作者：张毅
常规PID已经在许多工厂的控温系统中得到了广泛应用，但是由于聚合釜生产过程是一个非线性、时变、滞后的复杂对象，所以用常规PID来控制这一类对象的效果并不是很理想。针对这种情况，本文中以聚合釜温度控制为研究对象，在常规PID控制器的基础上结合BP( backpropagation)神经网络，通过神经网络对系统性能的学习找到能使系统性能达到最优化的PID控制参数，并将其直接送给常规PID控制器，从而得到基于BP神经网络整定的PID控制器。
1 控制策略研究
1.1温度控制的工艺流程
聚合反应生产流程如图1所示，在升温过程中通过热进气动阀使热水进入盘管，进而将盘管中的冷水替换掉并将其从热回气动阀排出；在聚合反应时，釜内会放出一部分热量，这时通过打开冷进气动阀使冷水进入盘管以此带走聚合反应产生的热量，从而达到降温的作用。
该聚合反应分为3个阶段：第一阶段为升温阶段一聚合釜投料完毕，打开热水阀门向盘管通热水，使反应物迅速升温至38℃以达到发生聚合反应所需的温度；第二阶段为过渡阶段一反应物升温至38℃后保持不变，加入引发剂诱发聚合反应；第三阶段为反应阶段一聚合反应开始后进入正常放热阶段，盘管内通入冷水用来带走反应中产生的热量，使聚合温度维持在设定值不变。
1.2控制方案的选择
聚合釜体积庞大，水温测量不均匀，因此该系统具有高度非线性、滞后性大且不易对其进行数学建模。通过对控制系统的观察可知，温升速率在不同聚合反应阶段差异很大，也就是说整个生产过程中工况也在不断变化。在升温阶段温升速率可以略大点，这样就能节省时间，提高生产效率；而在釜内温度接近设定温度时需要平缓升温，这样就可以减小超调量，尽早过渡到控温期，达到聚合反应要求的温度。
原先的单回路普通的PID控制存在的最突出的不足之处是PID参数无自适应能力，参数一旦确定完毕就会应用于所有的阶段，单独1组PID参数无法满足不同阶段下的控制情况。结合上述分析，应该选用一种策略，使该系统在升温阶段采用普通的PID方案进行控制，随着温度接近临近值时采用可以为PID分配与之相应的新的控制参数的方案，也就是需要有自整定功能。考虑到该系统比例、积分、微分这3个参数之间高度非线性关系，选用基于BP
的神经网络PID控制，这样就具有了任意线性表达的能力。
经分析，最终选择多模态神经网络-PID控制方案，即当温度偏差e在阈值之外时，采用普通PID控制方法来进行升温；当温度偏差e在阈值之内时，采用基于BP神经网络PID控制来进行控温。多模态复合结构如图2所示。它是利用软件开关来达到2种控制策略的选择的。这种控制方案的优点是，当温度偏差e在阈值范围之外时，采用普通PID策略，快速升温，达到要求温度。当温度偏差e在阈值范围之内时切换到基于BP的神经网络PID控制，提高系统响应速度，提高系统的阻尼性能，避免在响应过程中出现大幅的超调。这样就可以充分利用各自的优点，弥补各自的不足。
1.3基于BP神经网络的PID控制器
基于BP神经网络的PID控制器结构如图3所示。由图3可知，BP神经网络在系统运行时对PID控制器的参数进行实时调整，使输出层神经元的输出状态对应于PID控制器的3个可调参数k p、k i、K d，通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制下的PID控制器参数。
2 BP神经网络结构及其控制算法
2.1 BP网络结构
本文中采用的是3层BP网络，其结构选为4-5-3结构，输入层神经元的个数取为4个，分别是输入r、输出），、误差e、和单位l，隐含层神经元取为5个；输出神经元为3个，分别是k p、k i、k d。其BP网络结构如图4所示。
2.2基于BP神经网络PID控制的流程
基于BP神经网络PID控制的整体算法的流程如图5，其计算过程可以归纳为以下几点。
(3)计算神经网络各层神经元的输入、输出，最终通过神经网络输出层的输出即为PID控制器的3个可调参数k p、k i、k d。
(4)知道各个系数后再通过PID控制器计算出输出M（k）。
(5)进行神经网络学习，在线调整加权系数，实现PID控制参数的自适应调整；整定完成后将计算结果传送给变频器，从而调节调节阀的开度，进而达到控温的效果。
(6)置k=k+1，返回到步骤(2)，开始新一轮的参数自适应过程。
基于BP神经网络PID控制器就是这样通过外部传感器将检测的信号传递给PLC内部，再通过PID控制器的采样计算，将计算结果输出给执行机构，从而调整聚合釜内的温度，软开关一旦触发，其将一直进行在线自整定。
2.3基于BP神经网络的PID控制算法
2.3.1 输入输出函数
网络输入层的输入函数为：
按照梯度下降法修正网络的权系数，并附加一个使搜索快速收敛全局极小的惯性项，修正公
式为：
3调试结果比较
为探究常规PID和基于BP神经网络-PID在聚合釜升温和控温阶段的的影响，取常规PID 3个参数分别为k p=1、k i=0.2、k d=0.03，然后对同一个聚合釜进行试验，随机抽取其在不同阶段时40 min内的温度变化作比较，对比结果如表1。
根据实验结果可以看出，在升温阶段，常规PID时的聚合釜温度上升的速度要快于基于BP神经网络PID控制的速度；而在临界设定值范围内，基于BP神经网络PID控制的系统鲁棒性好，响应速度快，超调量小，要优于常规PID控制。因此，采用多模态神经网络-PID策略进行控温可以结合两者各自的优点，切实可行，不仅节省了时间，减少了工人的干预，同时也降低了超调量，使系统更加稳定，提高了生产效率。
4结论
聚合釜控温系统具有滞后、时变与非线性等特点，用普通PID难以达到理想效果。基于BP神经网络超强的自学习和非线性逼近能力，本文中提出了多模态神经网络-PID控制算法。该方法可以提高响应速度、降低超调量、缩短调整时间。通过对普通PID策略及神经网络PID控制策略的对比，验证了这种控制方法的优势。最终采取多模态神经网络-PID控制器对聚合釜进行控温，提高了生产效率、控制精度，从而为企业带来了利益，值得推广研究。
5 摘要：介绍了基于BP神经网络PID控制器的算法，在此基础上提出了多模态神经网络-PID方法。将神经网络PID与普通PID控制方法进行比较，结果表明，该方法具有自适应能力强、过渡时间短、鲁棒性好等特点，弥补了常规PID在聚合釜控制中参数难以整定等缺点。
