孫明革 張嘉誠 羅 唯

（吉林化工學院信息與控制工程學院，吉林 吉林132022）

伴隨著工業(yè)的日漸發(fā)達，控制領域也發(fā)展的越來越完善。液位控制在工業(yè)生產(chǎn)中較為普遍，如灌裝工藝、配液添加、溶液過濾、污水處理等多種行業(yè)的生產(chǎn)過程中都需要對一些工藝介質液位進行適當?shù)目刂?，而很多液位系統(tǒng)都可以抽象成水箱系統(tǒng)模型。水箱系統(tǒng)具有時變性、滯后性和非線性等特性，能夠很好地模擬復雜工業(yè)液位系統(tǒng)的一些特性。系統(tǒng)數(shù)學模型的建立對于控制系統(tǒng)的意義重大，因此在研究液位系統(tǒng)過程中，辨識系統(tǒng)模型這項工作變得尤為重要[1]。應用BP 神經(jīng)網(wǎng)絡辨識雙容水箱液位控制系統(tǒng)為該領域貢獻了新的方法。

1 雙容水箱液位控制系統(tǒng)簡述

本課題研究的水箱系統(tǒng)為自主設計搭建的二階雙容水箱液位控制系統(tǒng)。水箱結構包括儲水箱、上水箱、下水箱、超聲波液位計、電磁流量計、電動調(diào)節(jié)閥和無刷直流水泵，系統(tǒng)結構示意圖如圖1 所示。無刷直流水泵將儲水箱中的水抽出，經(jīng)電動調(diào)節(jié)閥調(diào)節(jié)開度改變給水量大小，水被送到上水箱，流經(jīng)下水箱回到儲水箱。上、下水箱為串聯(lián)互錯上下式結構，大小相同，高度為250mm。本課題目的在于控制雙容水箱的液位，使其穩(wěn)定在設定值附近。

2 BP 神經(jīng)網(wǎng)絡辨識概述

圖1 雙容水箱系統(tǒng)結構示意圖

辨識系統(tǒng)即為通過建立的系統(tǒng)結構測得實際輸入輸出數(shù)據(jù)，經(jīng)過算法訓練后，得到一個與原系統(tǒng)等價的理想模型。本課題利用BP 神經(jīng)網(wǎng)絡辨識雙容水箱液位系統(tǒng)模型，將電動調(diào)節(jié)閥開度由0%調(diào)整至70%，從而調(diào)整進水流量作為輸入層信號值[2]，將水泵開至最大功率向上水箱供水，下水箱液位高度作為輸出數(shù)據(jù)，示波器可以觀察到實時變化的液位隨時間變化的曲線。辨識過程采用并聯(lián)方式訓練單輸入單輸出模型，如圖2 所示，訓練結束后模型成立，與雙容水箱系統(tǒng)等價，實際曲線與仿真曲線基本一致，即為辨識成功[3]。

3 辨識系統(tǒng)

圖2 雙容水箱辨識系統(tǒng)示意圖

圖3 仿真曲線與實際曲線

在LabVIEW 軟件控制畫面中，將AO1無刷直流水泵賦最高電壓5V，將AO0電動調(diào)節(jié)閥賦3.5V，即70%開度，在系統(tǒng)連續(xù)運行狀態(tài)下電動閥由0%逐漸開至70%，測得一條AI3下水箱液位高度隨時間變化的開環(huán)曲線，并將時間和高度一一對應的數(shù)據(jù)導出至Excel 表格中。在MATLAB 中導入開環(huán)曲線數(shù)據(jù)，在本次單輸入單輸出系統(tǒng)結構中，借助試湊法逐步確定隱含層中神經(jīng)元個數(shù)，經(jīng)測試得出網(wǎng)絡隱含層神經(jīng)元為8 個時模型效果最好。辨識過程中不斷調(diào)整權值閾值，并且設置學習率為0.03、迭代次數(shù)為3000。

4 仿真結果

本課題研究的雙容水箱系統(tǒng)具有大慣性、時滯的特點，結合獲取的實際液位變化曲線，本文用二階慣性加純滯后模型近似表達[4]，模型表達式如公式（1）所示。

經(jīng)BP 神經(jīng)網(wǎng)絡算法辨識，得到增益K、時間常數(shù)T1、T2的理想值分別為9.1221x10-4、2.0382、239.484。在模型表達式中為滯后時間，根據(jù)液位變化曲線，從閥門開度改變到水箱實際液位有變化，歷時11 秒，所以滯后時間為11 秒[5]。辨識結果如圖3所示。

上述曲線中紅色點劃線表示實際曲線，藍色實線為仿真理想曲線。通過曲線我們可以看出，用BP 神經(jīng)網(wǎng)絡辨識的系統(tǒng)模型與實際模型相差較小，辨識結果比較理想。因此，可以得到該二階雙容水箱的傳遞函數(shù)模型如公式（2）所示。