买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：本发明设计了面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法，针对城市固废焚烧多变量耦合且难以同步控制的问题。首先，分析了模型影响因素并提取了关键被控量与操作量；接着，基于数据驱动方法构建了多输入多输出Takagi‑Sugeno模糊神经网络被控对象模型；然后，构建了具有自反馈通道与互连通道的准对角递归神经网络模型并将其用于多回路PID控制器的参数自整定；最后，通过实验验证了该控制器的可行性与有效性；为提升城市固废焚烧过程智能化程度、满足实际工业控制需求提供了解决方案。

主权项：1.面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法，其特征在于，包括以下步骤：1城市固废焚烧数据采集：通过单向隔离系统采集城市固废焚烧过程的关键操作变量：干燥炉排空气流量、燃烧炉排1段空气流量、燃烧炉排2段空气流量、燃尽炉排空气流量、一次风总流量、二次风流量、干燥炉排速度、燃烧炉排1段速度、燃烧炉排2段速度和燃尽炉排速度，采集关键被控变量：主蒸汽流量、炉膛温度和烟气含氧量；干燥炉排空气流量包括左1干燥炉排空气流量、右1干燥炉排空气流量、左2干燥炉排空气流量和右2干燥炉排空气流量；燃烧炉排1段空气流量包括左1燃烧炉排1段空气流量、右1燃烧炉排1段空气流量、左2燃烧炉排1段空气流量和右2燃烧炉排1段空气流量；燃烧炉排2段空气流量包括左1燃烧炉排2段空气流量、右1燃烧炉排2段空气流量、左2燃烧炉排2段空气流量和右2燃烧炉排2段空气流量；燃尽炉排空气流量包括左燃尽炉排空气流量和右燃尽炉排空气流量；干燥炉排速度包括左内干燥炉排速度、右内干燥炉排速度、左外干燥炉排速度和右外干燥炉排速度；燃烧炉排1段速度包括左内燃烧炉排1段速度、右内燃烧炉排1段速度、左外燃烧炉排1段速度和右外燃烧炉排1段速度；燃烧炉排2段速度包括左内燃烧炉排2段速度、右内燃烧炉排2段速度、左外燃烧炉排2段速度和右外燃烧炉排2段速度；燃尽炉排速度包括左内燃尽炉排速度、右内燃尽炉排速度；2控制特性分析：采用皮尔逊相关系数ραβ对操作变量αl与被控变量βl之间的相关性进行评估，其计算方法为： 式中，N为样本总数，根据计算结果选取一次风总流量、二次风流量、干燥炉排速度作为关键操作变量；3数据预处理：通过剔除异常数据与数据归一化对采集得到的数据进行预处理，计算步骤如下：①剔除异常数据：通过3σ准则对异常数据进行剔除，首先，设定样本数据的维度为q×K，q为被控变量数量，K为样本的总数量，样本数据用表示，其中s＝1,2,...,q，k＝1,2,...,K；为样本均值，其标准偏差σs的计算方法为： 当对应的剩余误差符合以下条件时，则对此执行剔除操作，其计算方法为： ②数据归一化：对样本数据进行归一化，计算归一化后的数据样本其计算方法如下： 其中，为变量s的样本向量，经过归一化处理之后，每个样本数据范围均在[0,1]之间；4被控对象模型设计：通过数据驱动构建了多输入多输出Takagi-Sugeno模糊神经网络被控对象模型，其包括输入层、隶属函数层、规则层、后件层和输出层共5层，对其数学描述如下：①输入层：该层共有n个神经元，n为3，其作用将输入值进行传递，当第k个样本进入时，输入层的输出为：xik,i＝1,2,…,n5②隶属函数层：该层共有n×m个神经元，m为12，每个节点的输出代表对应输入量的隶属度值，隶属函数为： 式中，cijk与δijk分别为隶属度函数的中心和宽度，其初始值由rand随机函数生成范围在[0,2]之间均匀分布的随机实数；③规则层：该层共有m个神经元，采用模糊连乘算子作为模糊逻辑规则，规则层的输出为： ④后件层：该层共有m×q个神经元，q为3，每个节点执行T-S型模糊规则的线性求和，计算每条规则所对应输出的后件参数其计算过程如下： 式中，为模糊系统的参数，其初始值设为0.3，x0k,x1k,…,xnk为输入变量，x0k为输入常数，用于增强网络平移能力，其值为1；⑤输出层：该层设有q个输出节点，每个节点对输入参数执行加权求和，其计算公式如下： ⑥模型参数学习：使用梯度下降算法调整网络参数，首先，定义误差计算方法如下： 式中，ysk为第k个输入样本对应的第s个实际输出，为第k个输入样本对应的第s个计算输出，esk为两者之间的误差，依据误差对网络的中心、宽度和模糊系统参数更新算法定义如下： 式中，η为在线学习率，η的取值范围为[0.01,0,05]，cijk-1、δijk-1和分别为第k-1个样本输入时网络隶属函数层的中心、宽度和模糊系统的参数，完成本次参数更新后，输入训练样本数据xik+1，重复步骤①～⑥，直至所有训练样本全部输入，训练样本数为总样本数K的80％，之后对模型进行迭代训练，直至迭代次数达到最大迭代值Itmax，Itmax为500，此时建模误差达到最小，将此时的模型确立为被控对象模型；5多变量控制器设计：该控制器用于对被控对象模型施加控制，其由准对角递归神经网络自整定模型、被控对象Jacobian信息辨识、PID参数整定机制和PID控制器组成，各部分功能描述如下：①准对角递归神经网络自整定模型：输入层：该层设有ξ个神经元，其作用是将输入值进行传递，第s个模型在时刻t时，网络的输入可表示为：Isrt,r＝1,2,…,ξ,s＝1,2,...,q14式中，ξ＝3，q＝3，输入为[ust-1,yst,1]，其中，ust-1为t-1时刻的操作变量实际值，yst为被控变量，常数1为偏置项，其作用是增强网络的平移能力；回归层：该层共有ω个神经元，ω为7，回归层输入Gsgt包括输入层信息、自反馈信息与互连神经元信息，将其表示为： 式中，Dsgt-1为模型s在t-1时刻的回归层神经元的输出，为输入层到回归层之间的连接权值，为回归层神经元的递归权值，g＝1,2,...,ω，回归层各个神经元的递归权值可表示为如下所示的准对角矩阵形式： 根据公式15、16，通过Sigmoid函数f对回归层的每个节点进行激活，计算回归层输出为： 输出层：该层有单个输出节点，该节点对输入参数执行加权求和，输出层输出可表示为： 式中，为回归层到输出层之间的连接权值；②被控对象Jacobian信息辨识：首先，将系统输出与网络输出的误差作为辨识器的调整信号，定义被控对象系统的辨识误差为：emst＝yst-ymst19式中，yst为被控量实际值，ymst为模型计算得出的被控量估计值；定义被控对象性能指标Jst如下： 采用最小均方算法对准对角递归神经网络模型的参数进行更新： 式中，和分别输入层、回归层和输出层的学习率，其值为4^10-4，损失函数对权值的求导过程如下： 式中，f′Gsgt为回归层Sigmoid函数的导数； 根据以上推导，计算被控对象Jacobian信息为： 式中，ust为t时刻的操作变量实际值，为操作变量对应的输入层权值；③PID控制器：定义控制器输入误差如下：est＝rst-yst28式中，rst为被控量设定值；定义误差的比例、积分与微分分别为其计算如下： 式中，T为采样时间间隔，采样间隔为1秒，为采样时段内的时间点；PID控制器的输出表示为： 式中，和分别为PID的比例系数、积分系数和微分系数；④PID参数整定机制：对多变量PID控制器的参数进行整定，首先，定义PID性能指标为： 根据性能指标，计算PID的比例系数积分系数微分系数的调整公式如下： 式中，和分别为PID的比例系数、积分系数和微分系数对应的学习率，其值分别为5^10-5、3^10-5、1^10-5，为被控对象的Jacobian信息，由公式27辨识获得。

全文数据：

权利要求：

百度查询： 北京工业大学 面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法