2012年第12期化学工程与装备2012年12月陈琳：基于模糊ChemicalPIDEngineering与BP网络的复合加药控制系统研究&Equipment4343基于模糊PID与BP网络的复合加药控制系统研究陈琳1，杨鹏翔1，张立杰2（1．河北联合大学，河北唐山063009；2．唐山理工自控工程有限公司，河北唐山063020）陈琳：基于模糊PID与BP网络的复合加药控制系统研究摘要：水处理投药过程是一个典型的工业过程控制对象，具有时变，非线性和滞后等显著特点。本文基于水处理混凝加药过程的工艺特点与控制要求，提出了一种具有前馈-反馈结构的复合加药控制方法。结合BP神经网络的自学习与非线性逼近能力和模糊PID控制解决不确定性及时变等问题的特点，通过从水处理现场采集到的多组数据，建立了复合加药控制模型，并利用Matlab/Simulink对系统进行了仿真，从而验证了该方案的可行性，进一步为本控制方案在水处理过程中的具体实现打下了良好的基础。关键词：混凝加药；Matlab/Simulink；BP神经网络；模糊PID控制引言理投加药量的神经网络控制模型，为进一步了解水处理过程以反渗透为代表的膜技术在水处理中被广泛应用，但是的动态变化机理及其控制器设计提供了参考[2]，并在此基础在正常运行过程中易被污染，因此在水处理过程的预处理阶上，结合模糊PID控制处理不确定性及时变、时滞等问题的段通常要加入混凝剂，以达到去除浊度和污染物的目的。随特点，建立了智能复合加药控制模型，从而有效地改善了系着检测技术的不断提高，应用于混凝加药过程中的控制方案统的实时性，提高了系统的动态性能与静态特性。已经十分丰富，但由于该过程是一个多变量、时变的非线性1被控对象的数学模型系统且控制精度要求高，使得不同的控制方法各有利弊，暂本文研究的复合加药控制系统的被控量为水处理出水时还无法在实际运行中取得较好的控制效果[1]。浊度，模糊PID控制器的输出为4-20mA控制信号，执行器为本研究针对水厂的进水情况，建立了药剂加入量与原水加药计量泵，输出为加药量的调整值，系统的结构框图如图浊度、流量、温度和压力等原水指标之间的动态关系，根据1。BP神经网络的学习和非线性逼近能力，设计了能够预测水处图1复合加药控制系统结构图从上图中可以看出，本文研究的受控对象数学模型，即能够反映出水浊度与混凝剂投量之间关系的数学描述。本文44陈琳：基于模糊PID与BP网络的复合加药控制系统研究根据唐山东海特钢有限公司鼓风机除盐水站工程中的实际根据以上条件及得到的阶跃响应曲线的拐点（图中标数据，采用了加药量阶跃响应法进行多次试验，由获得的阶出），可得到被控对象的传递函数：跃相应曲线建立了两者之间的函数关系。即通过改变加药计−20se(4)G1(s)=量泵的开度来改变药剂的投加量，并记录相应出水浊度，按(16s+1)(8s+1)照此试验方法得到了多组数据，据此可对投药模型进行参数2BP网络加药预测控制辨识。在上节中提到，水处理工艺一般采用物理化学或生物化由试验数据得到一条系统阶跃响应曲线，如下图所示。学方法，其投药凝絮过程是一个大时滞、非线性的动态系统，通过对该曲线的分析，可以看到其呈S形，且具有典型的欠在传统的控制方案中由于被控量不能得到及时的反馈，导致阻尼二阶特性，因此可使用带时间延迟的二阶模型建模，只系统的控制精度较为低下[3]，而神经网络又具有很好的逼近复杂非线性关系的特点[4]。为此本文利用BP网络的非线性逼T1T2τ需要对参数、和辨识即可得出传递函数：近和学习能力，建立了一个能够预测水处理加药量前馈模e−τs型，该方法可以利用当前的控制信息，对未来的各变量进行G1(s)=(T1s+1)(T2s+1)(1)预测，以此来克服各种干扰和变化对系统的影响。2.1BP神经网络BP神经网络是一种有效的自学习人工神经网络，其网络结构为多层前馈式，由输入层，若干隐层和输出层互相连接构成。其中，输入层和输出层的人工神经元个数的确定取决于研究对象的输入和输出参数数目，隐含层层数以及各层人工神经元数目的选取则是根据具体问题的复杂程度来决定的。BP的学习过程一般分为两个阶段：第一个阶段是输入已知学习样本向量，通过设置的网络结构和前一次迭代的权值和阈值，从网络的第一层向后计算各神经元的输出；第二个阶段是对权值和阈值进行修改，误差信号从输出层反方向经图2加药量阶跃响应曲线过各个隐含层，据此对权值和阈值进行修改，当网络的输出误差减小到允许精度或达到预定学习次数时学习结束[5]。对于得到的系统的阶跃响应曲线，可利用切线法找到曲2.2加药预测模型线的拐点及该点的斜率和坐标，进行参数辨