基于粒子群算法優(yōu)化PIDNN的流漿箱解耦控制

目前我國最常用的氣墊式流漿箱有兩個(gè)主要的控制參數(shù)：總壓與漿位，這兩個(gè)參數(shù)之間存在嚴(yán)重的非線性耦合，在高速造紙機(jī)中對(duì)成品紙的質(zhì)量有較大影響，所以在紙機(jī)控制中必須要對(duì)氣墊式流漿箱進(jìn)行解耦控制。PID神經(jīng)網(wǎng)絡(luò)（PIDNN）解耦作為智能解耦的一種，能夠根據(jù)在線測(cè)量的系統(tǒng)給定值和輸出值，通過自主學(xué)習(xí)調(diào)整網(wǎng)絡(luò)權(quán)值，完成解耦控制。

然而，PIDNN的初始連接權(quán)值及網(wǎng)絡(luò)學(xué)習(xí)速率是根據(jù)經(jīng)驗(yàn)在一定范圍內(nèi)隨機(jī)給定的，可能會(huì)導(dǎo)致網(wǎng)絡(luò)權(quán)值在修正過程中陷入局部最優(yōu)，從而對(duì)控制效果造成不利影響。本文探討使用一種經(jīng)粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)（PSO-PIDNN）對(duì)氣墊式流漿箱進(jìn)行解耦控制，使用粒子群算法來優(yōu)化PID神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及學(xué)習(xí)速率，使系統(tǒng)初始狀態(tài)更加穩(wěn)定，提高網(wǎng)絡(luò)的學(xué)習(xí)收斂速度，同時(shí)減少手動(dòng)調(diào)節(jié)初值的麻煩。

流漿箱的神經(jīng)網(wǎng)絡(luò)解耦控制

氣墊式流漿箱的輸入主要有兩個(gè)，分別為來自羅茨鼓風(fēng)機(jī)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(wǎng)的紙漿流。流漿箱的總壓和漿位是主要控制參數(shù)，總壓和漿位關(guān)系到漿網(wǎng)速比，對(duì)紙張成形起重要作用，也是保證勻漿和噴漿質(zhì)量的關(guān)鍵。

PIDNN是一種將常規(guī)PID控制規(guī)律和神經(jīng)網(wǎng)絡(luò)融為一體的網(wǎng)絡(luò)，兼具常規(guī)PID控制器簡(jiǎn)單的結(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)較強(qiáng)的自適應(yīng)能力，網(wǎng)絡(luò)收斂速度快且不易陷入局部極小值。針對(duì)氣墊式流漿箱雙輸入雙輸出系統(tǒng)的特點(diǎn)，利用PID神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行解耦控制，結(jié)構(gòu)如圖1所示。

圖 1 PIDNN控制氣墊式流漿箱結(jié)構(gòu)圖

PIDNN在控制過程中根據(jù)總壓和漿位的設(shè)定值及當(dāng)前值之間的偏差，通過網(wǎng)絡(luò)學(xué)習(xí)來調(diào)整輸入層與隱含層、隱含層與輸出層之間的權(quán)值，對(duì)沖漿泵和羅茨鼓風(fēng)機(jī)的輸出頻率進(jìn)行調(diào)整，從而使得控制量不斷接近控制目標(biāo)值，達(dá)到解耦控制目的。

粒子群優(yōu)化算法簡(jiǎn)介

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

仿真實(shí)驗(yàn)與分析

針對(duì)氣墊式流漿箱模型，設(shè)計(jì)三個(gè)控制系統(tǒng)并進(jìn)行仿真。

首先對(duì)常規(guī)PID控制的流漿箱系統(tǒng)進(jìn)行仿真。在不同階段給定系統(tǒng)不同的輸入信號(hào)，在350——500s時(shí)，總壓從80%降至50%，然后回到80%；在1000——1250s時(shí)，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(yīng)曲線如圖3所示。

圖2 常規(guī)PID控制的總壓、液位仿真曲線

經(jīng)過多次反復(fù)仿真實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)粒子群算法的種群規(guī)模為80，迭代次數(shù)為50，控制效果最好（適應(yīng)度值較小，運(yùn)行時(shí)間較快）。粒子群適應(yīng)度值變化曲線如圖5所示，在第30次迭代時(shí)，適應(yīng)度值達(dá)到最小，表明已經(jīng)搜索到最優(yōu)的參數(shù)。

圖3 粒子群適應(yīng)度值變化曲線

為了比較經(jīng)粒子群算法優(yōu)化前后的神經(jīng)網(wǎng)絡(luò)響應(yīng)速度，圖7給出了仿真過程前200s內(nèi)PIDNN算法和PSO-PIDNN算法的控制誤差曲線。從圖中可以看出，經(jīng)過粒子群算法優(yōu)化的PID神經(jīng)網(wǎng)絡(luò)的控制誤差收斂更快，響應(yīng)更迅速。

圖4 PSO優(yōu)化前后的控制誤差曲線

利用粒子群算法優(yōu)化初始權(quán)重后的PIDNN進(jìn)行控制時(shí)，解耦控制器響應(yīng)更加迅速，對(duì)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(qiáng)，同時(shí)免去了手動(dòng)調(diào)整PIDNN初始參數(shù)的麻煩，對(duì)PIDNN解耦技術(shù)用于流漿箱在線智能控制有一定參考意義。

責(zé)任編輯：葛鴻燕

校對(duì)：葛鴻燕