蔣 爽,劉世紀(jì),高禮科,倪福生
(1.河海大學(xué) 機(jī)電工程學(xué)院,江蘇 常州 213022;2.河海大學(xué) 疏浚技術(shù)教育部工程研究中心,江蘇 常州 213022)
疏浚是指使用挖泥船等具有挖掘輸送功能的裝置對水下土石方進(jìn)行開采作業(yè)的工程[1]。管道輸送系統(tǒng)作為挖泥船系統(tǒng)的關(guān)鍵部分之一,直接影響疏浚施工效率。由于水底土質(zhì)復(fù)雜、地形起伏變化,使得輸送物料組成多變,輸送濃度變化較大,導(dǎo)致輸送流速波動,物料容易沉積,進(jìn)而堵塞管路,所以泥漿流速穩(wěn)定控制對管道輸送的安全至關(guān)重要[2]。但由于泥漿自身的質(zhì)量大、慣性大,使得改變泥漿流速需要較長時間,系統(tǒng)響應(yīng)時間慢,延時明顯,這些問題導(dǎo)致了泥漿流速控制困難[3]。
國內(nèi)有學(xué)者對泥漿流速控制進(jìn)行了諸多研究。閉治躍針對泥漿流速對象建模,提出一種無辨識單神經(jīng)元自適應(yīng)預(yù)估控制。高禮科針對泥漿流速穩(wěn)定,使用模糊pid對調(diào)速系統(tǒng)進(jìn)行控制。潘成廣提出無模型自適應(yīng)前饋控制,使得泥漿管道輸送擁有良好的控制作用。上述研究提出的控制方法對于流速控制有一定效果,但大多停留在仿真階段,并沒有實驗驗證[3-6],部分模型相對簡單,在濃度小幅變化時效果較好,但當(dāng)濃度變化幅度較大或者較為劇烈時,無法很好的實現(xiàn)跟蹤控制。
PID控制器因其控制結(jié)構(gòu)簡單、參數(shù)調(diào)整便捷且具有良好的魯棒性而在工業(yè)控制領(lǐng)域中有著廣泛的使用,疏浚工程中通常也采用傳統(tǒng)PID對流速進(jìn)行控制,但多存在參數(shù)固定,自適應(yīng)效果較差等問題,難以應(yīng)對復(fù)雜多變的泥漿輸送系統(tǒng)。如粗大顆粒長距離輸送時,由于流態(tài)在推移質(zhì)、懸移質(zhì)之間不斷切換,濃度波動幅度和頻率變化劇烈,傳統(tǒng)PID控制器因適應(yīng)性不強(qiáng),易發(fā)生堵管等故障。神經(jīng)網(wǎng)絡(luò)由于其工作原理而具有很強(qiáng)的學(xué)習(xí)性和適應(yīng)性,由神經(jīng)網(wǎng)絡(luò)構(gòu)成的控制算法結(jié)構(gòu)簡單、易于實現(xiàn),具有較強(qiáng)的自適應(yīng)性、魯棒性和較高的容錯率,非常適用于解決非線性和不確定系統(tǒng)的控制問題[7],故此本文基于流速實驗數(shù)據(jù),在建立泥漿管道輸送系統(tǒng)仿真模型的基礎(chǔ)上,設(shè)計神經(jīng)網(wǎng)絡(luò)PID控制器,采用神經(jīng)網(wǎng)絡(luò)對PID參數(shù)進(jìn)行自適應(yīng)調(diào)整,以達(dá)到最優(yōu)的控制效果,并對控制器進(jìn)行仿真以及模型實驗驗證控制性能。
挖泥船管道輸送過程主要是將絞刀或耙頭破碎水下土壤形成的砂水混合物,通過泥泵進(jìn)行加速,沿排泥管排放至指定位置[4]。河海大學(xué)依據(jù)挖泥船的實際管線布置及輸送過程,設(shè)計搭建了疏浚泥泵管道輸送模型實驗臺,結(jié)構(gòu)及組成如圖1所示。
圖1 實驗平臺整體結(jié)構(gòu)框圖
實驗平臺硬件各部分:1-濃度計,2-流量計,3~22 kW泥泵機(jī)組,4-循環(huán)管路,5-泵出口壓力傳感器,6-泵入口壓力傳感器,7-加料斗,8-堵料鋼管,9-進(jìn)料閥門,10-水平閥門,11-收料閥門,12-控制柜,13-變頻器柜。
實驗臺工作時,首先將循環(huán)管路充滿水,由變頻器驅(qū)動泥泵電機(jī),帶動泥泵旋轉(zhuǎn)形成循環(huán)水流,然后根據(jù)實驗要求,通過加沙斗將一定量的泥沙逐步加入到循環(huán)管路中,改變變頻器頻率即可改變管路中砂水混合物的流速,從而模擬挖泥船泥漿的輸送過程。
工業(yè)上大部分系統(tǒng)和過程均具有非線性、延時大等特點(diǎn),這導(dǎo)致了建立其準(zhǔn)確數(shù)值仿真模型的困難,所以一般會將這些系統(tǒng)和過程近似成帶時滯的線性系統(tǒng)來研究,并采用系統(tǒng)辨識或者機(jī)理建模的方式來獲得仿真模型[8]。由于泥漿管道輸送系統(tǒng)的物料組成、濃度不確定,參數(shù)時變性較強(qiáng),且具有非線性、大時滯、參數(shù)時變特點(diǎn),本文采用受控自回歸模型(CAR)來描述泥漿管道輸送系統(tǒng),并通過實驗和數(shù)值處理的方式對系統(tǒng)的仿真模型進(jìn)行離線辨識,CAR模型的一般形式如式所示。
A(z)y(k)=z(-d)B(z)u(k)+ξ(k)
(1)
式中,A(z)=1+a1z-1+a2z-2+…+anz-n;B(z)=b0+b1z-1+b2z-2+ …+bnz-n;ξ(k)為k時刻的隨機(jī)干擾;z-1為單位后移算子。將式(1)整理可得:
y(k)=φT(k-1)θ+ξ(k)
(2)
其中:φ(k)為信息向量:
φΤ(k-1)=
[-y(-k-1),-y(-k-2),…,-y(-k-n);
u(k-d),u(k-d-1),…,u(k-d-n)]
θ為參數(shù)向量:
θ=[a1,a2,…,an;b1,b2,…,bn]T;
在實際疏浚過程中,平均輸送濃度大約在10%到30%,所以本文對濃度Cv為20%的泥漿管道輸送系統(tǒng)進(jìn)行系統(tǒng)辨識。實驗臺控制過程如圖所示,系統(tǒng)的輸入u(k)為上位機(jī)給定的變頻器頻率,輸出y(k)為泥漿流速v。
圖2 實驗臺泥漿管道輸送過程
為了獲得系統(tǒng)的仿真模型,需要確定系統(tǒng)的時滯時間,本文使用階躍信號來確定泥漿響應(yīng)時滯時間。在實驗工況為20%泥漿濃度的條件下,變頻器初始頻率為5 Hz,終止頻率為30 Hz,記錄管道中泥漿隨變頻器啟動后的流速變化情況,監(jiān)控系統(tǒng)采樣時間為0.1 s,管道輸送輸入頻率從5 Hz變化到30 Hz的系統(tǒng)響應(yīng)如圖1所示
圖3 泥漿流速響應(yīng)圖
圖3中可以看出泥漿時滯時間約為2.8 s,設(shè)定系統(tǒng)采樣時間為1 s,單位后移算子d=3,由于二階系統(tǒng)足以描述常用系統(tǒng)模型,設(shè)定泥漿管道輸送系統(tǒng)仿真模型階數(shù)n=2,可得待辨識CAR模型如下式所示:
y(k)=a1y(k-1)+a2y(k-2)+b1u(k-3)+
b2u(k-4)+b3u(k-5)
(3)
由CAR模型可知,待辨識參數(shù)為5個,為了提高CAR模型辨識結(jié)果的精度以及參數(shù)的收斂速度,本文使用改進(jìn)的粒子群算法對模型參數(shù)進(jìn)行辨識。但傳統(tǒng)粒子群算法的缺點(diǎn)是容易陷入局部極值以致提前收斂、搜索效率低,本文將變異操作加入到粒子群搜索過程中,其原理是在每一次迭代過程中,隨機(jī)選取一個粒子執(zhí)行變異操作,變異后的粒子可以增加整個粒子群的搜索范圍,能夠粒子及時跳出局部極值,提高算法收斂的效率。經(jīng)參數(shù)辨識后,20%濃度管道輸送系統(tǒng)仿真模型為:
y(k)=1.1430y(k-1)-0.2461y(k-2)+
0.0942u(k-3)
(4)
將模型仿真結(jié)果與20%濃度泥漿流速變化實驗數(shù)據(jù)進(jìn)行對比,得出與實驗數(shù)據(jù)的吻合程度為91.09%,如圖2所示,可以看出模型預(yù)測的流速和實際流速差別不大,能較為準(zhǔn)確地反映泥漿的動態(tài)特性。
圖4 辨識結(jié)果和實驗數(shù)據(jù)對比
BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network)能夠?qū)θ我夥蔷€性函數(shù)進(jìn)行擬合,且結(jié)構(gòu)清晰、算法明確,故此選用BP神經(jīng)網(wǎng)絡(luò)與PID進(jìn)行結(jié)合,通過對各層神經(jīng)元的權(quán)值進(jìn)行反向傳播調(diào)整,可對參數(shù)之間的關(guān)系進(jìn)行自學(xué)習(xí),以找出某一控制律下的最優(yōu)PID參數(shù),進(jìn)而代替人為經(jīng)驗給定,提升控制效果[9]?;贐P神經(jīng)網(wǎng)絡(luò)的PID控制器的流速控制框圖如圖5所示,其中,v*為期望流速;e為實際流速和期望流速的偏差;u為系統(tǒng)控制量;v為泥漿流速。Kp、Ki、Kd分別為PID控制器的比例系數(shù)、積分系數(shù)、微分系數(shù)。
圖5 BP神經(jīng)網(wǎng)絡(luò)PID流速控制框圖
為了保證在工業(yè)控制中的控制穩(wěn)定性,避免執(zhí)行機(jī)構(gòu)因傳感器故障而產(chǎn)生大幅度動作,大多采用增量式PID控制,控制算法如下[10]:
(u(k)=u(k-1)+Δu(k)
(5)
Δu(k)=KP[e(k)-e(k-1)]+Kie(k)+
Kd[e(k)-2e(k-1)+e(k-2)]
可以看出,控制增量只與系統(tǒng)歷史3個時刻的采樣有關(guān),對系統(tǒng)動作影響較小,避免了誤差累積。將Kp、Ki、Kd作為系統(tǒng)可調(diào)系數(shù)時,可將式(6)描述為:
u(k)=f[u(k-1),Kp,Ki,Kd,e(k),
e(k-1),e(k-2)]
(6)
式中的函數(shù)f是與u(k-1)、Kp、Ki、Kd、e(k)、e(k-1)、e(k-2)有關(guān)的非線性函數(shù),可通過BPNN的非線性逼近能力對該函數(shù)進(jìn)行逼近,找出最優(yōu)控制律。
為了降低網(wǎng)絡(luò)規(guī)模、提高網(wǎng)絡(luò)的計算效率,在滿足輸入輸出要求的情況下,應(yīng)盡可能減少隱含層的神經(jīng)元個數(shù)和層數(shù)。在BP-PID控制器設(shè)計中,網(wǎng)絡(luò)輸入量對應(yīng)的是被控系統(tǒng)的各種運(yùn)行參數(shù),網(wǎng)絡(luò)輸出量則為控制器3個參數(shù)Kp、Ki、Kd。隱含層用于從輸入信號中提取特征,一般選擇1層。初始連接權(quán)值的選擇影響著神經(jīng)網(wǎng)絡(luò)的收斂結(jié)果,所以在初始化連接權(quán)值時,為了提升收斂效率,一般選擇稍小的權(quán)值。在激活函數(shù)選擇時,由于網(wǎng)絡(luò)輸出量為Kp、Ki、Kd,均為非負(fù)值,所以選擇非負(fù)型Sigmoid函數(shù)作為輸出層的激活函數(shù):
(7)
采樣當(dāng)前時刻的系統(tǒng)期望值r(k)和實際輸出值y(k),計算e(k)=r(k)-y(k)。此時網(wǎng)絡(luò)輸入為:
oi(1)=x(j)(j=1,2,…,M)
(8)
神經(jīng)網(wǎng)絡(luò)隱含層輸入和輸出分別如下:
(9)
輸出層輸入和輸出分別如下:
(10)
函數(shù)f(x)、g(x)代表對計算結(jié)果進(jìn)行非線性映射。輸出層的3個輸出分別對應(yīng)PID參數(shù)Kp、Ki、Kd,由式(6)的控制算法即可計算得出控制器輸出的控制量u(k)。
網(wǎng)絡(luò)采用反向傳播算法更新參數(shù),取性能指標(biāo)函數(shù)E(k)為:
(11)
使用梯度下降法依次對各層神經(jīng)元的連接權(quán)值進(jìn)行調(diào)整,為了加快網(wǎng)絡(luò)反向訓(xùn)練的計算速度,添加了考慮歷史權(quán)值調(diào)整程度的慣性項,當(dāng)網(wǎng)絡(luò)的學(xué)習(xí)速率為η、慣性項的動量因子為α?xí)r,輸出層各神經(jīng)元的連接權(quán)值的調(diào)整量為:
(12)
同樣的,對隱含層神經(jīng)元的連接權(quán)值也進(jìn)行相應(yīng)調(diào)整,多次迭代計算后達(dá)到預(yù)期指標(biāo)。
在輸送過程中,泥漿濃度增加,泥漿的臨界流速值將會提高,輸送流速安全余量減少,此時泥漿中的物料可能會產(chǎn)生沉積并淤積在管道內(nèi),影響管路輸送,甚至?xí)斐晒苈范氯?,所以泥漿流速改變的過程需要較快的響應(yīng)時間,同時,由于泥漿成分復(fù)雜、特性容易變化、容易產(chǎn)生波動,所以流速控制的過程也要穩(wěn)定,這就對控制器的各項控制指標(biāo)提出了較高的要求。
本文采用BP神經(jīng)網(wǎng)絡(luò)PID控制器對泥漿管道輸送系統(tǒng)進(jìn)行流速跟蹤控制仿真,仿真模型采用20%濃度泥漿的CAR模型,以階躍響應(yīng)來研究控制器的各項控制性能,并與其他常用PID整定方法對比,驗證BP-PID控制器的流速控制效果。BP神經(jīng)網(wǎng)絡(luò)PID控制器采用MATLAB中的S-function進(jìn)行設(shè)計,并在Simulink中進(jìn)行仿真,如圖6所示。
圖6 BP-PID控制系統(tǒng)仿真框圖
BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)為3層,包含輸入層、隱含層、輸出層。各層神經(jīng)元個數(shù)分別為4、5、3,輸入層的4個輸入量分別為期望值、當(dāng)前值、誤差值、以及偏置項常數(shù)1;輸出層為PID的3個參數(shù):Kp、Ki、Kd;隱含層數(shù)設(shè)置為可調(diào)參數(shù),由于隱含層神經(jīng)元越多控制器越復(fù)雜,收斂速度越慢,所以選定隱含層神經(jīng)元個數(shù)為5。
為了減少計算量以及考慮管道輸送過程的實際情況,采樣時間本文設(shè)置為1 s。由于學(xué)習(xí)速率和動量因子的選取對網(wǎng)絡(luò)收斂速度有很大的影響,學(xué)習(xí)速率依據(jù)經(jīng)驗可在0.01至0.8之間選取,其取值不同對算法學(xué)習(xí)效果有很大影響。適當(dāng)增大學(xué)習(xí)速率,對網(wǎng)絡(luò)的收斂速度有一定的改善,但學(xué)習(xí)速率如果過大,則容易造成網(wǎng)絡(luò)發(fā)散;動量因子的取值也有一定的選取范圍,一般在0到0.1之間選取,太大也也會造成網(wǎng)絡(luò)不收斂。經(jīng)過多次仿真實驗驗證,學(xué)習(xí)速率定為0.2,動量因子定為0.02時,控制誤差下降速率很快,且網(wǎng)絡(luò)收斂。
設(shè)定期望流速信號為階躍信號,BP神經(jīng)網(wǎng)絡(luò)PID控制器的階躍響應(yīng)曲線如圖7(a)所示,系統(tǒng)控制量變化情況如圖7(b)所示。圖7(a)中,系統(tǒng)上升時間約為6.7 s,超調(diào)量為3.8%,調(diào)節(jié)時間11 s,震蕩次數(shù)為0次。整體調(diào)節(jié)過程表現(xiàn)為超調(diào)量小,系統(tǒng)響應(yīng)速度快,調(diào)節(jié)時間短。圖8為調(diào)節(jié)過程中PID各參數(shù)的變化曲線,可以看出BP神經(jīng)網(wǎng)絡(luò)PID在階躍信號變化時通過自我調(diào)整控制參數(shù)完成對被控系統(tǒng)的優(yōu)化控制。
圖7 BP-PID控制器階躍仿真
圖8 BP-PID控制器參數(shù)變化圖
單神經(jīng)元(single neuron)作為神經(jīng)網(wǎng)絡(luò)的基本組成部分和復(fù)雜的神經(jīng)網(wǎng)絡(luò)相比,其結(jié)構(gòu)簡單和魯棒性好,同樣具備一定的自學(xué)習(xí)和自適應(yīng)性,將其與PID結(jié)合,能夠?qū)ID參數(shù)進(jìn)行快速在線整定,有效提升PID的控制性能[11],其控制過程如圖9所示。
圖9 單神經(jīng)元PID流速控制框圖
圖中的輸入轉(zhuǎn)換部分可以將系統(tǒng)設(shè)定流速v*與實際流速v變換為神經(jīng)元自學(xué)習(xí)時所需的輸入狀態(tài)量x(k)。神經(jīng)元通過有監(jiān)督型Hebb學(xué)習(xí)對自身的權(quán)系數(shù)進(jìn)行修正,產(chǎn)生控制信號u(k),實現(xiàn)自適應(yīng)功能。
其中:x1(k)=e(k);x2(k)=e(k)-e(k-1);x3(k)=e(k)-2e(k-1)+e(k-2)。
令wi(k)為神經(jīng)元連接權(quán)值。K為神經(jīng)元的比例系數(shù)(K>0),K越大,系統(tǒng)整體速度越快,但同時超調(diào)量也會增多,而且影響系統(tǒng)整體穩(wěn)定性。根據(jù)圖9可知:
u(k)=u(k-1)+Δu(k)
(13)
Δu(k)=K[w1(k)e(k)+w2(k)[e(k)-e(k-1)]+
w3(k)[e(k)-2e(k-1)+e(k-2)]
(14)
設(shè)系統(tǒng)性能指標(biāo)z(k)=e(k),則k+1時刻連接權(quán)值應(yīng)修正為:
wi(k+1)=wi(k)+ηz(k)u(k)xi(k)
(15)
其中:η為學(xué)習(xí)速率,大于零。
由于Simulink中沒有現(xiàn)成的單神經(jīng)元PID功能模塊,所以本文通過S-function來編寫單神經(jīng)元PID控制代碼,并在Simulink中進(jìn)行仿真,如圖10所示。在仿真參數(shù)設(shè)置中,令初始連接權(quán)值為0.1,K=0.18,各學(xué)習(xí)率分別為xiteP=0.4,xiteI=0.35,xiteD=0.4,神經(jīng)元采用有監(jiān)督型Hebb學(xué)習(xí)規(guī)則,采樣時間為1 s,設(shè)定期望流速信號為階躍信號,單神經(jīng)元PID控制器的階躍響應(yīng)曲線如圖11(a)所示,系統(tǒng)控制量變化情況如圖11(b)所示。圖11(a)中,系統(tǒng)上升時間約為52 s,超調(diào)量為1.3%,小于2%,可視為穩(wěn)定值,故調(diào)節(jié)時間也為52 s,震蕩次數(shù)為0次。整體調(diào)節(jié)過程表現(xiàn)為基本沒有超調(diào)量,但是調(diào)節(jié)時間較長。
圖10 單神經(jīng)元PID控制系統(tǒng)仿真框圖
圖11 單神經(jīng)元PID控制器階躍仿真
BP神經(jīng)網(wǎng)絡(luò)PID(BP-PID)、單神經(jīng)元PID(SN-PID)、PID三種不同整定方法的控制器控制效果對比如圖12所示,性能指標(biāo)對比如圖13所示。由圖13可知,相比于其他兩種控制器的控制結(jié)果,BP神經(jīng)網(wǎng)絡(luò)PID控制器的各項控制性能指標(biāo)均都有了較為明顯的改善,能夠較好地實現(xiàn)泥漿流速跟蹤控制。
圖12 各控制器控制效果對比
圖13 各PID控制器性能指標(biāo)對比
在實際泥漿管道輸送過程中,由于施工環(huán)境復(fù)雜多變,被控對象特性會不斷地進(jìn)行變化,且在輸送過程中存在大量的隨機(jī)干擾信號,無法單單依靠仿真來模擬真實的疏浚施工環(huán)境。因此,本文通過實驗臺進(jìn)行一系列的實驗來模擬挖泥船泥漿管道輸送過程,檢驗控制器在泥漿流速跟蹤控制中的抗干擾能力和自適應(yīng)能力。
為體現(xiàn)流速跟蹤控制效果,實驗?zāi)酀{中顆粒的體積濃度范圍選取~10%到~30%,實驗采用的泥砂為中值粒徑d50=1 mm,顆粒密度為2.54 t/m3的粗砂。若以施工中所采用的原狀土密度1.9 t/m3來計算的話,原狀土的體積濃度為可以達(dá)到~15%到~50%,范圍足夠廣,基本可以覆蓋挖泥船施工的濃度,能夠大致模擬施工中的輸送濃度變化。濃度變化過程采取兩種不同幅度的增減:小幅度增減(~5%)、較大幅度增減(~10%)。實驗濃度及增減幅度方案如表1所示。
表1 實驗濃度及增減幅度方案
當(dāng)濃度變化時,考慮輸送安全和輸送能耗,泥漿的最優(yōu)目標(biāo)流速也會發(fā)生變化,控制器需要自動跟隨目標(biāo)流速的變化,并將其穩(wěn)定控制在該目標(biāo)流速上。因此,通過對不同濃度下最優(yōu)目標(biāo)流速的跟蹤實驗,對本文所采用的BP神經(jīng)網(wǎng)絡(luò)PID控制器進(jìn)行驗證。
在進(jìn)行“濃度小幅度增減實驗一”時,管道內(nèi)濃度的變化范圍為10%~20%,每次濃度增減的幅度為~5%,實驗的輸送濃度和流速的變化如圖14所示。在此實驗中,濃度變化約12%→17%→20%→14%→10%,目標(biāo)流速隨濃度相應(yīng)變化為1.76 m/s→2.35 m/s→2.68 m/s→1.9 m/s→1.62 m/s。
圖14 流速隨濃度變化調(diào)整圖(濃度小幅度增減實驗一)
以上圖虛線框內(nèi)第一個階梯對應(yīng)的濃度、流速調(diào)節(jié)過程為例,大約從973 s開始至1 096 s結(jié)束,濃度由12%逐漸增加至17%,流速從1.76 m/s逐漸增加至2.35 m/s,流速調(diào)整時間約為73 s??梢钥闯?,在濃度開始增加時,流速在前一段時間的變化較小,直到濃度增加到一定值后,流速方才開始變化。流速沒有立即隨濃度變化而變化的原因是由于對目標(biāo)流速設(shè)置了安全閾值,如果工況改變后目標(biāo)流速和原工況的目標(biāo)流速之差在閾值范圍內(nèi),則目標(biāo)流速不會變化,即管路仍以原工況目標(biāo)流速進(jìn)行輸送,防止泥泵轉(zhuǎn)速的小范圍頻繁調(diào)整。
同樣,在濃度超過限制后仍不斷增加時,目標(biāo)流速也會跟隨增加,因為在挖泥船施工過程中,管道內(nèi)的濃度是不斷變化的,不一定會和實驗一樣由一個穩(wěn)態(tài)到另一個穩(wěn)態(tài),如果認(rèn)為必須等到濃度穩(wěn)定后才能改變目標(biāo)流速,那一旦遇到濃度持續(xù)增加的情況,而流速仍維持不變,則極容易造成管道淤積、堵塞,危害生產(chǎn)安全,影響施工效益,因此一旦尋優(yōu)方法給出的目標(biāo)流速超過當(dāng)前目標(biāo)流速的安全閾值,那么目標(biāo)流速就會進(jìn)行更新,保證輸送過程安全。
可以看出在濃度不斷增加的同時,泥漿的實際流速始終跟蹤目標(biāo)流速的變化,濃度停止增加時,流速幾乎同時停止增長。這說明濃度在快速增加且未維持穩(wěn)態(tài)的情況下,BP-PID控制器能夠使流速快速且持續(xù)地對不斷變化的目標(biāo)流速進(jìn)行跟蹤,而且在因濃度變化所帶來的管道系統(tǒng)特性變化的同時,仍能發(fā)揮較好的控制作用,體現(xiàn)了控制器良好的抗干擾性和自適應(yīng)性?!皩嶒灦苯Y(jié)果類似,控制器同樣取得了較好的控制效果。
在濃度較大幅度增減的兩組實驗中,“實驗三”的濃度變化范圍為20%~30%,濃度增減的幅度為~10%,“實驗四”的濃度變化范圍為10%~25%,濃度增減的幅度為~7%和~15%,流速及濃度變化分別如圖15~16所示。
圖16 流速隨濃度變化調(diào)整圖(濃度較大幅度增減實驗四)
由兩圖可知,在濃度變化幅度加大、系統(tǒng)特性劇烈變化的情況下,流速控制曲線仍是表現(xiàn)的較為穩(wěn)定,能夠快速跟蹤目標(biāo)流速的變化,體現(xiàn)了控制器優(yōu)良的控制性能。
本文針對泥漿管道輸送系統(tǒng)非線性、大時滯的特點(diǎn),將BP神經(jīng)網(wǎng)絡(luò)PID應(yīng)用于疏浚管道泥漿流速控制中。在建立以變頻器頻率信號u為輸入、泥漿流速v為輸出的泥漿管道輸送系統(tǒng)仿真模型基礎(chǔ)上,對泥漿流速跟蹤控制所采用的BP神經(jīng)網(wǎng)絡(luò)PID控制器進(jìn)行設(shè)計,并利用MATLAB仿真了控制器的控制效果,將結(jié)果和常規(guī)PID、單神經(jīng)元PID控制器的控制結(jié)果進(jìn)行對比,發(fā)現(xiàn)BP-PID控制器的超調(diào)量僅為3.8%,響應(yīng)時間為11 s,各項性能指標(biāo)均優(yōu)于其他兩種控制器;最后通過~10%到~30%泥漿體積濃度范圍的實驗臺濃度增減變化實驗對流速尋優(yōu)方法和控制方法進(jìn)行驗證。結(jié)果顯示,在較寬的濃度變化范圍內(nèi),本文所提出的尋優(yōu)方法能夠在管道平均濃度發(fā)生增減變化時,均能實現(xiàn)較好的流速尋優(yōu),BP神經(jīng)網(wǎng)絡(luò)PID控制器也能夠快速穩(wěn)定地對最優(yōu)流速進(jìn)行持續(xù)跟蹤,較好地實現(xiàn)了濃度變化時的泥漿流速跟蹤控制,驗證了控制方法的有效性,為實際挖泥船的管道泥漿流速自動化提供了有益參考。