一种基于神经网络PID的酸液温度控制系统及方法与流程

本发明涉及冷轧带钢酸洗，更具体的说，是涉及一种基于神经网络PID的酸液温度控制系统及方法。

背景技术：

酸液温度是影响冷轧带钢酸洗机组酸洗质量的重要参数之一，目前，冷轧带钢酸洗机组酸液温度的控制采用传统PID进行控制，现有控制系统存在两个方面的不足：一、酸液温度控制响应时间较长、超调较多；二、对于经验不足的现场操作人员，设定合适的P、I、D参数KP、KI、KD很不容易，一旦设定好后，整个控制过程都固定不变，在实际过程中，酸液温度控制系统参数发生变化，使系统很难达到最佳的控制效果。

因此有必要设计一种基于神经网络PID的酸液温度控制系统，以克服上述问题。

技术实现要素：

有鉴于此，有必要针对上述问题，提供一种基于神经网络PID的酸液温度控制系统及方法，。

为了实现上述目的，本发明的技术方案如下：

一种基于神经网络PID的酸液温度控制系统，包括PID控制器、蒸汽调节阀、酸液加热炉、温度传感器和反向传播的神经网络模块和误差反馈器；

所述PID控制器的温度配置端口连接所述误差反馈器的输出端口，所述PID控制器的配置端口连接所述神经网络模块，所述PID控制器的输出端连接所述蒸汽调节阀的控制接口；

所述蒸汽调节阀的阀门位于酸液加热炉的蒸汽传输管道上，用于控制导入所述酸液加热炉的蒸汽量；

所述温度传感器设置在所述酸液加热炉的酸液流出口上，并连接着所述误差反馈器，用于测量被加热后的酸液温度，并将酸液温度反馈给所述误差反馈器；

所述误差反馈器的输入端口并联所述神经网络模块的第一输入端口，所述误差反馈器的输出端口并联所述神经网络模块的第二输入端口。

作为优选的，所述误差反馈器包括一个参数输入端口、一个反馈输入端口和一个误差输出端口；

所述温度传感器通过与其连接的反馈输入端口，将酸液温度反馈给所述误差反馈器；

所述参数输入端口连接所述神经网络模块的第一输入端口，用于获取酸液温度配置参数；

所述误差输出端口并联PID控制器的输入端口和所述神经网络模块的第二输入端口。

作为优选的，所述神经网络模块包括三层BP网络结构，输入层神经元个数取2个，分别是输入的温度参数和误差反馈器的误差结果，隐含层神经元取n个，输出层神经元取3个，分别是参数K_P、参数K_I和参数K_D。

作为优选的，所述隐含层神经元之间的连接对应不同且可不断调整更新的加权系数。

作为优选的，所述PID控制器为单片机、PLC或智能电脑。

作为优选的，所述输出层神经元的激活函数表达式为：

$f1\left(x\right)=\frac{e^x}{e^x+e^{-x}}$

隐含层神经元的激活函数表达式为：

$f2\left(x\right)=\frac{e^x}{e^x+e^{-x}}$

所述神经网络模块采用BP算法进行学习，选取性能指标函数为：

$E\left(k\right)=\frac{1}{2}{\left(r\right(k)-y(k\left)\right)}^2$

式中，k表示学习步数，r(k)表示第k步的输入，y(k)表示第k步的输出。

一种根据上述系统进行酸液温度控制的方法，包括以下步骤：

S1、初始化神经网络模块各层的加权系数初值，设定学习速率δ和惯性系数α，令k＝1；

S2、采样获得r(k)和y(k)，计算此时刻误差e(k)＝r(k)-y(k)；

S3、计算神经网络各层神经元的输入、输出，输出即为PID控制器的三个可调参数K_P、K_I、K_D；

S4、计算PID控制器的输出u(k)；

u(k)＝u(k-1)+K_P*(e(k)-e(k-1))+K_I*e(k)+K_D*(e(k)-2*e(k-1)+e(k-2))；

S5、进行神经网络学习，调整加权系数，PID控制器控制参数的自适应调整；

S6、将k变换为k+1并计算，判断是否达到训练要求，如果没有，返回到步骤S2。

与现有技术相比，本发明的有益效果在于：本发明提供的酸液温度神经网络PID控制系统酸液温度响应时间比传统PID控制短，超调比传统PID控制小，PID控制器的参数可以依据运行情况进行调整，从而达到较优的控制效果。

附图说明

图1是本发明所述酸液温度神经网络PID控制系统图；

图2是本发明所述BP神经网络图；

图3是本发明所述酸液温度神经网络PID控制方法流程图。

具体实施方式

下面结合附图和实施例对本发明所述的一种基于神经网络PID的酸液温度控制系统及方法作进一步说明。

以下是本发明所述的一种基于神经网络PID的酸液温度控制系统及方法的最佳实例，并不因此限定本发明的保护范围。

实施例一：

如图1所示，为本发明实施例提供本发明提供一种基于神经网络PID的酸液温度控制系统，包括：PID控制器1、蒸汽调节阀2、酸液加热炉3、温度传感器4和反向传播的神经网络(Back Propagation Neural Network，简写为：BP-NN)模块5和误差反馈器6，具体的：

所述PID控制器的温度配置端口连接所述误差反馈器6的输出端口，所述PID控制器的PID配置端口连接所述BP-NN模块5，所述PID控制器1的输出端连接所述蒸汽调节阀2的控制接口；

所述蒸汽调节阀2的阀门位于酸液加热炉3的蒸汽传输管道上，用于控制导入所述酸液加热炉3的蒸汽量；

所述温度传感器4设置在所述酸液加热炉3的酸液流出口上，并连接着所述误差反馈器6，用于测量被加热后的酸液温度，并将酸液温度反馈给所述误 差反馈器6；

所述误差反馈器6的输入端口并联所述BP-NN模块5的第一输入端口，所述误差反馈器6的输出端口并联所述BP-NN模块5的第二输入端口。

结合本发明实施例，存在一种优选的实现方案，其中，所述误差反馈器包括一个参数输入端口、一个反馈输入端口和一个误差输出端口，具体的：

所述温度传感器4通过与其连接的反馈输入端口，将酸液温度反馈给所述误差反馈器；

所述参数输入端口连接所述BP-NN模块5的第一输入端口，用于获取酸液温度配置参数；

所述误差输出端口并联PID控制器1的输入端口和所述BP-NN模块5的第二输入端口。

结合本发明实施例，存在一种优选的实现方案，其中，所述BP-NN模块5具体为三层BP网络结构，输入层神经元个数取2个，分别是输入的温度参数和误差反馈器6的误差结果，隐含层神经元取6个，输出层神经元取3个，分别是参数K_P、参数K_I和参数K_D。

结合本发明实施例，存在一种优选的实现方案，其中，所述PID控制器具体为单片机、PLC或者智能电脑。

本发明具有以下有益效果：本发明提供的酸液温度神经网络PID控制系统酸液温度响应时间比传统PID控制短，超调比传统PID控制小，PID控制器的参数可以依据运行情况进行调整，从而达到较优的控制效果。

实施例二：

实施例一公开了一种基于神经网络PID的酸液温度控制系统，本实施例将通过简单的执行流程阐述实施例一所提出的一种基于神经网络PID的酸液温度 控制系统的工作机制，具体包括：

误差反馈器6根据温度传感器4反馈回来的实时酸液温度和初始输入的温度值积分计算传递给PID控制器，所述PID控制器计算出蒸汽调节阀2的开口度，酸液加热炉3进行加热，温度传感器4实时采集酸液温度并反馈到前端，BP-NN模块依据系统运行状态，实时调整PID控制器1参数K_P、K_I、K_D，然后发送到PID控制器1。

实施例三：

本实施例阐述适用于本发明所提出的一种基于神经网络PID的酸液温度控制系统的K_P、K_I、K_D模块5网络结构，具体如图2所示，采用三层BP网络，结构为2-6-3结构，输入层神经元个数取2个，分别是输入r和输出y，隐含层神经元取6个，输出层神经元取3个，分别是K_P、K_I、K_D，其中，隐含层神经元的个数可以进行调整，神经元之间的连接对应不同且可不断调整更新的加权系数。

隐含层的激活函数：

$f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$

输出层神经元的激活函数：

$f\left(x\right)=\frac{e^x}{e^x+e^{-x}}$

BP-NN模块5采用BP算法进行学习，选取性能指标函数为：

$E\left(k\right)=\frac{1}{2}{\left(r\right(k)-y(k\left)\right)}^2$

式中，k表示学习步数，r(k)表示第k步的输入，y(k)表示第k步的输出。

实施例四：

本实施例将基于具体的控制算法流程，介绍本发明所提出的一种基于神经网络PID的酸液温度控制系统的使用流程，按照梯度下降法修正网络的加权系数，控制算法流程图如图3所示，具体包括以下步骤：

S1、初始化神经网络模块各层的加权系数初值，设定学习速率δ和惯性系数α，令k＝1；

S2、采样获得r(k)和y(k)，计算此时刻误差e(k)＝r(k)-y(k)；

S3、计算神经网络各层神经元的输入、输出，输出即为PID控制器的三个可调参数K_P、K_I、K_D；

S4、计算PID控制器的输出u(k)；

u(k)＝u(k-1)+K_P*(e(k)-e(k-1))+K_I*e(k)+K_D*(e(k)-2*e(k-1)+e(k-2))；

S5、进行神经网络学习，调整加权系数，PID控制器控制参数的自适应调整；

S6、将k变换为k+1并计算，判断是否达到训练要求，N为设定的学习步数，超过设定的学习步数即认为学习结束，达到训练要求，如果没有，返回到步骤S2；

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。