本發(fā)明屬于自動(dòng)化技術(shù)領(lǐng)域，涉及一種廢塑料裂解溫度系統(tǒng)的模糊RBF網(wǎng)絡(luò)優(yōu)化PI控制方法。

背景技術(shù)：

在實(shí)際工業(yè)生產(chǎn)過程中，由于實(shí)際過程對(duì)象存在很多不為人所知的復(fù)雜的物理或化學(xué)特性，對(duì)系統(tǒng)控制過程產(chǎn)生干擾。隨著工業(yè)過程越來越復(fù)雜，由于被控對(duì)象本身存在非線性、滯后性和耦合性等問題，所以傳統(tǒng)的PID控制已經(jīng)不能再滿足工業(yè)需求，更加先進(jìn)、控制效果更好的算法仍然有待研究。廢塑料裂解溫度系統(tǒng)是石油化工生產(chǎn)過程中的重要裝置，其中裂解溫度對(duì)裂解過程有著非常重要的影響，裂解溫度過大可能會(huì)帶來很多安全隱患，而裂解溫度過低也會(huì)導(dǎo)致裂解效率變低。由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)和聯(lián)想功能，而模糊系統(tǒng)相對(duì)于神經(jīng)網(wǎng)絡(luò)而言，具有推理過程容易理解、專家知識(shí)利用較好，所以，將模糊控制與神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)進(jìn)行結(jié)合來優(yōu)化PI，將會(huì)有效改善系統(tǒng)的瞬時(shí)響應(yīng)、穩(wěn)態(tài)精度和魯棒性，具有良好的工業(yè)利用前景。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)現(xiàn)有的PID控制方法的應(yīng)用不足之處，提出了一種廢塑料裂解溫度系統(tǒng)的模糊RBF網(wǎng)絡(luò)優(yōu)化PI控制方法，以獲得更好的實(shí)際控制性能。該方法通過將模糊控制與神經(jīng)網(wǎng)絡(luò)控制方法進(jìn)行結(jié)合，得到了一種優(yōu)化PI控制方法。該方法繼承了模糊控制和神經(jīng)網(wǎng)絡(luò)的優(yōu)良特性的同時(shí)也保證了形式簡(jiǎn)單且滿足了實(shí)際過程的需要。

本發(fā)明首先基于廢塑料裂解溫度對(duì)象的階躍響應(yīng)數(shù)據(jù)建立裂解爐溫度對(duì)象的模型，提取出基本的對(duì)象的特性；然后依據(jù)模型設(shè)計(jì)控制器，并使用模糊RBF網(wǎng)絡(luò)來整定相應(yīng)的PI控制器參數(shù)；最后對(duì)裂解爐溫度對(duì)象實(shí)施PI控制。

本發(fā)明方法的步驟包括：

步驟1通過廢塑料裂解爐溫度對(duì)象的實(shí)時(shí)階躍響應(yīng)數(shù)據(jù)建立被控對(duì)象的模型，具體方法是：

1.1首先選擇模糊聚類數(shù)目c,模糊加權(quán)指數(shù)m和終止標(biāo)準(zhǔn)ε>0。

1.2隨機(jī)產(chǎn)生模糊劃分矩陣Λ，并使其滿足如下條件：

其中，μ_ik為第k個(gè)數(shù)據(jù)相對(duì)于第i個(gè)聚類中心的隸屬度，N為樣本數(shù)。

1.3利用如下公式計(jì)算聚類中心：

1.4利用如下公式計(jì)算距離范數(shù)：

其中，

A_i＝(ρdet(F_i))^1/nF_i^-1

ρ＝det(A_i)

1.5利用如下公式更新模糊劃分矩陣Λ。

1.6當(dāng)滿足條件||Λ^l-Λ^l-1||≤ε則停止，否則返回至步驟1.3。

1.7利用如下公式計(jì)算隸屬度函數(shù)方差

1.8利用如下公式計(jì)算模型后件參數(shù)

θ_i＝[X^TW_iX]^-1X^TW_iy

其中，輸入變量、輸出變量以及加權(quán)矩陣為

X＝[x₁,x₂,…,x_N],

y＝[y₁,y₂,…,y_N],

W_i＝diag(μ_i1,μ_i2,…,μ_iN)

1.9通過以上步驟得到T-S模型為

R_i:If x₁(k)is A_i1and x₂(k)is A_i2and … and x_n(k)is A_in

其中：R_i表示第i條模糊規(guī)則，x_j表示輸入變量，A_ij表示定義在輸入論域中的隸屬度函數(shù)。

步驟2、設(shè)計(jì)過程對(duì)象的PI控制器，具體方法是：

2.1對(duì)上述T-S模糊規(guī)則模型進(jìn)行加權(quán)平均，則模型輸出為：

其中，∏表示模糊算子，表示模糊前件變量的隸屬度函數(shù)。

記應(yīng)滿足且0≤ω_i(x)<1。

則上式可表示為

2.2模糊RBF網(wǎng)絡(luò)整定PI控制，該網(wǎng)絡(luò)將由輸入層、模糊化層、模糊推理層及輸出層構(gòu)成，網(wǎng)絡(luò)輸出為K_p,K_i。

2.3輸入層的各個(gè)節(jié)點(diǎn)直接與輸入量的各個(gè)分量連接，將該輸入量傳到下一層。對(duì)該層的每個(gè)節(jié)點(diǎn)i的輸入輸出表示為：

f₁(i)＝X＝[x₁,x₂,…,x_n]

2.4利用高斯型函數(shù)作為隸屬度函數(shù)，c_ij和b_ij分別是第i個(gè)輸入變量第j個(gè)模糊集合的隸屬度函數(shù)的均值和標(biāo)準(zhǔn)差。

式中，i＝1,2,…,n；j＝1,2,…,n。

2.5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(gè)節(jié)點(diǎn)之間實(shí)現(xiàn)模糊運(yùn)算，即通過各個(gè)模糊節(jié)點(diǎn)的組合得到相應(yīng)的激活強(qiáng)度。每個(gè)節(jié)點(diǎn)j的輸出為該節(jié)點(diǎn)所有輸入信號(hào)的乘積，即：

式中，

2.6輸出層輸出f₄為K_p,K_i整定結(jié)果，該層由兩個(gè)節(jié)點(diǎn)構(gòu)成，即：

式中，w_ij組成輸出節(jié)點(diǎn)與第三層各節(jié)點(diǎn)的連接權(quán)矩陣i＝1,2。

2.7有步驟2.2到步驟2.6，可以求出控制量為：

△u(k)＝f₄·xc＝K_pxc(1)+K_ixc(2)

其中，

K_p＝f₄(1),K_i＝f₄(2)

xc(1)＝e(k)

xc(2)＝e(k)-e(k-1)

采用增量式PI控制算法：

u(k)＝u(k-1)+△u(k)

2.8采用Delta學(xué)習(xí)規(guī)則修正可調(diào)參數(shù)，定義目標(biāo)函數(shù)為：

式中，rin(k)和yout(k)分別表示網(wǎng)絡(luò)的實(shí)際輸出和理想輸出，每一個(gè)迭代步驟k的控制誤差為rin(k)-yout(k)。網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法如下：

式中，w_j為網(wǎng)絡(luò)輸出節(jié)點(diǎn)與上一層各節(jié)點(diǎn)的連接權(quán)，j＝1,2,…,N，η為學(xué)習(xí)速率。

若考慮動(dòng)量因子，則輸出層的權(quán)值為：

w_j(k)＝w_j(k-1)+△w_j(k)+α(w_j(k-1)-w_j(k-2))

式中，k為網(wǎng)絡(luò)的迭代步驟，α為學(xué)習(xí)動(dòng)量因子。

通過步驟2的模型設(shè)計(jì)出基于模糊控制的RBF網(wǎng)絡(luò)，通過該網(wǎng)絡(luò)的不斷學(xué)習(xí)優(yōu)化得到PI控制參數(shù)，在線調(diào)整控制性能。

本發(fā)明提出的是一種裂解爐爐膛溫度系統(tǒng)的模糊RBF網(wǎng)絡(luò)優(yōu)化PI控制方法,有效的提高了傳統(tǒng)PI控制方法的性能，同時(shí)也促進(jìn)了模糊控制和神經(jīng)網(wǎng)絡(luò)控制方法的應(yīng)用。

附圖說明

圖1為模糊RBF網(wǎng)絡(luò)整定PI控制圖；

圖2為模糊RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

具體實(shí)施方式

以裂解爐爐膛溫度過程控制為例：

裂解爐爐膛溫度是裂解爐裂解過程中的重要參數(shù)，調(diào)節(jié)手段是調(diào)節(jié)裂解爐的燃料量。

本發(fā)明方法的步驟包括：

步驟1通過廢塑料裂解爐溫度對(duì)象的實(shí)時(shí)階躍響應(yīng)數(shù)據(jù)建立被控對(duì)象的模型，具體方法是：

1.1首先選擇模糊聚類數(shù)目c,模糊加權(quán)指數(shù)m和終止標(biāo)準(zhǔn)ε>0。

1.2隨機(jī)產(chǎn)生模糊劃分矩陣Λ，并使其滿足如下條件：

其中，μ_ik為第k個(gè)數(shù)據(jù)相對(duì)于第i個(gè)聚類中心的隸屬度，N為樣本數(shù)。

1.3利用如下公式計(jì)算聚類中心：

1.4利用如下公式計(jì)算距離范數(shù)：

其中，

A_i＝(ρdet(F_i))^1/nF_i^-1

ρ＝det(A_i)

1.5利用如下公式更新模糊劃分矩陣Λ。

1.6當(dāng)滿足條件||Λ^l-Λ^l-1||≤ε則停止，否則返回至步驟1.3。

1.7利用如下公式計(jì)算隸屬度函數(shù)方差

1.8利用如下公式計(jì)算模型后件參數(shù)

θ_i＝[X^TW_iX]^-1X^TW_iy

其中，輸入變量、輸出變量以及加權(quán)矩陣為

X＝[x₁,x₂,…,x_N],

y＝[y₁,y₂,…,y_N],

W_i＝diag(μ_i1,μ_i2,…,μ_iN)

1.9通過以上步驟得到T-S模型為

R_i:If x₁(k)is A_i1and x₂(k)is A_i2and … and x_n(k)is A_in

其中：R_i表示第i條模糊規(guī)則，x_j表示輸入變量，A_ij表示定義在輸入論域中的隸屬度函數(shù)。

步驟2、設(shè)計(jì)過程對(duì)象的PI控制器，具體方法是：

2.1對(duì)上述T-S模糊規(guī)則模型進(jìn)行加權(quán)平均，則模型輸出為：

其中，∏表示模糊算子，表示模糊前件變量的隸屬度函數(shù)。

記應(yīng)滿足且0≤ω_i(x)<1。

則上式可表示為

2.2模糊RBF網(wǎng)絡(luò)整定PI控制，該網(wǎng)絡(luò)將由輸入層、模糊化層、模糊推理層及輸出層構(gòu)成，網(wǎng)絡(luò)輸出為K_p,K_i，見圖1和圖2。

2.3輸入層的各個(gè)節(jié)點(diǎn)直接與輸入量的各個(gè)分量連接，將該輸入量傳到下一層。對(duì)該層的每個(gè)節(jié)點(diǎn)i的輸入輸出表示為：

f₁(i)＝X＝[x₁,x₂,…,x_n]

2.4利用高斯型函數(shù)作為隸屬度函數(shù)，c_ij和b_ij分別是第i個(gè)輸入變量第j個(gè)模糊集合的隸屬度函數(shù)的均值和標(biāo)準(zhǔn)差。

式中，i＝1,2,…,n；j＝1,2,…,n。

2.5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(gè)節(jié)點(diǎn)之間實(shí)現(xiàn)模糊運(yùn)算，即通過各個(gè)模糊節(jié)點(diǎn)的組合得到相應(yīng)的激活強(qiáng)度。每個(gè)節(jié)點(diǎn)j的輸出為該節(jié)點(diǎn)所有輸入信號(hào)的乘積，即：

式中，

2.6輸出層輸出f₄為K_p,K_i整定結(jié)果，該層由兩個(gè)節(jié)點(diǎn)構(gòu)成，即：

式中，w_ij組成輸出節(jié)點(diǎn)與第三層各節(jié)點(diǎn)的連接權(quán)矩陣i＝1,2。

2.7由步驟2.2到步驟2.6，可以求出控制量為：

△u(k)＝f₄·xc＝K_pxc(1)+K_ixc(2)

其中，

K_p＝f₄(1),K_i＝f₄(2)

xc(1)＝e(k)

xc(2)＝e(k)-e(k-1)

采用增量式PI控制算法：

u(k)＝u(k-1)+△u(k)

2.8采用Delta學(xué)習(xí)規(guī)則修正可調(diào)參數(shù)，定義目標(biāo)函數(shù)為：

式中，rin(k)和yout(k)分別表示網(wǎng)絡(luò)的實(shí)際輸出和理想輸出，每一個(gè)迭代步驟k的控制誤差為rin(k)-yout(k)。網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法如下：

式中，w_j為網(wǎng)絡(luò)輸出節(jié)點(diǎn)與上一層各節(jié)點(diǎn)的連接權(quán)，j＝1,2,…,N，η為學(xué)習(xí)速率。若考慮動(dòng)量因子，則輸出層的權(quán)值為：

w_j(k)＝w_j(k-1)+△w_j(k)+α(w_j(k-1)-w_j(k-2))

式中，k為網(wǎng)絡(luò)的迭代步驟，α為學(xué)習(xí)動(dòng)量因子。

通過步驟2的模型設(shè)計(jì)出基于模糊控制的RBF網(wǎng)絡(luò)，通過該網(wǎng)絡(luò)的不斷學(xué)習(xí)優(yōu)化得到PI控制參數(shù)，在線調(diào)整控制性能。