基于神经网 络的解耦方法在直流锅炉中的应用

基于神经网 络的解耦方法在直流锅炉中的应用

ID:5388079

大小:202.62 KB

页数:3页

时间:2017-12-08

基于神经网 络的解耦方法在直流锅炉中的应用_第1页
基于神经网 络的解耦方法在直流锅炉中的应用_第2页
基于神经网 络的解耦方法在直流锅炉中的应用_第3页
资源描述:

《基于神经网 络的解耦方法在直流锅炉中的应用》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、学兔兔www.xuetutu.com第6期(总第151期)机械工程与自动化No.62008年12月MECHANICALENGINEERING&AUTOMATIONDec.文章编号:1672—6413(2008)06—0147—03基于神经网络的解耦方法在直流锅炉中的应用王亚顺,徐笑(华北电力大学控制科学与工程学院,河北保定071003)摘要:分析了直流锅炉运行时各变量之间的耦合关系,针对直流锅炉参数多变、强耦合的特点,提出了一种改进的误差反向传播算法(BP)的神经网络分散解耦方法;仿真及实验结果表明,神经网络分散解耦算法具有很强的自学习功

2、能和自适应解耦能力,是解决多变量和强耦合问题的一种有效途径。关键词:直流锅炉;解耦控制;BP神经网络中图分类号:TP183:TK22文献标识码:A0引言器是单输人/单输出的,它只负责一个通道的解耦,因中间点温度与主蒸汽压力是表征直流锅炉运行状此它的结构比较简单。另外,它的指标函数也很简单,态的两个重要指标。实践证明,直流锅炉属多变量耦因为总的目标函数已经被分解为单一的目标函数,而合被控对象,其中给水量与燃料量的变化不但会引起且不必再考虑解耦器本身各通道之间的互连问题。一中间点温度的变化,而且对主蒸汽压力、蒸汽流量等个具有双输入/双输出的被

3、控过程,其神经解耦结构见都造成影响,因此必须使燃料量和给水量保持适当比图2。例的协调来控制中间点温度,实现过热气温的粗调。同时直流锅炉的动态特性具有很强的非线性、时变性和不确定性,常规的线性解耦设计很难获得较好的效果。神经网络控制不依赖控制对象精确的数学模型,是处理控制系统中不确定性、非线性和强耦合的一种有效方法。本文针对直流锅炉的特点,采用基于开环解耦的BP神经网络分散控制算法,对直流锅炉气温一压力控制系统进行解耦,从工程实用的角度而言,图1系统对象传递函数框图这种算法比较可靠,易于实现。1直流锅炉气温一压力控制系统的数学模型直流锅炉单

4、元机组控制系统是一个三输入/三输出并具有相互耦合关联极强特性的系统。其3个输入量分别是给水量、燃烧量B和汽机阀门开度,,3个输出量分别是中间点温度71、主蒸汽压力Pr和功率Ⅳ。由于汽机阀门开度对中间点温度影响很小,可以近似忽略。而且仅考虑直流锅炉作为被控对象,所以控制系统可以转化为一个双输入/双输出的被控对图2神经网络解耦结构框图象。系统对象传递函数框图见图1。从图2可以看出,通过训练神经网络ND1、ND2,2神经网络解耦器结构及其算法可以将来自其它通道的耦合视为干扰进行补偿,从而2.1神经网络解耦结构达到解耦的目的。分散式神经网络开环解

5、耦方式中的解耦器由x2.2神经网络开环解耦器训练算法L3(一1)个SISO神经网络构成(为对象的输入数)。在为使广义对象开环解耦,先断开控制器,并在神分散式神经网络开环解耦方式中,每个神经网络解耦经网络解耦器NDi的输入端加入输入信号:收稿日期:2008—03—13;修回日期:2008—07—21作者简介:王亚顺(1982一),男,河北丰润人,硕士研究生,研究方向:先进控制策略在过程控制中的应用。学兔兔www.xuetutu.com·148·机械工程与自动化2008年第6期对于输出层有:{≠o≠,一1,⋯,。⋯⋯⋯⋯.一告(1一“z)¨。

6、⋯⋯⋯⋯⋯⋯⋯⋯(9)这时,若已实现解耦,Y应等于0,这样神经网络解耦器NDi的指标函数为:对于中间层有:Ji∑(七)]z。⋯⋯⋯⋯⋯⋯⋯(2)一一X一一一丢一U'2×扣一¨一(“¨)。)∞。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(10)其中:Ⅳ为训练所用的样本数。于是输出层和中间层的权值更新表达式分别如下:根据BP学习算法的改进算法——动量法,神经网络中权值的更新由下式决定:Aw㈩一等sign(ay)Y(1+Aw(足)一一j7+口△叫(愚一1)。⋯⋯⋯⋯(3)OtW(志一1)。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(11)其中:为学习率;a为动量系数;W为

7、对应神经网络Aw一的权值。手sign(筹)×Y(1-U'2(1一因此对于神经网络NDi有:(:”))’+口叫(足一1)。⋯⋯⋯⋯⋯⋯⋯⋯(12)△ZOi㈤一一j7YlOYi~i!+3神经网络解耦控制的仿真aA)。⋯采用图1所示控制系统,进行神经网络开环解耦⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(4)训练。被控对象传递函数见文献[1]。ND1、ND2均其中:为网络输出层的输出信号。采用相同的3层BP网络,输入层、中间层、输出层节为了讨论方便,略去下标,统一记为:点个数分别为9、10、1,神经网络解耦器的隐含层与输出层的激励函数均为双曲正切函

8、数,即f(x)一△叫(正)一一+aAw(k一1)。⋯”4-o-z二三一。学习率rl=O0001.,动量系数a=O9.。对,l.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(5)z]一[z,O]和Ex

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。