有关解耦控制的最新技术
16西 南 交 通 大 学 学 报第40卷
成了对原系统的辨识,即建立起动态模型.图中TDL表时延单元,其输出为其输入信号的延迟,时延单元的个数由模型的阶次决定.
本系统中,输入U(k)包含新风阀开合度和变频器频率,输出Y(k)包含CO2气体体积含量和管道静压值.选取3层前向神经网络,特性函数为Sigmoid函数,采用带动量项和自适应学习速率的BP算法来建立这两个回路的动态模型.对于模型阶次,选择变频器-风机-静压回路为二阶,新风阀-CO2气体体积含量回路为一阶.
该BP神经网络各层神经元个数分别为:输入层8个,隐含层16个,输出层2个.
输入层的输入值为:t时刻变频器输入值;t-1时刻变频器输入值;t时刻新风阀输入值;t时刻静压值;t-1时刻静压值;t-2时刻静压值;t时刻CO2气体体积含量值和t-1时刻CO2气体体积含量值.
输出层输出值为:t时刻静压值和t时刻CO2气体体积含量值.
通过实际系统的输出与BP神经网络输出之间的差值e(k)来调节和训练该BP神经网络,训练完毕的BP神经网络即为所需的变频器-风机-静压回路和新风阀-CO2气体体积含量回路的动态模型.
PID神经网络解耦控制系统以得到BP神经网络为对象进行离线训练,得到PID神经网络的权值.每批采样点数m=400,被控变量n=2,学习步长η=0.01.
3 实际运行结果
在整个变风量空调系统稳定运行的情况下,保持其他条件不变,分别改变CO2气体体积含量设定值和管道静压的设定值,然后通过测量CO2气体体积含量和管道静压值的方法来验证经过训练的PID神经网络解耦控制系统的解耦控制效果.实际运行结果如图3～5所示.
未进行PID神经网络解耦控制时,如图3所示.在第130s,CO2气体体积含量设定值由290×10-6变为300×10-6,由于CO2气体体积含量设定值变大,新风阀开度变小以减少新风量.静压不能保持原先的稳定值,随着新风阀的变小而逐渐变小,最后偏离静压设定值,由170kPa降为160kPa以下.
加入PID神经网络解耦控制后,如图4所示.在第200s时CO2气体体积含量设定值由290×10-6变为300×10-6,新风阀开度变小,PID神经网络根据新风阀的开合度调节变频器的频率来控制风机转速,以保持管道静压值,静压值一直维持在180kPa,新风阀开度的变化对静压值没有影响,同时经过约100s 后,CO2气体体积含量也达到设定值300×10-6,整个系统保持稳定.说明加入PID神经网络解耦控制后可以消除新风阀-CO2气体体积含量回路对变频器-风机-静压回路的耦合影响.
图5所示为加入PID神经网络进行解耦控制时,静压设定值由100kPa变化为190kPa后,静压值和CO2气体体积含量变化的趋势.可知静压设定值变化后,静压值可以很好的跟踪设定值,同时CO2气体体积含量没有明显的变化,也具有良好的解耦控制效果.