两级模糊神经网络温度控制系统在工业加热炉中调查和应用.docVIP

两级模糊神经网络温度控制系统在工业加热炉中调查和应用 摘要：工业加热炉有大量的特殊特性，如大容量，长的滞后和非线性的特点，等。为了更好地控制它，我们提出了一种模糊神经网络的温度控制模型。它能将模糊逻辑控制的规则转换成多层前向神经网络的输入输出样本。知识不是由一系列规则的规则为进行阐述，而是分布到整个网络。基于这个模型，我们设计了一个针对工业加热炉的两级模糊神经网络温度控制系统。第一阶段的控制器是负责根据偏差信息控制变量确定控制变量。第二阶段控制器负责调节来自第一级控制器其它工艺参数的控制变量。该系统充分考虑了对控制变量的许多工艺参数的影响。它利用两级模糊神经网络控制器分散过程控制参数，这使得它易于提取模糊规则，大大减少了模糊规则数，并产生合理的控制输出。工程应用表明，该系统中有很多这样的精度高，鲁棒性强的优点，其质量是优于传统的控制，它适合长期滞后，特别是非线性系统。 关键词：模糊控制，加热炉，温度控制，模糊神经网络 1 介绍 加热炉在生产中起着重要作用。在工业加热炉的控制系统存在许多如长滞后，大惯性和非线性等特性，导致了很多因素干扰系统。传统的PID控制是一种固定参数的控制，因此很难达到良好的稳定性和良好的控制品质。模糊控制是一种新型的控制技术，结合了控制理论和模糊集理论。它可以使用在该领域的技术人员和专家的知识的操作经验。因此，模糊控制立即引起了控制界的广泛的兴趣，开始取得了快速发展。 吴碎心，刘详解，荣利在锅炉燃烧系统中用模糊控制技术，取得了满意的结果。聂云峰，戴鲁平采用模糊预测方法来控制加热炉，获得良好的控制性能。陈伯芳，李清儒和他们的同事结合了模糊控制和神经网络控制技术得到了精度较高的加热器。 然而，上述研究中，控制系统是基于一个单一的模糊控制器取代传统的PID控制设计。在一般情况下，模糊控制规则由三个语言变量：控制变量的偏差，误差和控制变量的变化。基于规则结构的模糊控制的原理和PID控制相同。控制变量是根据控制变量当前测量的偏差来确定的。这种控制方法一般适用于小滞后的控制对象，但它不适用于大滞后的控制目标。原因是控制变量的偏差不能及时反映控制变量的变化。因此，控制效果差。 模糊逻辑的结构知识表达力强。它可以更好地表达经验知识和定性的知识，但它通常不具备学习能力。神经网络具有较强的学习能力和数据的直接处理能力，而其内部的知识表达模式不清晰，它的学习开始于任意的初始条件，其学习结果是完全依赖于训练样本。模糊神经网络控制结合了模糊控制和神经网络的优点，不仅利用专家的经验知识，而且还具有逐渐优化的学习功能。 因此，在本文中，我们提出了一个两级模糊神经网络控制模型。第一阶段的控制器是负责根据偏差信息控制变量确定控制变量。第二阶段控制器负责调节来自第一级控制器其它工艺参数的控制变量。该系统充分考虑了对控制变量的许多工艺参数的影响。它利用两级模糊神经网络控制器分散过程控制参数，这使得它易于提取模糊规则，大大减少了模糊规则数，并产生合理的控制输出。 2 控制模型和算法 我们需要一个化工厂的导热油炉作为控制对象，设计了一个针对工业加热炉的两级模糊温度控制系统。第一阶段是一个燃油流量的模糊神经网络控制器负责控制燃油流量，输入变量是从炉导热油温度偏差和温度之间的差异在炉导热油的温度和炉外导热油被设置，而其输出变量是燃料流量的增加。第二阶段是空气流量的模糊神经网络控制器，负责跟踪调节燃料流量和空气流量的实时变化。输入变量是导热油温度的增加和燃料流量增加，而其输出变量是空气流量的增加。控制系统的结构如图1所示。 根据现场操作人员的运行经验，温度控制算法可描述为： 第一步：首先，设定导热炉外部油Q的温度，计算最佳的燃油流量U作为初始值。 第二步：在单位时间内测量导热炉内、外部油的温度。计算导热炉外部油的温度差=Ci-Q和内部导热炉油的温度差B-Q，导热炉外部油的温度增量（即导热炉外部以前和当前测量的温度的温度差） 第三步：根据Δ和ΔB，通过第一阶段的燃料流量的模糊神经网络控制器进行模糊推理，得到燃油流量的增加是ΔU 第四步：计算当前燃油量U = U +Δu.计算最好空气流量作为初始值P. 第五步：根据Δ和ΔU，通过二级空气流量的模糊神经网络控制器进行模糊推理，得到空气流的增量是Δp.回到步骤2。 3 模糊神经网络控制器的设计 燃料流量控制器 控制器的结构：在这里，我们使用五层神经网络来构造模糊控制器，如图2所示： 第一层是一个输入节点。每个节点直接与输入向量的每个组件连接，输入变量是外部导热炉油的温度差了Δ和内部导热炉油的温度差ΔB.节点的激励函数是： f(x)=x 第二层是模糊层，包括12个节点。每个节点代表一个语言变量值{ NB，NM，NS，ZO，PS，PM，PB，ZE，S，M，L，VL }，他们所代表的所