōu)化方案。該方案采用RBF 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)被控對(duì)象正向模型和逆向模型的辨識(shí)，此時(shí)內(nèi)?？刂撇呗缘妮敵鼍o跟系統(tǒng)的輸入，不受任何干擾影響，通過(guò)在系統(tǒng)中插入低通濾波器來(lái)提高對(duì)象模型參數(shù)變化時(shí)系統(tǒng)的魯棒性。仿真結(jié)果表明：和常規(guī)PID 控制及不帶濾波器的神經(jīng)內(nèi)?？刂撇呗韵啾?，研究所提出的控制策略具有更強(qiáng)的魯棒性和抗干擾能力。工程應(yīng)用表明：采用研究控制策略后，pH 值控制偏差在±0.2 以內(nèi)，有效提高污水處理過(guò)程中pH 值控制的精度和系統(tǒng)穩(wěn)定性。
猜你喜歡
逆向而行音樂天地(音樂創(chuàng)作版)(2022年1期)2022-04-26 13:51:38 大慣量系統(tǒng)位置控制策略研究機(jī)電工程技術(shù)(2018年10期)2018-12-06 02:26:38 逆向解答中學(xué)課程輔導(dǎo)·高考版(2017年6期)2017-06-13 07:21:57 基于內(nèi)?？刂频腟SSC前饋解耦控制策略研究四川電力技術(shù)(2015年5期)2015-12-19 11:04:52 基于三自由度內(nèi)模解耦控制的VSC-MTDC性能分析電測(cè)與儀表(2015年16期)2015-04-12 00:44:32 一種基于內(nèi)?？刂频墓夥孀兤鞴β士刂撇呗?/a>電測(cè)與儀表(2015年20期)2015-04-09 11:53:56 高頻開關(guān)電源模糊內(nèi)模PID控制器設(shè)計(jì)電測(cè)與儀表(2015年21期)2015-04-09 11:52:12 逆向工程技術(shù)及應(yīng)用應(yīng)用技術(shù)學(xué)報(bào)(2014年3期)2014-02-28 14:52:32
王 勝，鮑立昌，章家?guī)r，馮旭剛，徐 帥，王正兵，魏新源
（安徽工業(yè)大學(xué) 電氣與信息工程學(xué)院，安徽 馬鞍山 243032）
中國(guó)水資源嚴(yán)重短缺，人均水資源占有量?jī)H為世界平均水平的1/4，因此，加強(qiáng)污水治理和循環(huán)利用對(duì)于保護(hù)水資源和實(shí)現(xiàn)可持續(xù)發(fā)展具有重要意義[1-3]。在工業(yè)污水處理過(guò)程中，酸堿度（pH 值）的控制是非常重要的環(huán)節(jié)，保證精準(zhǔn)控制，是污水處理后續(xù)工藝流程安全可靠運(yùn)行以及水質(zhì)達(dá)標(biāo)的前提條件。然而在污水處理過(guò)程中，當(dāng)pH 值在中和點(diǎn)附近時(shí)，中和反應(yīng)呈現(xiàn)高度敏感性，加入微量的中和劑就會(huì)引起pH 值的大幅跳變，且中和反應(yīng)過(guò)程易受環(huán)境、溫度、生物發(fā)酵等多方面不確定因素的干擾[4-5]，所以對(duì)pH 值進(jìn)行控制是污水處理行業(yè)的一項(xiàng)技術(shù)難題[6]。
pH 值調(diào)節(jié)過(guò)程涉及的化學(xué)反應(yīng)機(jī)理主要是酸堿中和反應(yīng)。近些年對(duì)酸堿中和反應(yīng)pH 值控制的研究引起了學(xué)者關(guān)注。Mota 等[6-7]提出了應(yīng)用自適應(yīng)神經(jīng)模糊推理系統(tǒng)架構(gòu)建立代表酸堿中和過(guò)程的預(yù)測(cè)模型，并根據(jù)神經(jīng)網(wǎng)絡(luò)準(zhǔn)確性和復(fù)雜性相互矛盾的準(zhǔn)則，將pH 中和過(guò)程表示為多目標(biāo)優(yōu)化問題。但由于神經(jīng)網(wǎng)絡(luò)輸出和節(jié)點(diǎn)權(quán)值映射間存在非線性，導(dǎo)致系統(tǒng)局部極小值問題未得到解決。Zhang 等[8]將未建模動(dòng)態(tài)的數(shù)據(jù)驅(qū)動(dòng)補(bǔ)償與多步超前最優(yōu)控制相結(jié)合，采用了一種新的PID 控制方案應(yīng)用于紙漿中和過(guò)程的pH 值控制。在這種新的PID 控制方法中，中和過(guò)程的實(shí)時(shí)測(cè)量數(shù)據(jù)和歷史數(shù)據(jù)得到了充分應(yīng)用。但是動(dòng)態(tài)歷史數(shù)據(jù)庫(kù)的更新存在一定滯后，使系統(tǒng)很難達(dá)到實(shí)時(shí)在線控制的要求。Vatankhah 等[9-11]將非線性預(yù)測(cè)控制應(yīng)用于pH 的中和過(guò)程研究中，在數(shù)學(xué)模型的基礎(chǔ)上搭建了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并融入粒子群算法，解決了BP 神經(jīng)網(wǎng)絡(luò)局部最優(yōu)的難題。但由于該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)量較大，待尋優(yōu)參數(shù)多，導(dǎo)致系統(tǒng)的收斂速度較慢。
綜上所述，雖然已有一些方法對(duì)中和反應(yīng)的pH 值控制進(jìn)行研究，但未能有效解決系統(tǒng)的強(qiáng)干擾和模型參數(shù)易變問題。為此，筆者提出基于內(nèi)?？刂坪蜕窠?jīng)網(wǎng)絡(luò)逆模型相結(jié)合的優(yōu)化控制策略，設(shè)計(jì)濾波器提高系統(tǒng)魯棒性，在MATLAB 仿真驗(yàn)證的基礎(chǔ)上，以火力發(fā)電鍋爐沖渣除灰循環(huán)水處理系統(tǒng)為對(duì)象進(jìn)行實(shí)際應(yīng)用，達(dá)到了較好應(yīng)用效果。
1 pH 中和反應(yīng)機(jī)理建模
工業(yè)污水處理過(guò)程中，中和劑的添加量是控制pH 值的關(guān)鍵因素。工程上通常依據(jù)物質(zhì)守恒定律和化學(xué)平衡定律，采用連續(xù)攪拌反應(yīng)釜系統(tǒng)（continuously stirred tank reactor，CSTR）的pH 中和過(guò)程作為研究對(duì)象的動(dòng)態(tài)模型[12-13]。
連續(xù)攪拌反應(yīng)釜系統(tǒng)如圖1 所示，當(dāng)流入反應(yīng)池的污水呈酸性時(shí)，用堿性中和劑調(diào)節(jié)其pH 值；當(dāng)流入反應(yīng)池的污水呈堿性時(shí)，用酸性中和劑調(diào)節(jié)其pH 值。為方便闡述pH 中和反應(yīng)機(jī)理，設(shè)流入反應(yīng)池的污水呈堿性，對(duì)應(yīng)去用酸性中和劑調(diào)節(jié)其pH 值。圖中F1、F2分別為酸性中和劑的流量和堿性污水的流量，其濃度分別為C1、C2，Xa為流出酸的總濃度，Xb為流出堿的總濃度，V為連續(xù)攪拌反應(yīng)釜中溶液的體積，n為攪拌機(jī)轉(zhuǎn)速。
圖1 連續(xù)攪拌反應(yīng)釜系統(tǒng)Fig. 1 Continuous Stirred Reactor System
設(shè)定的CSTR 中處處等溫且物料完全混合，排除其他生物或物理化學(xué)作用對(duì)pH 的影響，則整個(gè)反應(yīng)釜系統(tǒng)中堿的變化量等于污水流入反應(yīng)釜中堿的總量和反應(yīng)釜中流出的堿的總量之差，酸的變化量等于向反應(yīng)釜中所添加的中和劑中的酸總量與反應(yīng)釜中流出的酸總量之差。即有
整個(gè)系統(tǒng)中，酸性中和劑的流量F1即為操縱量u，污水pH 值作為系統(tǒng)的輸出（即被控變量），中和劑的濃度C1為系統(tǒng)的擾動(dòng)量，結(jié)合式(1)和式(2)可得出系統(tǒng)的動(dòng)態(tài)控制模型如下
令y=Xa-Xb，可以將式（3）簡(jiǎn)化為
被控對(duì)象的模型可以近似離散化為
至此可得處理后污水pH 值
式(5)、(6)中:T為采樣周期（s）；d(k)為系統(tǒng)干擾；Kw= 10-14為純水在25 ℃下的電離平衡常數(shù)。
2 神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂品桨冈O(shè)計(jì)
根據(jù)污水處理系統(tǒng)pH 值的控制要求，設(shè)計(jì)了圖2 所示的控制方案?；经h(huán)節(jié)由正向模型、逆向模型、濾波器和時(shí)延模塊等部分組成。其中，正向模型和逆向模型由RBF 神經(jīng)網(wǎng)絡(luò)辨識(shí)實(shí)現(xiàn)，逆向模型通過(guò)內(nèi)?？刂破鱽?lái)實(shí)現(xiàn)pH 值被控對(duì)象的逆，有效解決pH 值控制系統(tǒng)的強(qiáng)干擾問題。圖中選擇中和劑的流量u作為操作變量，反應(yīng)釜對(duì)象的pH 值變量作為被控變量y，TDL 為神經(jīng)網(wǎng)絡(luò)采集數(shù)據(jù)的時(shí)延模塊，濾波器能提高控制系統(tǒng)的魯棒性。下面將分別對(duì)RBF 神經(jīng)網(wǎng)絡(luò)正、逆向模型辨識(shí)和內(nèi)?？刂破鬟M(jìn)行設(shè)計(jì)，并將二者有機(jī)結(jié)合，實(shí)現(xiàn)污水處理pH 值的優(yōu)化控制策略[14]。
2.1 正、逆向模型的建立
模型辨識(shí)是識(shí)別被控對(duì)象輸入輸出之間關(guān)系的動(dòng)態(tài)特性[14]，為了提高內(nèi)?？刂葡到y(tǒng)中正向模型的精確度，并使內(nèi)?？刂破鞅M可能接近正向模型的逆模型，采用神經(jīng)網(wǎng)絡(luò)的方法對(duì)內(nèi)?？刂葡到y(tǒng)的正向模型和控制器模型進(jìn)行正、逆模型辨識(shí)。模型辨識(shí)的結(jié)構(gòu)如圖3 所示。
圖3 正、逆向模型辨識(shí)結(jié)構(gòu)Fig. 3 Identification structure of forward and reverse models
神經(jīng)網(wǎng)絡(luò)辨識(shí)的pH 值非線性被控對(duì)象用非線性離散差分方程可以表示為
式中：n是輸出時(shí)滯；m是輸入時(shí)滯；u是對(duì)象輸入；y是對(duì)象輸出。假設(shè)RBF 的多輸入向量為
則RBF 網(wǎng)絡(luò)中高斯基函數(shù)zi（第i個(gè)隱節(jié)點(diǎn)的輸出）為
式中：Ci為網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的中心向量；ri為網(wǎng)絡(luò)基寬向量中的第i個(gè)值；p為隱節(jié)點(diǎn)個(gè)數(shù)。
RBF 網(wǎng)絡(luò)的輸出為
其中：wi是網(wǎng)絡(luò)隱層到輸出層的權(quán)值；M是網(wǎng)絡(luò)輸出節(jié)點(diǎn)的個(gè)數(shù)。
并定義目標(biāo)函數(shù)
在內(nèi)?？刂普蚰Ｐ偷慕⑦^(guò)程中，采用u(k- 2)，u(k- 3)，u(k- 4)，y(k- 1)和y(k- 2)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸入，ym(k)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸出。通過(guò)最小化目標(biāo)函數(shù)來(lái)不斷修正RBF 網(wǎng)絡(luò)中的連接權(quán)值，使得正向模型的輸出ym不斷逼近實(shí)際輸出y，從而實(shí)現(xiàn)正向模型的辨識(shí)。
逆向模型的訓(xùn)練結(jié)構(gòu)除輸入輸出外，其余和正向模型相同。在逆向模型的建立過(guò)程中，采用u(k- 4)，u(k- 3)，r(k- 1)，r(k- 2)和r(k- 3)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸入，?(k)作為RBF 神經(jīng)網(wǎng)絡(luò)的輸出。利用設(shè)定值r(k)和正向模型輸出ym(k)的差值e2來(lái)修正RBF 網(wǎng)絡(luò)的連接權(quán)值，使得逆向模型的輸出?(k)逐漸逼近被控對(duì)象的實(shí)際輸入u(k)，實(shí)現(xiàn)逆向模型的動(dòng)態(tài)辨識(shí)。
2.2 pH 值內(nèi)?？刂萍軜?gòu)
內(nèi)模控制建立在被控對(duì)象正、逆向模型的基礎(chǔ)上，把被控對(duì)象和它的近似數(shù)學(xué)模型并聯(lián)，取數(shù)學(xué)模型輸出與實(shí)際對(duì)象輸出的差值作為誤差信號(hào)，反饋到內(nèi)?？刂破鞯妮斎攵?，并通過(guò)濾波器來(lái)抑制控制系統(tǒng)受到干擾或模型參數(shù)變化時(shí)出現(xiàn)的反饋量波動(dòng)。內(nèi)?？刂萍軜?gòu)框圖如圖4 所示。
圖4 內(nèi)?？刂萍軜?gòu)Fig. 4 Internal Mode Control Architecture
圖4 中，r(s)為系統(tǒng)的輸入（污水處理設(shè)定的pH 值），y(s)為系統(tǒng)的輸出，G(s)為污水pH 值被控對(duì)象，C(s)是內(nèi)?？刂破?，Gn(s)是被控對(duì)象模型，d(s)為干擾，Gf(s)為濾波器。
圖4 虛線框內(nèi)結(jié)構(gòu)的傳遞函數(shù)簡(jiǎn)記為GF(s)
則整個(gè)系統(tǒng)中輸入r(s)與輸出，干擾d(s)與輸出之間相互獨(dú)立，傳遞函數(shù)如下
通過(guò)內(nèi)?？刂萍軜?gòu)可以得出系統(tǒng)的輸出y(s)為
由式（13）可知，在pH 值被控對(duì)象數(shù)學(xué)模型精確且存在逆模型的情況下，即
此時(shí)系統(tǒng)的輸出能夠跟隨系統(tǒng)的輸入值，且不受到任何干擾的影響
2.3 基于RBF 神經(jīng)網(wǎng)絡(luò)的內(nèi)?？刂破髟O(shè)計(jì)
針對(duì)圖2，由式（4）和pH 中和反應(yīng)的大滯后性可知被控對(duì)象G為1 階時(shí)延的非線性系統(tǒng)，將式（5）被控對(duì)象的離散化模型簡(jiǎn)寫成
式中：y為系統(tǒng)的輸出；u為系統(tǒng)的輸入；n和m分別是輸出時(shí)滯和輸入時(shí)滯。
1）G的模型Gn
G的模型Gn由RBF 神經(jīng)網(wǎng)絡(luò)采用并聯(lián)結(jié)構(gòu)辨識(shí)得到
2）神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂破髟O(shè)計(jì)
由逆向模型辨識(shí)可知，可逆且為1 階時(shí)延的非線性系統(tǒng)G，它的逆模型由RBF 神經(jīng) 網(wǎng) 絡(luò)的串-并 聯(lián) 結(jié)構(gòu)實(shí)現(xiàn)。根據(jù)式（15），逆模型的輸出為
此時(shí)，內(nèi)模控制器C是對(duì)象G的逆模型Gn-1，濾波器Gf的輸出f即為C的輸入，將
代入，可得到內(nèi)?？刂破鰿為
3）濾波器設(shè)計(jì)
雖然希望設(shè)計(jì)控制器的被控對(duì)象模型與實(shí)際對(duì)象模型盡可能相似，但現(xiàn)實(shí)情況中系統(tǒng)運(yùn)行時(shí)模型不匹配和擾動(dòng)往往是存在的，從而導(dǎo)致正向模型和實(shí)際對(duì)象模型存在一定誤差。考慮到內(nèi)?？刂破鞯目蓪?shí)現(xiàn)性，在進(jìn)行控制器設(shè)計(jì)時(shí)內(nèi)?？刂破鰿則是被控對(duì)象G的最小相位特征部分的逆模型[15]。為了提高系統(tǒng)魯棒性，可在控制器前端加入低通濾波器Gf，選取簡(jiǎn)單有效的一階濾波器
其離散形式為
式中，h為濾波器的可調(diào)時(shí)間常數(shù)，也是內(nèi)?？刂破鞯奈ㄒ粎?shù)，可以通過(guò)調(diào)節(jié)h增強(qiáng)控制系統(tǒng)的穩(wěn)定性和魯棒性，h越大，系統(tǒng)魯棒性和穩(wěn)定性越好，但是系統(tǒng)響應(yīng)會(huì)減慢。
4）系統(tǒng)分析
理想情況下，C=Gn-1，則GG=z且G=Gn，圖2 所示系統(tǒng)pH 值控制方案的閉環(huán)z傳遞函數(shù)為
此時(shí)系統(tǒng)相當(dāng)于開環(huán)。
濾波器輸出為
把式（18）代入上式可得
至此，濾波器的輸出f所對(duì)應(yīng)的z變換為
其中，ym(z)表示pH 值被控對(duì)象G輸出上一步的預(yù)報(bào)值，從而對(duì)象的輸出時(shí)滯得到了一定的補(bǔ)償。
3 仿真分析
污水處理中和反應(yīng)過(guò)程類似于強(qiáng)酸強(qiáng)堿反應(yīng)系統(tǒng)，采用式(5)的近似化離散模型作為被控對(duì)象的模型，利用MATLAB 軟件進(jìn)行運(yùn)算仿真，系統(tǒng)參數(shù)值的選擇如表1 所示，pH 設(shè)定值為7.5。
表1 過(guò)程對(duì)象模型參數(shù)Tab.1 Process object model parameters
1）RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練仿真。在確定對(duì)象模型基礎(chǔ)上首先對(duì)正向模型進(jìn)行RBF 訓(xùn)練，要求訓(xùn)練精度達(dá)到0.000 1，然后再進(jìn)行逆向模型訓(xùn)練。RBF 網(wǎng)絡(luò)權(quán)值及高斯函數(shù)參數(shù)權(quán)值的初始值均取[-1,1]間的隨機(jī)值，學(xué)習(xí)速率為0.1，加載樣本數(shù)據(jù)后，正向和逆向模型的網(wǎng)絡(luò)訓(xùn)練誤差如圖5 所示。從圖中可以看出，正向模型和逆向模型分別在訓(xùn)練到第135 次和第98 次時(shí)誤差達(dá)到了0.000 1 級(jí)別精度，說(shuō)明設(shè)計(jì)的RBF 正向模型和逆向模型的訓(xùn)練效果和收斂效果都很好，誤差下降也很快。
圖5 正向和逆向模型訓(xùn)練誤差圖Fig. 5 Training Error Diagram of Forward and Reverse Models
2）內(nèi)?？刂破鬟x取參數(shù)仿真。神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇捎靡浑A濾波器Gf(s)，h是內(nèi)?？刂频?/p>
唯一參數(shù)，分別取h= 0.6,h= 0.8,h= 1.0，控制系統(tǒng)的階躍響應(yīng)如圖6 所示。
圖6 不同濾波器參數(shù)下系統(tǒng)響應(yīng)Fig. 6 System response under different filterparameters
從圖中可以看出，h越大，系統(tǒng)穩(wěn)定性越好，但是響應(yīng)越慢，h過(guò)小，易引起模型參數(shù)變化時(shí)系統(tǒng)超調(diào)過(guò)大，在系統(tǒng)穩(wěn)定性和響應(yīng)速度之間做折中，設(shè)計(jì)取h= 0.8。
3）優(yōu)化控制策略抗干擾仿真。在常規(guī)PID 控制系統(tǒng)中，根據(jù)工程經(jīng)驗(yàn)值以及多次調(diào)參可得PID 參數(shù)為KP=0.56，KI=248，KD=74。為驗(yàn)證優(yōu)化控制策略的抗干擾效果，在系統(tǒng)運(yùn)行到180 s 時(shí)加入幅值為20%的階躍擾動(dòng)信號(hào)，比較帶濾波器的神經(jīng)內(nèi)?？刂撇呗浴⒉粠V波器的神經(jīng)內(nèi)?？刂撇呗院统Ｒ?guī)PID 控制策略的抗干擾性能，其中，3 種控制策略下階躍擾動(dòng)信號(hào)的時(shí)長(zhǎng)均取30 s，結(jié)果如圖7 所示。從圖7 可看出：擾動(dòng)信號(hào)加入后，帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為14.7%，調(diào)節(jié)時(shí)間為70.2 s；不帶濾波器的神經(jīng)內(nèi)模控制策略超調(diào)量為22.7%，調(diào)節(jié)時(shí)間為88.3 s；常規(guī)PID 控制策略超調(diào)量為28.5%，調(diào)節(jié)時(shí)間為86.1s。由此可知，帶濾波器的神經(jīng)內(nèi)?？刂撇呗钥垢蓴_能力明顯優(yōu)于不帶濾波器的神經(jīng)內(nèi)?？刂撇呗院统Ｒ?guī)PID 控制策略。
圖7 3 種控制策略擾動(dòng)仿真波形Fig. 7 3 kinds of control strategy disturbance simulation waveform
4）多設(shè)定值仿真。污水處理pH 值控制要求系統(tǒng)在不同設(shè)定值下都具有良好的控制性能，將系統(tǒng)設(shè)定值分別取為7.5、6 和9，比較常規(guī)PID 控制策略、不帶濾波器的神經(jīng)內(nèi)模控制策略和帶濾波器的神經(jīng)內(nèi)?？刂撇呗缘膭?dòng)態(tài)響應(yīng)特性，結(jié)果如圖8 所示。從圖8 可以看出：當(dāng)設(shè)定值為7.5 時(shí)，3 種控制策略下超調(diào)量分別為21.3%、12.1%和3.3%，調(diào)節(jié)時(shí)間分別為70.2 s、67.3 s 和54.7 s；設(shè)定值從7.5 跳變?yōu)? 時(shí)，3 種控制策略下的超調(diào)量分別為5.8%、3.2%和0.8%，調(diào)節(jié)時(shí)間分別為49.4 s、44.3 s 和40.7 s；設(shè)定值從6 跳變?yōu)? 時(shí)，3 種控制策略下的超調(diào)量分別為7.8%、3.9%和1.7%，調(diào)節(jié)時(shí)間分別為59.6 s、50.1 s 和42.5 s。上述分析說(shuō)明帶濾波器的神經(jīng)內(nèi)模控制策略在不同設(shè)定值下的動(dòng)態(tài)響應(yīng)性能均優(yōu)于不帶濾波器的神經(jīng)內(nèi)?？刂撇呗院统Ｒ?guī)PID 控制策略。
圖8 3 種控制策略多設(shè)定值仿真波形Fig. 8 multi-setting value simulation waveform under 3 kinds of control strategies
5）系統(tǒng)魯棒性仿真。在表1 對(duì)象模型參數(shù)（實(shí)驗(yàn)參數(shù)一）仿真的基礎(chǔ)上，將C1和C2分為調(diào)整為0.04 mol/L 和0.8 mol/L（實(shí)驗(yàn)參數(shù)二）進(jìn)行仿真以驗(yàn)證模型參數(shù)變化時(shí)系統(tǒng)的魯棒性，如圖9-10 所示。從圖9 可看出：在實(shí)驗(yàn)參數(shù)一下，帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為9.3%，調(diào)節(jié)時(shí)間為51.6 s；不帶濾波器的神經(jīng)內(nèi)模控制策略超調(diào)量為14.7%，調(diào)節(jié)時(shí)間為129.1 s；常規(guī)PID 控制策略超調(diào)量為26.7%，調(diào)節(jié)時(shí)間為165.2 s。從圖10 可看出：在實(shí)驗(yàn)參數(shù)二下，帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為9.1%，調(diào)節(jié)時(shí)間為54.2 s；不帶濾波器的神經(jīng)內(nèi)?？刂撇呗猿{(diào)量為17.3%，調(diào)節(jié)時(shí)間為200.3 s；常規(guī)PID 控制策略超調(diào)量為26.4%，調(diào)節(jié)時(shí)間為218.9 s。以上分析表明帶濾波器的神經(jīng)內(nèi)?？刂撇呗栽谀Ｐ蛥?shù)變化時(shí)具有更強(qiáng)的魯棒性。
圖9 實(shí)驗(yàn)參數(shù)一下的3 種控制策略仿真波形Fig. 9 3 kinds of control strategy simulation waveforms
圖10 實(shí)驗(yàn)參數(shù)二下的3 種控制策略仿真波形Fig. 10 3 kinds of control strategy simulation waveforms
4 工程應(yīng)用
為檢驗(yàn)系統(tǒng)實(shí)際應(yīng)用效果，將研究提出的神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇呗詰?yīng)用于某電廠300 MW 火電機(jī)組燃煤發(fā)電鍋爐沖渣除灰循環(huán)水處理系統(tǒng)。在該處理系統(tǒng)中，堿性沖灰水經(jīng)過(guò)初步過(guò)濾凈化后流入灰壩房的反應(yīng)池內(nèi)進(jìn)行中和反應(yīng)，反應(yīng)池內(nèi)pH 計(jì)實(shí)時(shí)檢測(cè)污水的pH 值，神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂破骼脵z測(cè)到的pH 值及污水流量計(jì)算出中和劑酸的流量，進(jìn)而控制中和劑的流量閥。系統(tǒng)設(shè)計(jì)以生產(chǎn)管理層作為中央操作站，邏輯控制層采用s7-300PLC 作為控制器，對(duì)現(xiàn)場(chǎng)采集到的數(shù)據(jù)進(jìn)行處理，生產(chǎn)現(xiàn)場(chǎng)層負(fù)責(zé)污水處理過(guò)程中現(xiàn)場(chǎng)信號(hào)的采集和輸出，操作監(jiān)控層則負(fù)責(zé)整個(gè)系統(tǒng)運(yùn)行狀況的監(jiān)控、控制參數(shù)的給定或調(diào)整以及系統(tǒng)運(yùn)行信息的記錄等功能。整個(gè)控制系統(tǒng)拓?fù)浣Y(jié)構(gòu)如圖11 所示。
圖11 控制系統(tǒng)結(jié)構(gòu)圖Fig. 11 Control System Structure Diagram
圖12、13 是1 h 內(nèi)分別采用常規(guī)PID 控制策略和神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇呗缘膒H 值實(shí)時(shí)曲線。由圖12、13可以看出，采用常規(guī)PID 控制的pH 值大致穩(wěn)定在7.5 左右，波動(dòng)范圍在[-0.3 0.3]之間。而采用神經(jīng)網(wǎng)絡(luò)內(nèi)模控制策略的pH 值波動(dòng)范圍在[-0.2 0.2]之間，系統(tǒng)穩(wěn)態(tài)特性得到較大改善。為驗(yàn)證神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂撇呗缘目垢蓴_性能，分別在2 種控制策略下人為施加10%的階躍干擾，由曲線圖可知，當(dāng)系統(tǒng)受到干擾時(shí)，常規(guī)PID控制系統(tǒng)的超調(diào)量為14.2%，神經(jīng)網(wǎng)絡(luò)內(nèi)模控制系統(tǒng)的超調(diào)量為9.3%，系統(tǒng)波動(dòng)所帶來(lái)的超調(diào)量比常規(guī)PID控制方式小。由上述分析可以得出，采用神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂瓶梢蕴岣遬H 值的控制精度，并具有較強(qiáng)抑制干擾能力，可進(jìn)一步提高發(fā)電鍋爐工業(yè)污水pH 值控制的準(zhǔn)確性和抗干擾性。
圖12 pH 值的PID 控制實(shí)時(shí)曲線Fig. 12 pH value real-time curve of PID control
圖13 pH 值的神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂茖?shí)時(shí)曲線Fig. 13 Real-time curve of pH value neural network internal model control
5 結(jié)論
針對(duì)污水處理過(guò)程中pH 值控制的強(qiáng)干擾、模型參數(shù)易變等問題，設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)逆模型的內(nèi)?？刂苾?yōu)化方案。該方案采用RBF 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)被控對(duì)象正向模型和逆向模型的辨識(shí)，此時(shí)內(nèi)?？刂撇呗缘妮敵鼍o跟系統(tǒng)的輸入，不受任何干擾影響，通過(guò)在系統(tǒng)中插入低通濾波器來(lái)提高對(duì)象模型參數(shù)變化時(shí)系統(tǒng)的魯棒性。仿真結(jié)果表明：和常規(guī)PID 控制及不帶濾波器的神經(jīng)內(nèi)?？刂撇呗韵啾?，研究所提出的控制策略具有更強(qiáng)的魯棒性和抗干擾能力。工程應(yīng)用表明：采用研究控制策略后，pH 值控制偏差在±0.2 以內(nèi)，有效提高污水處理過(guò)程中pH 值控制的精度和系統(tǒng)穩(wěn)定性。
猜你喜歡
音樂天地(音樂創(chuàng)作版)(2022年1期)2022-04-26 13:51:38
機(jī)電工程技術(shù)(2018年10期)2018-12-06 02:26:38
中學(xué)課程輔導(dǎo)·高考版(2017年6期)2017-06-13 07:21:57
四川電力技術(shù)(2015年5期)2015-12-19 11:04:52
電測(cè)與儀表(2015年16期)2015-04-12 00:44:32
電測(cè)與儀表(2015年20期)2015-04-09 11:53:56
電測(cè)與儀表(2015年21期)2015-04-09 11:52:12
應(yīng)用技術(shù)學(xué)報(bào)(2014年3期)2014-02-28 14:52:32
