楊國(guó)亮，錢 亮，朱松偉

(江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000)

基于BELBIC和FNN的球磨機(jī)解耦控制研究

楊國(guó)亮，錢 亮，朱松偉

(江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000)

針對(duì)球磨機(jī)系統(tǒng)控制過(guò)程中存在的多變量、強(qiáng)耦合、模型時(shí)變性的特點(diǎn)，提出了基于大腦情感智能控制器(BELBIC)和模糊神經(jīng)網(wǎng)絡(luò)(FNN)解耦的復(fù)合控制方案.利用模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力設(shè)計(jì)了球磨機(jī)系統(tǒng)解耦器，有效地消除了球磨機(jī)系統(tǒng)耦合現(xiàn)象，在此基礎(chǔ)上，設(shè)計(jì)了大腦情感學(xué)習(xí)智能控制模型.仿真實(shí)驗(yàn)表明，本文提出的控制方案優(yōu)于傳統(tǒng)的解耦控制方法，能較好地解決球磨機(jī)強(qiáng)耦合問(wèn)題，且具有較好的魯棒性.

大腦情感學(xué)習(xí)智能控制；球磨機(jī)；模糊神經(jīng)網(wǎng)絡(luò)；解耦控制

0 引言

鋼球磨煤機(jī)是火電廠等用煤企業(yè)常用的大型輔助設(shè)備，其耗電量大且是一個(gè)非線性、大滯后、大慣性、強(qiáng)耦合和具有多種不確定性擾動(dòng)的多變量對(duì)象，難以使用常規(guī)的控制方法實(shí)現(xiàn)其自動(dòng)控制.若長(zhǎng)時(shí)間采用人工經(jīng)驗(yàn)的方法、手動(dòng)調(diào)整相關(guān)變量的方法控制球磨機(jī)系統(tǒng)的運(yùn)行，則容易出現(xiàn)鋼筒內(nèi)載煤量異常、原煤煤粉泄漏和鋼筒出入口溫度超標(biāo)等事故.并且不能夠使球磨機(jī)處于最佳狀態(tài)下運(yùn)行，致使球磨機(jī)電能消耗大大增加，造成不必要的經(jīng)濟(jì)損失.

1995年Harry Nyquest提出了逆奈奎斯特陣列法，文獻(xiàn)[1]將此法用于球磨機(jī)控制系統(tǒng)中是把軸瓦振動(dòng)的垂直分量表征磨煤機(jī)內(nèi)存煤量，這樣將給煤回路近似為一個(gè)單回路系統(tǒng)，因而可用單變量的方法設(shè)計(jì)，對(duì)磨煤機(jī)出口溫度和入口負(fù)壓進(jìn)行解耦設(shè)計(jì)，用熱風(fēng)門控制出口溫度、由溫風(fēng)控制入口負(fù)壓.Takagi和Surgeons提出基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)，文獻(xiàn)[2]將模糊神經(jīng)網(wǎng)絡(luò)在應(yīng)用與球磨機(jī)的控制上也有很大的成效，能夠適應(yīng)球磨機(jī)的運(yùn)行工況的變化而引起的動(dòng)態(tài)特性的變化，因?yàn)樯窠?jīng)網(wǎng)絡(luò)具備強(qiáng)大的學(xué)習(xí)能力及對(duì)外界環(huán)境優(yōu)秀的適應(yīng)能力，并且能夠?qū)Ψ蔷€性函數(shù)進(jìn)行逼近且不依賴準(zhǔn)確的數(shù)學(xué)模型.所以神經(jīng)網(wǎng)絡(luò)控制能夠在球磨機(jī)的控制中起到一定的作用和效果.

1 大腦情感學(xué)習(xí)智能控制模型

大腦情感學(xué)習(xí)模型(BEL)是在模擬了杏仁體和眶額皮質(zhì)的情感信息交互方式的基礎(chǔ)上建立的[3]，主要分為杏仁核和眶額皮質(zhì)兩大主要組成部分.杏仁體是大腦對(duì)于情感進(jìn)行加工記憶處理的重要部位，而眶額皮質(zhì)重要部分主要處理來(lái)自丘腦的刺激，負(fù)責(zé)加工感官皮層和杏仁核提供的刺激.對(duì)每一組情感信號(hào)，BEL模型內(nèi)部都會(huì)設(shè)立相對(duì)應(yīng)的節(jié)點(diǎn)來(lái)處理.感官輸入信號(hào)SI(Sensory Input)作為BEL模型輸入信號(hào)是由感官輸入函數(shù)計(jì)算得出，而另一則獎(jiǎng)勵(lì)(Reward)輸入信號(hào)由情感暗示函數(shù)計(jì)算得出.杏仁體的輸入信號(hào)主要來(lái)自感官輸入信號(hào)SI、獎(jiǎng)勵(lì)信號(hào)REW以及來(lái)自丘腦(Thalamus)的信號(hào)Ath，眶額皮質(zhì)所接收的刺激信號(hào)主要是感官皮質(zhì)輸入信號(hào)SI和來(lái)自杏仁體的信號(hào)，而不會(huì)受到丘腦的信號(hào)刺激，BEL模型結(jié)構(gòu)如圖1所示[3-4].

圖1 BEL大腦情感學(xué)習(xí)模型

(1)

杏仁體的輸出值A(chǔ)i和眶額皮質(zhì)的輸出值Oi分別為：

Ai=SIi·Vi，i=1，2，…，m，

Am+1=Ath·Vm+1；

(2)

Oi=SIi·Wi，i=1，2，…，m.

(3)

其中：Vi是對(duì)應(yīng)節(jié)點(diǎn)Ai的權(quán)值，Wi是對(duì)應(yīng)節(jié)點(diǎn)Oi的權(quán)值.

同時(shí)BEL模型以特殊的仿生學(xué)權(quán)值學(xué)習(xí)調(diào)整杏仁體和眶額皮質(zhì)的連接權(quán)值，具體公式為：

(4)

(5)

其中：λv和λw分別為杏仁體和眶額皮質(zhì)內(nèi)的學(xué)習(xí)率；E′為不受丘腦組織刺激信號(hào)時(shí)的杏仁體部分的BEL模型輸出，表示為

(6)

由(4)式和(5)式可以看出，杏仁體內(nèi)的權(quán)值調(diào)節(jié)律ΔVi的正負(fù)始終與SIi保持一致，說(shuō)明杏仁體內(nèi)的情感刺激信號(hào)只要經(jīng)過(guò)學(xué)習(xí)之后，將被永久記憶、狀態(tài)始終被保持.然后眶額皮質(zhì)內(nèi)的權(quán)值調(diào)節(jié)步長(zhǎng)ΔWi可取正負(fù)，表明眶額皮質(zhì)在學(xué)習(xí)過(guò)程中起到了對(duì)杏仁體抑制和修正的功能，通過(guò)獎(jiǎng)勵(lì)信號(hào)REW的指引作用減小了誤差，指引杏仁體向所預(yù)定的期望值進(jìn)行學(xué)習(xí)[3].BEL模型的輸出為

(7)

C.Lucas等人于2004年將大腦情感學(xué)習(xí)模型引入智能控制領(lǐng)域[4]，提出了基于大腦情感學(xué)習(xí)模型的智能控制器(Brain Emotional Learning Based Intelligent Controller，BELBIC).基于BELBIC已經(jīng)被證明具有較強(qiáng)的魯棒性，并且能夠應(yīng)用在多輸入、多輸出系統(tǒng)中，還具備簡(jiǎn)單、快速響應(yīng)和得到比較良好的控制品質(zhì)的特點(diǎn)[4].使用BELBIC作為控制器的控制系統(tǒng)結(jié)構(gòu)如圖2所示.圖中：y為系統(tǒng)的輸出；r為系統(tǒng)的輸入；REW為大腦情感學(xué)習(xí)智能控制器的情感獎(jiǎng)勵(lì)輸入；SI為情感輸入；u為大腦情感學(xué)習(xí)智能控制器的輸出；e為系統(tǒng)控制誤差.

圖2 基于BELBIC的控制系統(tǒng)結(jié)構(gòu)示意圖

獎(jiǎng)勵(lì)信號(hào)REW可以設(shè)置為關(guān)于BEL模型輸出E、系統(tǒng)誤差e和系統(tǒng)輸出y的函數(shù)，表示為

REW=J(e，E，y).

(8)

同時(shí)感官輸入信號(hào)通過(guò)情感輸入函數(shù)得出，一般設(shè)置為關(guān)于系統(tǒng)輸入r、系統(tǒng)輸出y、系統(tǒng)控制誤差e的函數(shù)，即

(9)

為了簡(jiǎn)單起見，本文選擇REW和SI信號(hào)為：

(10)

(11)

其中k1，k2，k3，k4，k5和k6為常數(shù)，可以事先設(shè)定.

2 基于BELBIC和模糊神經(jīng)網(wǎng)絡(luò)的球磨機(jī)控制解耦系統(tǒng)設(shè)計(jì)

為了最大限度消除球磨機(jī)系統(tǒng)耦合現(xiàn)象，本文先利用模糊神經(jīng)網(wǎng)絡(luò)(FNN)設(shè)計(jì)了球磨機(jī)控制系統(tǒng)解耦環(huán)節(jié)，然后設(shè)計(jì)了BELBIC球磨機(jī)控制器，系統(tǒng)結(jié)構(gòu)如圖3所示.圖中：RM1和RM2為系統(tǒng)參考模型，t和p分別為球磨機(jī)出口溫度和入口負(fù)壓.在此解耦模型中每個(gè)FNN解耦器都是單輸出的，它只負(fù)責(zé)一個(gè)通道的解耦，因此它的結(jié)構(gòu)比較簡(jiǎn)單，另外，它的指標(biāo)函數(shù)也非常簡(jiǎn)單，因?yàn)榭偟哪繕?biāo)函數(shù)已經(jīng)被分解為單一的目標(biāo)函數(shù)，而且不必再考慮解耦器本身各通道之間的交連問(wèn)題[6-7].因此，采用分散解耦可以實(shí)現(xiàn)對(duì)多變量非線性系統(tǒng)的解耦.如圖3所示，球磨機(jī)控制系統(tǒng)只需要2個(gè)解耦補(bǔ)償器N1，2和N2，1，從而更加簡(jiǎn)單的解決了強(qiáng)耦合的問(wèn)題.

圖3 BELBIC和FNN的球磨機(jī)控制解耦模型

以FNN模型為例，來(lái)推導(dǎo)其用于解耦的具體算法.圖4為解耦器N1，2的結(jié)構(gòu)圖.圖中：k1，k2為解耦器N1，2的輸入及其變化率的量化因子；k3為比例因子，圖中線框內(nèi)為FNN.

圖4 FNN解耦器N1，2的結(jié)構(gòu)

根據(jù)上面的分析和FNN的特點(diǎn)可以得到FNN輸入層神經(jīng)元數(shù)為2，輸出層神經(jīng)元數(shù)為1.設(shè)每個(gè)輸入變量均被分為5個(gè)模糊子集，則第2層模糊層有10個(gè)節(jié)點(diǎn)，第3層的初始節(jié)點(diǎn)數(shù)為25個(gè)，第4層規(guī)則合并層的初始節(jié)點(diǎn)也為25個(gè).

以FNN中N1，2和N2，1為例，根據(jù)FNN的運(yùn)算過(guò)程并結(jié)合解耦過(guò)程可以得到：

因此有：

(12)

(13)

FNN中的規(guī)則數(shù)以及隸屬度函數(shù)中心(寬度)、權(quán)值等可通過(guò)梯度下降法或GA進(jìn)行優(yōu)化[8].整理以上推導(dǎo)的結(jié)果，可以得出求分散式FNN解耦器的步驟：

(1) 將FNN解耦器與球磨機(jī)出口溫度t和入口負(fù)壓p(被控對(duì)象)串聯(lián)；

(2) 去掉球磨機(jī)解耦系統(tǒng)的反饋和BELBIC控制器，使系統(tǒng)處于開環(huán)狀態(tài)；

(3) 設(shè)定FNN解耦器規(guī)則數(shù)及參數(shù)的初始值；

(4) 將球磨機(jī)出口溫度作為系統(tǒng)輸入且加入階躍響應(yīng)信號(hào)，其他通道的輸入為0；

(5) 通過(guò)遺傳算法優(yōu)化獲得通道1對(duì)于通道2的FNN解耦器的規(guī)則數(shù)及參數(shù)值，構(gòu)建FNN解耦器N1，2，使通道2球磨機(jī)入口負(fù)壓p輸出y2等于期望輸出Y2；

(6) 將通道2的輸入加入球磨機(jī)入口負(fù)壓p作為階躍響應(yīng)信號(hào)，通道1的輸入為0；

(7) 仿照(5)通過(guò)遺傳算法優(yōu)化獲得通道2對(duì)于通道1的FNN解耦器的規(guī)則數(shù)及參數(shù)值，構(gòu)建出FNN解耦器N2，1.

本文設(shè)計(jì)控制方案具體計(jì)算步驟如下：

(1) 設(shè)定BELBIC模型參數(shù)，并對(duì)其權(quán)值進(jìn)行初始化；

(2) 根據(jù)(7)式計(jì)算BELBIC輸出；

(3) 計(jì)算解耦環(huán)節(jié)FNN輸出；

(4) 計(jì)算參考模型與球磨機(jī)系統(tǒng)模型輸出；

(5) 根據(jù)(4)和(5)式更新BELBIC權(quán)值；

(6) 重復(fù)(2)—(5)直至設(shè)定時(shí)間為止.

3 結(jié)果與分析

為了驗(yàn)證基于大腦情感學(xué)習(xí)和模糊神經(jīng)網(wǎng)絡(luò)的球磨機(jī)解耦控制系統(tǒng)的有效性，為了便于比較，同時(shí)采用了PID和FNN相結(jié)合的控制方案并進(jìn)行了仿真實(shí)驗(yàn)(文中簡(jiǎn)稱PID+FNN解耦控制).利用文獻(xiàn)[5]給出的球磨機(jī)模型得到相應(yīng)的傳遞函數(shù)進(jìn)行仿真.

球磨機(jī)系統(tǒng)數(shù)學(xué)模型為

圖5可以看出模糊神經(jīng)網(wǎng)絡(luò)(FNN)解耦控制器大大削弱了球磨機(jī)出口溫度t和入口負(fù)壓p2個(gè)回路之間的相互影響，在此基礎(chǔ)上，可近似將雙輸入雙輸出的球磨機(jī)系統(tǒng)等同于2個(gè)簡(jiǎn)單單閉環(huán)系統(tǒng).

圖5 球磨機(jī)系統(tǒng)解耦響應(yīng)曲線

在圖6中，y1代表球磨機(jī)出口溫度，y2代表球磨機(jī)入口負(fù)壓.由2個(gè)圖對(duì)比可知BELBIC+FNN的解耦控制方法的超調(diào)量、調(diào)節(jié)時(shí)間明顯優(yōu)于PID+FNN解耦控制方案.

為測(cè)試本文設(shè)計(jì)球磨機(jī)控制系統(tǒng)抗干擾性，在球磨機(jī)控制系統(tǒng)趨于穩(wěn)定(500 s)后，在系統(tǒng)內(nèi)加入幅值為0.1的單位沖激擾動(dòng)信號(hào)，響應(yīng)曲線如圖7所示.由圖7可以看出，基于BEL模型的控制方法在有干擾的情況下相比于PID控制器能夠較快地恢復(fù)穩(wěn)定并且無(wú)震蕩.

(a)PID+FNN解耦控制 (b)BELBIC+FNN解耦控制

圖6 球磨機(jī)控制階躍響應(yīng)曲線

圖7 單位脈沖干擾信號(hào)下的響應(yīng)曲線

4 結(jié)論

在傳統(tǒng)球磨機(jī)系統(tǒng)控制過(guò)程中存在的多變量、強(qiáng)耦合的特點(diǎn)，本文引入了基于大腦情感學(xué)習(xí)模型，構(gòu)建了大腦情感學(xué)習(xí)控制器，該控制方法具有簡(jiǎn)單、響應(yīng)速度快、抗干擾能力強(qiáng)等特點(diǎn)，并且優(yōu)于其他傳統(tǒng)類型的控制器，同時(shí)加入模糊神經(jīng)網(wǎng)絡(luò)(FNN)更好的解決了球磨機(jī)控制變量存在的強(qiáng)耦合的問(wèn)題.

[1] 程啟明，程尹曼，汪明媚，等.球磨機(jī)混合優(yōu)化前向神經(jīng)網(wǎng)絡(luò)PID解耦控制系統(tǒng)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2010(2)：54-59.

[2] 吳杰康，陳明華，陳國(guó)通.基于PSO的模糊神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2010(2)：54-59.

[3] 王帥夫，劉景林.基于大腦情感學(xué)習(xí)模型的步進(jìn)電機(jī)控制系統(tǒng)[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2014(3)：765-770.

[4] LUCAS C，SHAHMIRZADI D，SHEIKHOLESLAMI N.Introducing BELBIC：brain emotional learning based intelligent controller[J].Intelligent Automation & Soft Computing，2004，10(1)：11-21.

[5] 楊國(guó)亮，余佳偉，魯海榮.情感智能的球磨機(jī)系統(tǒng)內(nèi)模控制研究[J].2015(9)：1071-1074.

[6] 劉長(zhǎng)良，梁偉平，李長(zhǎng)青.火電廠球磨機(jī)制粉系統(tǒng)的自調(diào)整模糊控制[J].中國(guó)電機(jī)工程學(xué)報(bào)，2001(12)：93-96.

[7] 吳杰康，陳明華，陳國(guó)通.基于PSO的模糊神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2007(1)：63-67.

[8] 白江斌，金慰剛，張建華.電廠球磨機(jī)的模糊神經(jīng)網(wǎng)絡(luò)控制[J].儀器儀表用戶，2007，14(1)：43-45.

(責(zé)任編輯：石紹慶)

BELBIC and FNN for ball mill decoupling control system research

YANG Guo-liang， QIAN Liang，ZHU Song-wei

(School of Electrical Engineering and Automation，Jiangxi University of Science and Technology，Ganzhou 341000，China)

In view of the multi variable，strong coupling and time-varying characteristics of the ball mill system，a compound control scheme based on brain emotional learning intelligent controller (BELBIC) and fuzzy neural network (FNN) is proposed.Using the adaptive learning ability of the fuzzy neural network，the decoupling device of the ball mill is designed，which effectively eliminates the coupling phenomenon.Through the simulation experiments，the control scheme proposed in this paper is better than the traditional decoupling control method，which can solve the problem of strong coupling of ball mill and has good robustness.

brain emotional learning based intelligent controller；ball mill system；fuzzy neural network；decoupling control

1000-1832(2016)04-0078-05

10.16163/j.cnki.22-1123/n.2016.04.017

2015-11-25

國(guó)家自然科學(xué)基金資助項(xiàng)目(51365017，61305019)；江西省青年科學(xué)基金資助項(xiàng)目(20132bab211032).

楊國(guó)亮(1973—)，男，博士，教授，主要從事智能控制、模式識(shí)別與圖像處理研究；通信作者：錢亮(1990—)，男，碩士，主要從事智能控制研究.

TP 273 [學(xué)科代碼] 510·80

A