PID控制在反应釜温度控制中的应用

摘 要： 常规PID的控制，不但其参数难以整定，而且还依赖于对象的精确数学模型，适应性较差，对复杂过程不能保证其控制精度。根据反应釜温度时间滞后具有非线性、强耦合、不确定性过程的控制需要，提出了一种基于BP神经网络的PID控制方法。并介绍了神经网络PID控制器的算法，对经典PID参数选取进行了分析。仿真结果表明，与传统PID算法相比，该控制方法可实现有效的控制，具有实现简单、控制效果好的特点。
关键词： 常规PID；BP神经网络；仿真

常规PID控制算法对于大部分工业过程的被控对象控制效果良好[1，2]，但是对于反应釜温度的时间滞后问题，PID控制算法在控制温度跟踪变化曲线时存在振荡和精度低的缺点。近年来，神经网络控制以其独特的优点受到控制界的关注。神经网络的优势在于能够逼近任意复杂的非线性映射，具有超强的自学习和自适应能力，具有很强的鲁棒性和容错性，因此用神经元网络设计的控制系统具有良好的自适应性和控制性能[3，4]。为了克服反应釜温度的时间滞后问题，本文结合BP神经网络控制策略，采用基于BP神经网络的PID控制方法对其进行控制，反应釜温度能自动跟随给定的温度曲线，满足工艺要求。
1 反应釜温度控制系统
反应釜按反应的特性可以分为吸热反应和放热反应。一般来说，聚合反应属于放热反应，而裂变反应属于吸热反应。反应釜的操作流程一般包括如图1所示的四个阶段[5]。
图1中恒温段是反映工艺的关键阶段，对于产品质量和产量有着重要的影响，所以提高恒温段的控制精度是提高产品质量的关键。

实际反应过程中常伴有强烈的放热效应，使反应温度有所变化。针对反应釜温度控制的特点，本文采用基于BP神经网络的PID控制方法。通过神经网络的在线学习功能，增强系统的鲁棒性和自适应能力，使系统具有良好的调节品质，在对象参数变化的情况下仍具有很强的鲁棒性和抗干扰能力。
2 基于BP神经网络的PID控制算法
本文采用的是三层BP网络，其结构如图2所示[6]，输入层神经元的个数取4，分别对应于输入r、输出y、误差e和单位1，隐含层神经元为5个，输出层神经元分别对应PID控制器的3个可调参数kp、ki、kd。系统运行过程中，神经网络根据系统的状态，通过加权系数调整，使神经网络的输出对应于某种最优控制律下的PID控制器参数[7]。

按照梯度下降法修正网络的权系数，并附加一个使搜索快速收敛全局极小的惯性项，修正公式为：

3 仿真研究
本文设计的基于BP神经网络的PID控制结构如图3所示。

针对反应釜的特性，为了使结果具有代表性，取被控对象时变参数的非线性被控对象的数学模型为：

在第100个采样时刻，控制器加外部干扰0.20时，仿真结果分别如图6、图7所示。

从以上图中可以看出，与传统PID算法相比，基于BP神经网络的PID控制算法的超调量几乎为0，稳定速度快，而且能够随着系统参数的变化自动调整PID控制参数。当在第100个采样时刻时控制器加外部干扰0.20时，基于BP神经网络的PID控制算法中的PID参数随之进行了调整，从而在系统受到外部干扰时影响很小，很快再次达到稳定。
由于反应釜过程的时变、非线性等特点，本文结合神经网络超强的自学习和非线性逼近能力，提出了基于BP神经网络的PID控制算法。此算法可保证系统输出响应快、超调量小、调整时间短、控制精度高，而且具有较强的适应内部参数变化和抗外部干扰的能力。通过对反应釜温度仿真实验控制，验证了这种控制方法的有效性，并通过对比可知其性能明显优于常规的PID算法。本文提出的基于BP神经网络的PID控制算法具有广阔的应用前景，同时也为进一步研究复杂系统的预估﹑预控等其他算法奠定了基础。
参考文献
[1] 许晓鸣，杨煜普，厉隽怿.基于神经网络的智能控制第三讲.神经网络控制系统的控制结构[J].化工自动化及仪表，1995，22(5)：53-56.
[2] 戴晓珑，孙一康.神经网络控制系统的研究概况[J].冶金自动化，1994，18(2)：3-7.
[3] 李少远，王群仙，刘浩，等.神经网络在控制中的应用[J]. 天津纺织工学院学报，1997，16(4)：85-89.
[4] 朱仲邃.分段积分的PID算法在温度控制系统中的应用[J].仪器仪表用户，2005，12(1)：31-32.
[5] 于飞，刘喜梅，刘川来.神经网络自适应控制系统[J].青岛化工学院学报，1996，17(2)：185-189.