本發(fā)明屬于自動化技術領域，涉及一種焦化爐爐膛壓力系統(tǒng)模糊網絡優(yōu)化pid-pfc控制方法。
背景技術：
在實際工業(yè)生產過程中，由于實際過程對象存在很多不為人所知的復雜的物理或化學特性，對系統(tǒng)控制過程產生干擾。針對應用于工業(yè)過程中的系統(tǒng)具有大時滯、時變性、非線性等特點，采用傳統(tǒng)的pid控制方法難以實現良好的控制效果，所以更加先進、控制效果更好的算法仍然有待研究。
焦化爐爐膛壓力系統(tǒng)是石油化工生產過程中的重要裝置，其中爐膛壓力對裂解過程有著非常重要的影響，爐膛壓力過大可能會帶來很多安全隱患，而爐膛壓力過低也會導致裂解效率變低。由于預測函數控制(pfc)算法魯棒性強，計算量小等特點，因此在工業(yè)過程中取得了較為廣泛的應用并取得了很好的控制效果。但是它對硬件要求較高，如果能夠將pid控制算法與pfc算法進行結合將會使得控制效果具有良好的魯棒性和抗干擾能力。由于神經網絡具有較強的自學習和聯想功能，而模糊系統(tǒng)相對于神經網絡而言，具有推理過程容易理解、專家知識利用較好，所以，將模糊控制與神經網絡的優(yōu)點進行結合來優(yōu)化pid，將會有效改善系統(tǒng)的瞬時響應、穩(wěn)態(tài)精度和魯棒性，具有良好的工業(yè)利用前景。
技術實現要素：
本發(fā)明的目的是針對現有的pfc控制方法的應用不足之處，提出了一種使用pid控制算法來優(yōu)化pfc控制，并通過模糊rbf網絡優(yōu)化pid控制方法，以獲得更好的實際控制性能。
該方法具有pfc算法魯棒性強和pid控制算法抗干擾性好的優(yōu)點，并且將模糊控制與神經網絡控制方法進行結合，得到了一種優(yōu)化pid控制方法。該方法繼承了pfc算法和pid算法的優(yōu)良特性的同時也保證了pid參數的在線調整，從而滿足了實際過程的需要。
本發(fā)明方法首先基于焦化爐爐膛壓力對象的階躍響應數據建立爐膛壓力對象的模型，提取出基本的對象的特性；然后依據模型設計控制器，并使用模糊rbf網絡來整定相應的pid控制器參數；最后對焦化爐爐膛壓力對象實施pid控制。
本發(fā)明方法的步驟包括：
步驟1通過焦化爐爐膛壓力對象的實時階躍響應數據建立被控對象的模型，具體是：
1.1給被控對象一個階躍輸入信號，記錄被控對象的階躍響應曲線。
1.2將對應的階躍響應曲線濾波處理成一條光滑曲線，然后將數值發(fā)生變化的曲線段擬合成一條直線，計算出模型的增益km：
km＝q*ρ
其中，q為過程模型的控制量的階躍變化幅度，km是建立的被控對象模型的增益系數，ρ是擬合的直線斜率。
1.3記錄步驟1.2中濾波處理后的光滑曲線上每個采樣時刻對應的階躍響應數據，第一個采樣時刻為ts1，相鄰兩個采樣時刻間隔的時間為ts1，采樣時刻順序為ts1、2ts1、3ts1……；在記錄的階躍響應數據中找到數據開始上升的起始點ai，之前的數據分別記做a1,a2,…,ai-1，模型的滯后時間參數τ為τ＝(i-1)ts1，最后得到被控對象的傳遞函數模型為：
其中，q為過程的比例積分微分控制器輸出的階躍變化幅度，g(s)為過程對象的傳遞函數，s為拉普利斯變換算子，km為模型的增益系數，t為模型的時間常數，τ為模型的滯后時間參數。
步驟2設計過程對象的pfc控制器，具體是：
2.1對得到的傳遞函數在采樣時間ts下加一個零階保持器離散化，得到離散模型為：
ym(k)＝amym(k-1)+km(1-am)u(k-1-l)
其中，ym(k)為k時刻的過程對象模型預測輸出，
2.2計算過程對象去掉純滯后以后在預測函數控制下的第p步預測輸出，形式如下：
ymav(k)＝amymav(k-1)+km(1-am)u(k-1)
其中，p為預測步長，ymav(k+p)為k時刻去掉純滯后的過程對象在預測函數控制下的第p步預測輸出，ymav(k)為k時刻去掉純滯后的過程模型輸出。
2.3修正當前時刻的實際輸出得到包含未來預測信息的新的過程實際輸出值，形式如下：
ypav(k)＝y(tǒng)p(k)+ymav(k)-ymav(k-l)
其中，ypav(k)為校正得到的k時刻包含未來預測信息的新的過程輸出值，yp(k)為k時刻的實際輸出值。
2.4選取預測函數控制方法的參考軌跡yr(k+p)以及目標函數j，形式如下：
yr(k+p)＝βpyp(k)+(1-βp)c(k)
j＝min(yr(k+p)-ymav(k+p)-e(k))2
e(k)＝y(tǒng)pav(k)-ymav(k)
其中，β為參考軌跡柔化系數，c(k)為k時刻的設定值，e(k)為k時刻校正的誤差值。
2.5由步驟2.4中的目標函數可以進一步轉化為pid控制目標函數的向量形式：
j＝kiete+kp△et△e+kd△2et△2e
其中，ki為按偏差的積分調節(jié)參數，kp為按偏差的比例調節(jié)參數，kd為按偏差的微分調節(jié)參數。
將步驟1得到的模型轉換成狀態(tài)空間的形式如下：
ym＝cxm+du
e＝μg-d,μ＝μ(n)t,g＝gk(i)v,d＝d(n+i),△e＝△μ△g-△d
其中，△μ＝μ(n)-μ(n-1)＝μ(n)-q-1μ(n)＝(1-q-1)μ，q為延時算子?！?sup>2e＝△2μ△2g-△2d,gk(i)＝cai-1bfnj(0)+cai-2bfnj(1)++cbfnj(i-1)，a,b,c,d為狀態(tài)空間形式系數，fnj(i)為基函數在t＝it時的取值。
可進一步得到
j＝ki(μg-d)t(μg-d)+kp(△μ△g-△d)t(△μ△g-△d)
+kd(△2μ△2g-△2d)t(△2μ△2g-△2d)
令
2.6由于
其中，u(n+i)為在n+i時刻的控制量；μj(n)為基函數加權系數。
步驟3針對步驟2中設計控制器中的pid參數進行優(yōu)化，具體方法是：
3.1模糊rbf網絡整定pid控制，該網絡將由輸入層、模糊化層、模糊推理層及輸出層構成，網絡輸出為kp,ki,kd。
3.2輸入層的各個節(jié)點直接與輸入量的各個分量連接，將該輸入量傳到下一層。對該層的每個節(jié)點i的輸入輸出表示為：
f1(i)＝x＝[x1,x2,…,xn]
3.3利用高斯型函數作為隸屬度函數，cij和bij分別是第i個輸入變量第j個模糊集合的隸屬度函數的均值和標準差。
式中，i＝1,2,…,n；j＝1,2,…,n。
3.4模糊推理層通過與模糊化層的連接來完成模糊規(guī)則的匹配，各個節(jié)點之間實現模糊運算，即通過各個模糊節(jié)點的組合得到相應的激活強度。每個節(jié)點j的輸出為該節(jié)點所有輸入信號的乘積，即：
式中，
3.5輸出層輸出f4為kp,ki,kd整定結果，該層由三個節(jié)點構成，即：
式中，wij組成輸出節(jié)點與第三層各節(jié)點的連接權矩陣i＝1,2,3。
3.6由步驟2.3到步驟2.6，可以求出控制量為：
△u(k)＝f4·xc＝kpxc(1)+kixc(2)+kdxc(3)
其中，
kp＝f4(1),ki＝f4(2),kd＝f4(3)
xc(1)＝e(k)
xc(2)＝e(k)-e(k-1)
xc(3)＝e(k)-2e(k-1)+e(k-2)
3.7采用delta學習規(guī)則修正可調參數，定義目標函數為：
式中，rin(k)和yout(k)分別表示網絡的實際輸出和理想輸出，每一個迭代步驟k的控制誤差為rin(k)-yout(k)。網絡權值的學習算法如下：
式中，wj為網絡輸出節(jié)點與上一層各節(jié)點的連接權，j＝1,2,…,n，η為學習速率。
若考慮動量因子，則輸出層的權值為：
wj(k)＝wj(k-1)+△wj(k)+α(wj(k-1)-wj(k-2))
其中，k為網絡的迭代步驟，α為學習動量因子。
通過步驟3的模型設計出基于模糊控制的rbf網絡，通過該網絡的不斷學習優(yōu)化得到pid控制參數，在線調整控制性能。
本發(fā)明提出的是一種焦化爐爐膛壓力系統(tǒng)模糊網絡優(yōu)化pid-pfc控制方法,有效的提高了傳統(tǒng)pfc控制方法的靈活性，同時也促進了模糊控制和神經網絡控制方法的應用。
具體實施方式
以焦化爐爐膛壓力過程控制為例：
焦化爐爐膛壓力是焦化爐裂解過程中的重要參數，調節(jié)手段采用煙道擋板的開度。
本發(fā)明方法的步驟包括：
步驟1通過焦化爐爐膛壓力對象的實時階躍響應數據建立被控對象的模型，具體是：
1.1給被控對象一個階躍輸入信號，記錄被控對象的階躍響應曲線。
1.2將對應的階躍響應曲線濾波處理成一條光滑曲線，然后將數值發(fā)生變化的曲線段擬合成一條直線，計算出模型的增益km：
km＝q*ρ
其中，q為過程模型的控制量的階躍變化幅度，km是建立的被控對象模型的增益系數，ρ是擬合的直線斜率。
1.3記錄步驟1.2中濾波處理后的光滑曲線上每個采樣時刻對應的階躍響應數據，第一個采樣時刻為ts1，相鄰兩個采樣時刻間隔的時間為ts1，采樣時刻順序為ts1、2ts1、3ts1……；在記錄的階躍響應數據中找到數據開始上升的起始點ai，之前的數據分別記做a1,a2,…,ai-1，模型的滯后時間參數τ為τ＝(i-1)ts1，最后得到被控對象的傳遞函數模型為：
其中，q為過程的比例積分微分控制器輸出的階躍變化幅度，g(s)為過程對象的傳遞函數，s為拉普利斯變換算子，km為模型的增益系數，t為模型的時間常數，τ為模型的滯后時間參數。
步驟2設計過程對象的pfc控制器，具體是：
2.1對得到的傳遞函數在采樣時間ts下加一個零階保持器離散化，得到離散模型為：
ym(k)＝amym(k-1)+km(1-am)u(k-1-l)
其中，ym(k)為k時刻的過程對象模型預測輸出，
2.2計算過程對象去掉純滯后以后再預測函數控制下的第p步預測輸出，形式如下：
ymav(k)＝amymav(k-1)+km(1-am)u(k-1)
其中，p為預測步長，ymav(k+p)為k時刻去掉純滯后的過程對象在預測函數控制下的第p步預測輸出，ymav(k)為k時刻去掉純滯后的過程模型輸出。
2.3修正當前時刻的實際輸出得到包含未來預測信息的新的過程實際輸出值，形式如下：
ypav(k)＝y(tǒng)p(k)+ymav(k)-ymav(k-l)
其中，ypav(k)為校正得到的k時刻包含未來預測信息的新的過程輸出值，yp(k)為k時刻的實際輸出值。
2.4選取預測函數控制方法的參考軌跡yr(k+p)以及目標函數j，形式如下：
yr(k+p)＝βpyp(k)+(1-βp)c(k)
j＝min(yr(k+p)-ymav(k+p)-e(k))2
e(k)＝y(tǒng)pav(k)-ymav(k)
其中，β為參考軌跡柔化系數，c(k)為k時刻的設定值，e(k)為k時刻校正的誤差值。
2.5由步驟2.4中的目標函數可以進一步轉化為pid控制目標函數的向量形式：
j＝kiete+kp△et△e+kd△2et△2e
其中，ki為按偏差的積分調節(jié)參數，kp為按偏差的比例調節(jié)參數，kd為按偏差的微分調節(jié)參數。
將步驟1得到的模型轉換成狀態(tài)空間的形式如下：
ym＝cxm+du
e＝μg-d,μ＝μ(n)t,g＝gk(i)v,d＝d(n+i),△e＝△μ△g-△d
其中，△μ＝μ(n)-μ(n-1)＝μ(n)-q-1μ(n)＝(1-q-1)μ，q為延時算子?！?sup>2e＝△2μ△2g-△2d,gk(i)＝cai-1bfnj(0)+cai-2bfnj(1)++cbfnj(i-1)，a,b,c,d為狀態(tài)空間形式系數，fnj(i)為基函數在t＝it時的取值。
可進一步得到
j＝ki(μg-d)t(μg-d)+kp(△μ△g-△d)t(△μ△g-△d)
+kd(△2μ△2g-△2d)t(△2μ△2g-△2d)
令
2.6由于
其中，u(n+i)為在n+i時刻的控制量；μj(n)為基函數加權系數；fnj(i)為基函數在t＝it時的取值。
步驟3針對步驟2中設計控制器中的pid參數進行優(yōu)化，具體方法是：
3.1模糊rbf網絡整定pid控制，該網絡將由輸入層、模糊化層、模糊推理層及輸出層構成，網絡輸出為kp,ki,kd。
3.2輸入層的各個節(jié)點直接與輸入量的各個分量連接，將該輸入量傳到下一層。對該層的每個節(jié)點i的輸入輸出表示為：
f1(i)＝x＝[x1,x2,…,xn]
3.3利用高斯型函數作為隸屬度函數，cij和bij分別是第i個輸入變量第j個模糊集合的隸屬度函數的均值和標準差。
式中，i＝1,2,…,n；j＝1,2,…,n。
3.4模糊推理層通過與模糊化層的連接來完成模糊規(guī)則的匹配，各個節(jié)點之間實現模糊運算，即通過各個模糊節(jié)點的組合得到相應的激活強度。每個節(jié)點j的輸出為該節(jié)點所有輸入信號的乘積，即：
式中，
3.5輸出層輸出f4為kp,ki,kd整定結果，該層由三個節(jié)點構成，即：
式中，wij組成輸出節(jié)點與第三層各節(jié)點的連接權矩陣i＝1,2,3。
3.6有步驟2.3到步驟2.6，可以求出控制量為：
△u(k)＝f4·xc＝kpxc(1)+kixc(2)+kdxc(3)
其中，
kp＝f4(1),ki＝f4(2),kd＝f4(3)
xc(1)＝e(k)
xc(2)＝e(k)-e(k-1)
xc(3)＝e(k)-2e(k-1)+e(k-2)
3.7采用delta學習規(guī)則修正可調參數，定義目標函數為：
式中，rin(k)和yout(k)分別表示網絡的實際輸出和理想輸出，每一個迭代步驟k的控制誤差為rin(k)-yout(k)。網絡權值的學習算法如下：
式中，wj為網絡輸出節(jié)點與上一層各節(jié)點的連接權，j＝1,2,…,n，η為學習速率。
若考慮動量因子，則輸出層的權值為：
wj(k)＝wj(k-1)+△wj(k)+α(wj(k-1)-wj(k-2))
其中，k為網絡的迭代步驟，α為學習動量因子。
通過步驟3的模型設計出基于模糊控制的rbf網絡，通過該網絡的不斷學習優(yōu)化得到pid控制參數，在線調整控制性能。