欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202111187375X
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 炉;窑;烘烤炉;蒸馏炉〔4〕
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种水泥预分解炉调温PID参数自整定方法,其特征在于,所述方法包括:S1、初始化网络以及参数训练,初始化离线网络A与在线网络B,对于离线网络A,取预分解炉实际工作过程的较优数据作为其训练数据,其训练输入为:理想温度与实际温度之间的误差关于采样时间的序列e1,e2,.....,et、实际温度关于采样时间的序列y1,y2,.....,yt、控制信号关于采样时间的序列u1,u2,.....,ut以及理想温度信号r,其训练输出标签为:每组对应输入下的较优的系统PID参数Kp、Ki、Kd,并根据此离线网络A得出整个系统运行的初始PID参数;

对于在线网络B,需在与分解炉工作过程中实时收集实际工作温度、理想工作温度、温度偏差、控制信号以及采样间隔实际温度对控制信号的微分数据,并记录作为输入送进网络输入;

S2、对在线网络B在线调参,间隔性的将收集到的数据信息输入至在线网络B,网络做在线运算,得到的输出数据即为所需要的PID控制参数;

S3、不断重复收集步骤S1所述在线网络B所需数据和步骤S2来迭代更新在线网络B的权重参数,直至网络运算出的PID参数能满足实际温度需求为止;所述步骤S1中离线网络A训练的具体步骤为:步骤1、设定离线网络A的层数以及各层神经元的数量,并随机设定A的权重参数;

步骤2、取预分解炉实际工作过程中记录的500组数据对并打乱顺序,每组数据中理想温度与实际温度之间的误差关于采样时间的序列e1,e2,.....,et、实际温度关于采样时间的序列y1,y2,.....,yt、控制信号关于采样时间的序列u1,u2,.....,ut以及理想温度信号r作T为网络的输入,可表示具体形式为:[e1,e2,.....,et,y1,y2,.....,yt,u1,u2,.....,ut,r] ;

对应情况下的较优的PID参数Kp、Ki以及Kd作为网络学习输出标签,可表示具体形式为:[Kp,T *Ki,Kd] ;并训练离线网络,直至由网络估计参数值与实际参数值之间的均方误差S的加和为止;

步骤3、准备一组理想情况下步骤(2)中所描述的网络输入数据信息并将其输入至训练好的离线网络中,由离线网络

运算得出所需的初始PID参数 神经网络A的输入为理想温度与实际温度之间的误差关于采样时间的序列、实际温度关于采样时间的序列、控制信号关于采样时间的序列以及理想温度信号,具体形式为:A T

X=[e1,e2,.....,et,y1,y2,.....,yt,u1,u2,.....,ut,r]     (1)其中,t取为500,网络A的第一隐含层输入输出分别为:其中, 为第一隐含层的权重矩阵,激活函数l(x)为:网络A的第二隐含层输入输出分别为:

其中, 为第二隐含层的权重矩阵,激活函数h(x)为:网络A的第三隐含层输入输出分别为:

其中, 为第三隐含层的权重矩阵,激活函数j(x)为:j(x)=arctan(x)(7)网络A的第四隐含层输入输出分别为:其中, 为第四隐含层的权重矩阵,激活函数k(x)为:网络A的第五隐含层输入输出分别为:

其中, 为第五隐含层的权重矩阵,激活函数o(x)为:网络A的最终输出层输入输出分别为:

其中, 为输出层的权重矩阵,且 为输出参数,激活函数v(x)为:

PID控制器算法:

式中,Kp、Ki、Kd分别为PID控制器的比例、积分以及微分系数,e为理想温度与实际温度之间的偏差。

2.根据权利要求1所述的一种水泥预分解炉调温PID参数自整定方法,其特征在于:所述步骤S1中在线网络B训练的具体步骤为:步骤a、设定反向传播神经网络B的层数以及每层所含神经元数量,并随机设定权重参数,初始运行PID参数设定为网络A最终运算所得参数步骤b、收集实际工作温度y、理想工作温度r、温度偏差e、控制信号u以及采样间隔实际温度对控制信号的微分数据Dy/Du,作为网络的输入,计算得PID控制参数Kp、Ki以及Kd,进而由增量式PID算法计算控制信号;

步骤c、预分解炉实时获取所得控制信号,调整喂煤阀开合度,进而控制温度;

步骤d、由理想温度与实际温度之间的均方误差以及所改进的网络权值更新算法来迭代更新网络的权重参数;

步骤e、不断重复步骤b至步骤d,直至达到温度工作要求为止。

3.根据权利要求2所述的一种水泥预分解炉调温PID参数自整定方法,其特征在于:神经网络B的输入层的输入为:B T

X=[x1,x2,x3,x4,x5] ,其中参数信息分别为:理想温度信号r、实际温度信号y、温度偏差e、控制信号u以及采样间隔实际温度对控制信号的微分数据Dy/Du;

第一隐含层的输入和输出为:

其中,N1代表输入层节点数目,N1=5;h1为本层神经元节点数目,h1=1~7;

第二隐含层的输入和输出为:

其中,N2代表第一隐含层节点数目,N2=7;h2为本层神经元节点数目,h2=1~4;

输出层的输入和输出为:

其中,N3代表第二隐含层节点数目,N3=4;h3为本层神经元节点数目,h3=1~3;

上述公式(15)~(23),上标代表神经网络的层数;函数f、g、p代表各层激活函数;

代表缩小1000倍之后的PID控制参数;

对于被控对象预分解炉的温度过程,在仿真中所控制的喂煤阀开合度可使用以下一阶模型代替:损失误差函数定义为:

其网络权重参数更新按照如下规则进行:

wt+1=wt+Vt+1+KεDt+1           (28)其中,a为折扣因子,β为学习率,Kε即为微分预测系数,按照如下规则求得: