文摘

当前电动气体压力调节器通常采用传统的PID控制算法驱动控制的核心部分(微电机)电动气体压力调节器。为了进一步提高跟踪性能和缩短响应时间,提出了一种改进的PID智能控制算法,适用于电动气体压力调节器。该算法使用基于PSO算法的改进的RBF神经网络在线调整PID参数。理论分析和仿真结果表明,该算法缩短了阶跃响应时间和提高了跟踪性能。

1。介绍

西部大开发战略的实施和西气东输传输项目,城市天然气发展迅速。如何使用天然气为能源节约和环境保护,确保系统的安全性和可靠性是一个关键的问题,这让气体压力调节的机会。气体压力调节是最重要的部分之一,城市天然气管道系统和高效的关键技术使用的天然气资源。气体压力调节可以确保输出压力在特殊范围内;当压力达到一定值时,它可以有效地关闭,确保安全操作的气体。目前,国内外气体压力调节器的准确性,采用传统的直接或间接调节原则不高,容易受到外部环境因素。气体压力调节器的准确性直接影响下游天然气供应系统,减少了能量转换的效率,从而导致能源浪费和环境污染,甚至可能供应安全问题(1,2]。为了解决机械问题的气体调节器,电动气压调节已成为未来的主要方向调压技术。这个领域的焦点和困难的问题是如何提高精度和稳定性和缩短响应时间3,4]。我们有一个深入研究电动气体压力调节器的联合支持下国家创新基金和重庆科学技术研究项目,取得了一系列的研究成果;本文讨论了电动气体压力调节器的控制算法。

当前电动气体压力调节器通常采用传统的PID控制方式来驱动控制的核心部分(微电机)电动气体压力调节器5,6]。管道天然气,因为下游负载的不可预知的变化,管道摩擦,和温度,系统是时变、非线性,很难建立一个精确的数学模型。传统PID控制器的参数,由专家,网上是不能修改的,这让很多难以达到预期的效果(7]。传统PID控制器改善需要进一步提高准确性和稳定性和缩短响应时间。

研究表明,RBF (8,9),收敛速度快和全局逼近能力强,可以与任意精度逼近任何连续和非线性网络,显示了在非线性系统解决问题的更好的性能10- - - - - -12]。与反向传播(BP)神经网络相比,径向基函数(RBF)神经网络有许多优点:更快的收敛速度,减少训练迭代,鲁棒性更强,没有局部最小值,等等13- - - - - -15]。RBF极其敏感的基准宽度向量,向量中心,选择径向基层和输出层的连接权值的初始值(16- - - - - -18]。如果这个系统的参数选择不当,网络的收敛速度慢和容易陷入局部最小值。为此,我们提出了一种改进的PID智能控制算法,适用于电动气体压力调节器。基于PSO算法使用RBF神经网络(19,20.)确定网络的初始参数(21),然后让在线调整PID参数,提高控制精度,响应速度,系统的跟踪性能。

2。电动气压调节系统

传统的压力调节机械平衡的基本原理。电动气压调节系统的范围从简单的单级(22更复杂的多级][23,工作原理是一样的在所有24,25]。内部结构如图1。当出口压力P2是稳定的,向上的力P2作用于电影对弹簧力是平衡的。如果P2减少,弹簧力大于电影的向上的力。然后春天将下来,把阀向上移动增加阀门开度和下游流,从而提高气体出口压力,直到系统达到一个新的机械平衡。显然,随着时间的推移,监管机构精度的损失是因为弹簧的弹性降低,摩擦损失的隔膜。因此,我们替换原来的机械调压组件与步进电机和驱动系统(第1部分的图1)重建核心部分的压力调节器。改进的系统原理图电动气压调节如图2。我们使用智能气压传感器阵列,采用信息融合算法来检测电动节流阀的入口和出口压力26]。使微分操作设置压力值,结果值作为控制器的输入参数来调整步进电机的旋转角度根据控制算法。如果出口压力值小于设定压力值,步进电机将旋转前进,相反,它将逆转。电动机通过传动系统,将电机的角度转换成线性位移的输出轴驱动阀杆来控制阀门开度,调节出口压力。从工作原理,我们可以画,监管机构系统是一个单输入/单输出的闭环控制系统。


图1
自行的监管机构。

图2
电动气压调节系统的原理图。

系统的静态和动态分析,我们需要模型系统,主要包括驱动电动机模型、传输模型,调节阀模型。根据气动动力,压力阀的控制对象系统的传递函数(27)可以近似表示为

3所示。基于PSO-RBF神经网络PID控制器

3.1。参数优化RBF神经网络的PID控制器

选择步进电机作为电动气体压力调节器的操作员和使用数字增量式PID控制模式;控制算法可以由下列差分方程表示: 在公式(2), , , 常数参数不能在线调整和预期控制效果是不可能得到当控制系统是非线性、大延迟。因此,我们与RBF神经网络在线调整PID参数。PID参数的性能指标 在公式(3), 是出口压力的设定值, 是系统的实际输出值,然后呢 是采样时间。为了最小化 , , , 是通过梯度下降方法集。考虑 找到 , , 在(4),(5)和(6),分别时,我们必须弄清楚 可以约了RBF神经网络的雅可比矩阵。径向基函数 它通常是由高斯函数表示。考虑 在公式(7), 是 维输入层向量; 的核心价值 节点;和 网络是basis-width向量。 是网络的权向量,输出层可以表示为 。RBF的性能指标函数 在公式(8), 是实际控制对象的输出 迭代。为了使 最低限度,根据梯度下降法,输出权值的迭代算法,中心向量,和basis-width向量参数如下所示: 在(9), 学习速率和吗 是动力因素。由于神经网络在线辨识能力的雅可比矩阵(输出与输入的灵敏度变化)是强大的,神经网络标识符可以接近对象时,我们可以使用 而不是实际的系统中被控对象的输出 。雅可比矩阵算法的神经网络 在公式(10), , 。到RBF神经网络的雅可比矩阵信息(4),(5)和(6),三个参数的变化 可以得到的PID。尽管RBF神经网络可以在线调整PID参数,RBF网络的初始参数的选择将直接影响PID控制的性能,所以我们使用粒子群算法优化RBF神经网络来确定网络初始参数。

3.2。实现粒子群算法优化RBF神经网络

假设有米粒子群;的信息 表达的粒子 表示向量,所以它的位置和速度,分别 和 。每一次迭代后,每个粒子更新其位置和速度根据个人极端主义(pb)和组极值(gb),如下所示: 在公式(11), 和 正在学习的因素, 和 是随机变量, 是惯性因子, 是一个迭代的数字。大量实验表明:该算法迭代执行, 线性下降,改善算法的收敛性能显著(28]。考虑 在公式(13), 和 的最大和最小值吗 和 的迭代,使总数吗 和 。PSO算法收敛快,但容易陷入局部最佳状态。本文利用遗传算法个体变异在一定概率变异理论。中心向量的具体步骤,basis-width向量,输出权重粒子群优化的RBF神经网络优化如下:(1)粒子群初始化:确定粒子群的数目,初始位置,速度,个体极值,和群极值;(2)每个组件映射到RBF网络参数,并将它们放入到神经网络计算健身价值;(3)识别个体极值和群体极值根据健身价值;(4)更新粒子的速度和位置根据公式(11)和(12);(5)如果迭代次数达到预定的最大误差最小或满足性能要求,停止迭代和输出电流群极值作为RBF神经网络的初始参数或返回到步骤 。

3.3。PSO-RBF神经网络的PID控制器设计

RBF神经网络的PID控制算法可以解决传统PID控制和PSO算法的短缺问题能解决RBF网络的初始参数的问题。PSO-RBF神经网络PID控制器的结构如图3。


图3
网上PSO-RBF设定的PID控制框图。

控制器由两部分组成:经典的PID控制器 , , 修改PSO-RBF在线和PSO-RBF网络;首先它使用PSO算法来初始化输出权值,节点中心的basis-width RBF神经网络,其次利用RBF神经网络在线辨识的梯度信息在线调整PID控制器的三个参数,控制电动调节阀打开,快速并且准确地调整下游出口压力。的台阶PSO-RBF神经网络PID智能控制器算法如下:(1)选择RBF结构:初始化输入层节点数 ,隐层节点数 ,学习速率 ,和动量因子 ;(2)确定权重的输出,中心节点和节点basis-width向量的初始值的RBF神经网络算法,利用粒子群算法;(3)利用雅可比矩阵信息到公式(4),(5)和(6),获得PID参数增量 , , ,正确的 , , 在线;(4)使 并返回到步骤 直到它到达循环指数或满足性能指标。

4所示。仿真结果和分析

电动气体压力调节器系统的功能可以参考公式(1)以下值: , , , , , ;然后考虑到采样周期离散化 年代, 变换:

4.1。阶跃响应

测试系统对阶跃输入的能力,RBF网络结构是选为3-6-1。假设 , , , 。粒子群的个人信息包括30维向量,而径向基函数神经网络参数和映射到它的评价标准是最小误差的RBF神经网络PID控制器。PSO算法的人口规模是20和迭代的数量是100, 和个体变异概率是0.04。在RBF网络,没有被PSO优化,其初始值 ; ;和 。传统的PID参数 。三种算法的阶跃响应图4显示系统的阶跃响应曲线的时间是2.4秒,在稳定状态下由PSO-RBF PID参数的自适应控制。而不使用PSO优化RBF或采用常规PID控制,曲线达到一个稳定状态在12和32个年代,分别。结论是PSO-RBF-PID最短的响应时间和最小误差。


图4
三种算法的阶跃响应。

的参数自适应优化曲线如图PSO-RBF神经网络PID控制器5;最后, , , 。


图5
自适应谐振曲线PSO-RBF神经网络PID控制器。

PSO-RBF的最小误差演化神经网络图所示6。早期的最小误差变化明显,在第63次迭代达到一个最优值。RBF网络参数优化后100次如下:


图6
PSO-RBF的最小误差演化神经网络。
4.2。跟踪性能

根据监管部门的实际需要,电动调压器将制定根据输入压力,快速调节阀门开度,使出口压力稳定的错误。所以我们需要测试控制系统的跟踪性能。三种控制算法的跟踪曲线如图所示7。这表明电动气体压力调节器采用PSO-RBF-PID具有良好的动态性能和控制精度更高。


图7
跟踪曲线的三种控制算法。

5。结论

深入研究了电动节流阀的机理对其nonhigh控制精度和稳定性和更长的响应时间。这表明现有的电动气监管机构广泛使用的常规PID控制方式简单,容易实现。然而,很难建立精确的数学模型考虑到压力调节系统是时变和非线性。与此同时,传统的PID控制器参数,通常设置符合人类经验,网上是不能修改的。所以,很难达到预期的控制效果,使用传统的增量式PID控制模式。因此,最初的增量式PID控制方式的基础上,利用基于PSO优化的RBF神经网络来确定网络的初始参数,然后再设置PID参数在线;因此一种改进的PID智能控制算法建立适合电动气体压力调节器。理论分析和实验结果表明,该算法提高了控制精度、响应速度和跟踪性能的电动气体压力调节器,可以广泛应用于电气领域的气体压力。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文是由中国国家自然科学基金(没有。10 c26215113031)和重庆(没有的科技项目。CSTC2010gg-yyjs40010)。