:基于粒子群算法優化PIDNN的流漿箱解耦控制

發布日期:2019-05-28   來源:漿紙技術

爱彩乐彩网址 www.isxjr.icu 目前我國最常用的氣墊式流漿箱有兩個主要的控制參數:總壓與漿位,這兩個參數之間存在嚴重的非線性耦合,在高速造紙機中對成品紙的質量有較大影響,所以在紙機控制中必須要對氣墊式流漿箱進行解耦控制。PID神經網絡(PIDNN)解耦作為智能解耦的一種,能夠根據在線測量的系統給定值和輸出值,通過自主學習調整網絡權值,完成解耦控制。

然而,PIDNN的初始連接權值及網絡學習速率是根據經驗在一定范圍內隨機給定的,可能會導致網絡權值在修正過程中陷入局部最優,從而對控制效果造成不利影響。本文探討使用一種經粒子群算法優化的神經網絡(PSO-PIDNN)對氣墊式流漿箱進行解耦控制,使用粒子群算法來優化PID神經網絡的初始權值及學習速率,使系統初始狀態更加穩定,提高網絡的學習收斂速度,同時減少手動調節初值的麻煩。

流漿箱的神經網絡解耦控制

氣墊式流漿箱的輸入主要有兩個,分別為來自羅茨鼓風機的壓縮空氣和來自沖漿泵的紙漿,輸出主要為排出的壓縮空氣和上網的紙漿流。流漿箱的總壓和漿位是主要控制參數,總壓和漿位關系到漿網速比,對紙張成形起重要作用,也是保證勻漿和噴漿質量的關鍵。

PIDNN是一種將常規PID控制規律和神經網絡融為一體的網絡,兼具常規PID控制器簡單的結構和神經網絡較強的自適應能力,網絡收斂速度快且不易陷入局部極小值。針對氣墊式流漿箱雙輸入雙輸出系統的特點,利用PID神經網絡對其進行解耦控制,結構如圖1所示。

圖 1 PIDNN控制氣墊式流漿箱結構圖

PIDNN在控制過程中根據總壓和漿位的設定值及當前值之間的偏差,通過網絡學習來調整輸入層與隱含層、隱含層與輸出層之間的權值,對沖漿泵和羅茨鼓風機的輸出頻率進行調整,從而使得控制量不斷接近控制目標值,達到解耦控制目的。

粒子群優化算法簡介

粒子群優化算法(PSO)是一種基于全局搜索策略的自適應隨機優化算法,在1995年由Kennedy和Eberhart提出,源于對鳥類捕食行為的研究。

仿真實驗與分析

針對氣墊式流漿箱模型,設計三個控制系統并進行仿真。

首先對常規PID控制的流漿箱系統進行仿真。在不同階段給定系統不同的輸入信號,在350——500s時,總壓從80%降至50%,然后回到80%;在1000——1250s時,漿位先從20%升至50%,再回到20%,采樣周期為1s。得到總壓和漿位的響應曲線如圖3所示。

圖2 常規PID控制的總壓、液位仿真曲線

經過多次反復仿真實驗發現,當粒子群算法的種群規模為80,迭代次數為50,控制效果最好(適應度值較小,運行時間較快)。粒子群適應度值變化曲線如圖5所示,在第30次迭代時,適應度值達到最小,表明已經搜索到最優的參數。

圖3 粒子群適應度值變化曲線

為了比較經粒子群算法優化前后的神經網絡響應速度,圖7給出了仿真過程前200s內PIDNN算法和PSO-PIDNN算法的控制誤差曲線。從圖中可以看出,經過粒子群算法優化的PID神經網絡的控制誤差收斂更快,響應更迅速。

圖4 PSO優化前后的控制誤差曲線

利用粒子群算法優化初始權重后的PIDNN進行控制時,解耦控制器響應更加迅速,對流漿箱總壓與漿位的解耦更加有效,控制精度更高,魯棒性更強,同時免去了手動調整PIDNN初始參數的麻煩,對PIDNN解耦技術用于流漿箱在線智能控制有一定參考意義。

責任編輯:葛鴻燕

校對:葛鴻燕


本網登載此文出于傳遞更多信息之目的,并不意味著贊同其觀點或證實其描述。


 


 
網友評論
 
 
南京中紙網資訊有限公司版權所有 Copyright © 2002-2019 蘇ICP備10216876號 增值電信業務經營許可證:蘇B2-20120501 
微信
微信
爱彩乐彩网址 足球比分007 二八杠怎么看生死门 四川时时app 神赞计划软件 pk10真的可以稳赚吗 大庆冠通手游二人麻将 七星彩网上投注软件 打百人牛牛怎么才能赢 11选5任3追号稳赚 重庆时时彩龙虎3期计划 福彩3d有几种玩法 重庆时时官网投注 飞艇免费计划7码 双色球重复中奖号码 玩龙虎的个人经验 11选5 计划软件