基于模糊神經(jīng)混合系統(tǒng)的自適應(yīng)控制方法及其應(yīng)用

3 仿真實(shí)驗(yàn)

電站鍋爐汽包水位間接的反應(yīng)了鍋爐負(fù)荷與給水平衡的關(guān)系，是鍋爐運(yùn)行的主要指標(biāo)之一。水位過高，會破壞汽、水分離裝置的正常工作，嚴(yán)重時會導(dǎo)致蒸汽帶水增多，從而增加過熱器管壁上和汽輪機(jī)葉上的結(jié)垢；水位過低時，則會破壞水循環(huán)，引起水冷壁的破壞。近年來鍋爐參數(shù)的提高和容量的擴(kuò)大，對給水系統(tǒng)提出了更高的要求。因此，迫切需要一種魯棒性很好，算法相對簡單的快捷控制方案。

將圖4框內(nèi)的一個廣義對象當(dāng)一個整體去考慮，可以消除水流量和蒸汽對汽包水位的傳遞函數(shù)不穩(wěn)定環(huán)節(jié)，克服自平衡特性。神經(jīng)網(wǎng)絡(luò)具有充分逼近任意復(fù)雜系統(tǒng)的能力，同時還能學(xué)習(xí)和適應(yīng)不確定性的動態(tài)響應(yīng)。為檢驗(yàn)所提出的控制策略的有效性，對圖4中的被

采用本文提出的基于模糊神經(jīng)混合系統(tǒng)的自適應(yīng)控制方法，其對比試驗(yàn)采用PID串聯(lián)控制系統(tǒng)，PID調(diào)節(jié)器參數(shù)是在折中考慮系統(tǒng)的跟蹤性、抗外擾能力和抗內(nèi)擾能力的基礎(chǔ)上，經(jīng)過整定得到的，其外回路KP=1.5，Ki=0.005，內(nèi)回路KP=0.95[7]。

圖5所示為對象模型匹配情況下的輸出響應(yīng)圖。圖6為給水量信號H=0 mm時，在起始時刻加入蒸汽流量30 %外擾時輸出響應(yīng)曲線。

圖7所示為對象時間為常數(shù)，增益常數(shù)和延遲時間均增大20%的輸出響應(yīng)曲線。圖8在模型失配情況下，在給水流量信號H=0 mm時，加入蒸汽流量的30%外擾時輸出響應(yīng)曲線。

從圖中可以看出，較之串級PID控制，F(xiàn)ANNC控制具有良好的動態(tài)調(diào)節(jié)品質(zhì)和較強(qiáng)的魯棒性，實(shí)現(xiàn)了對系統(tǒng)的快速無超調(diào)控制。實(shí)驗(yàn)中將蒸汽流量擾動信號引入到神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)了對系統(tǒng)的前饋補(bǔ)償，以快速平穩(wěn)消除蒸汽流量的擾動。魯棒控制器FC的構(gòu)造使系統(tǒng)具有良好的穩(wěn)定性和魯棒性，與常規(guī)PID控制相比，幾乎沒有超調(diào)量。即使在模型失配(參數(shù)增加或減少)的情況下仍然能取得滿意的控制品質(zhì)。仿真結(jié)果表明了該方案的有效性和優(yōu)越性。

本文提出的這種基于模糊神經(jīng)混合系統(tǒng)的自適應(yīng)控制方法是針對工業(yè)系統(tǒng)中普遍存在的復(fù)雜非線性和時變不確定性特性提出的。該方法可以做到無須辨識被控對象的模型，即可進(jìn)行NNC的在線設(shè)計(jì)；而且NNC的學(xué)習(xí)過程和系統(tǒng)的控制過程同時進(jìn)行，不需要特定的教師信號，避免了離線訓(xùn)練通常存在的訓(xùn)練數(shù)據(jù)不足的問題。利用模糊推理機(jī)產(chǎn)生的分目標(biāo)學(xué)習(xí)誤差對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，避免了采用直接反饋誤差進(jìn)行訓(xùn)練可能造成的飽和和過調(diào)整問題，并能有效抑制測量噪聲的影響，提高系統(tǒng)的控制品質(zhì)。仿真實(shí)驗(yàn)證明，該方法能有效處理工業(yè)系統(tǒng)中普遍存在的復(fù)雜非線性和時變不確定性等特性，為未知不確定非線性系統(tǒng)的智能控制提供了一條有效而可行的新途徑。