马文斌，谭翰墨，芮延年

（常熟理工学院机械工程学院，江苏常熟 215500）

基于PID神经网络的碳粉燃烧器解耦控制问题研究

马文斌，谭翰墨，芮延年

（常熟理工学院机械工程学院，江苏常熟 215500）

针对特定碳粉燃烧器中设定温区不同温度值难以采用常规控制算法解决的问题，提出了利用燃烧室不同位置测量温度作为输入，碳粉送进机构以及进气量控制为输出，基于多变量控制系统的特点建立了BP神经网络数学模型，利用PID神经网络控制建立系统的解耦模型，以不同热区温度设定值和燃烧器温度值为解耦模型输入参量，将系统解耦模型的输出作为BP神经网络控制系统的输入值，对燃烧过程进行控制，仿真结果表明该方法具有较好的控制特性.

碳粉燃烧器；神经网络；解耦

不可再生能源作为主要燃料的生产方式随着能源需求量的增加以及相关产品的价格升高而推动了一些可再生能源的应用研究.以风能和太阳能作为不可再生能源的补充已经得到了广泛的研究，但是生物质能源的利用研究处于刚起步的阶段.利用废旧木屑或者秸秆经行碳化，然后粉碎成很细的粉末，在一定条件下进行充分燃烧得到的热值仅低于汽油，可以达到8400 Kcal/Kg，因此具有很好的利用潜力.赵春雨等人[1]研究了利用碳粉燃料在火箭冲压发动机补燃室内的燃烧特性，广东的陈少杰等人研究了电炉碳粉系统的优化改造方案，得到了较好的实际效果.在以碳粉为燃料的工业化燃烧器中，相关的研究较少，而已经取得的相关专利在实际应用过程中面对不同温度场对燃烧过程存在较高的要求，这就要完成碳粉在进入燃烧室过程中，对进入分量与气流的流速以及与空气的配比进行优化研究［2］.由于气流的流速以及碳粉的控制量对最终得到的温度场都有影响，因此整个燃烧的优化过程变为一个解耦算法设计过程，即对解耦算法进行研究.［3］

1 碳粉进料部分结构

碳粉进入燃烧室的过程是在负压作用下，负压推动空气，空气中混杂着直径非常细小的碳粉颗粒物，碳粉颗粒的浓度可以通过阀体控制，而空气流速通过负压控制，负压则来源于负压风机，可通过调整负压风机的转速来完成空气流速的控制.

装置的上部为碳粉存储装置，用于将外部通入的碳粉在进入燃烧室前进行缓冲存放.碳粉进料控制阀在碳粉存储装置的出口与空气流道的中间位置，作用是控制进入空气流道内部的碳粉量，由于碳粉在进入过程中还存在碳粉自身重力和负压的引力作用，因此控制阀的控制作用对于碳粉的进料量控制呈非线性特性.如图1所示的下部为空气的流向，在负压风机的作用下，空气在流道内携带着弥散在流道内部的碳粉颗粒进入燃烧室内部，其中空气的流速在气流主流道内部截面积稳定不变的情况下，将主要由负压与大气压的压差决定.当压差增加时，空气的流速增加，当压差减小时，气流流速减小.

2 控制器解耦和算法

在燃烧器的底部和中间部分设置两个热电偶分别用于检测该区域的温度变化.利用两个热电偶的输出值作为控制器的输入，以碳粉进料控制阀的开度和负压数值作为控制器的输出，建立控制解耦模型.

图1 PID神经网络结构

2.1 控制器结构

对于两输入两输出耦合系统，神经网络可以表示为4×6×2结构，该机构由两个独立的网络构成，每个网络从输入开始经过隐含层到输出，如图1所示，每个子网络分别对应与解耦过程的三种神经元：比例、积分和微分，通过子网络之间的控制律调节来完成过程的解耦控制.P、I和D的具体数值由网络的权重决定.［4］

2.2 PID神经网络计算方法

2.2.1 前向算法

PID神经网络前向算法输入与输出之间的关系，可以用下面的公式表示：

2.2.2 反传算法

反向传播算法作用是完成PID网络权值的调整.其学习过程可以表示为目标函数J的最小值

其中：z为采样点数；y为系统输入变量的数量.

网络的训练和学习可以由公式（9）确定：

3 模型建立

由于系统的非线性，考虑使用BP神经网络建立系统的动态模型.BP神经网络具有较好的逼近精度，因此以实验设定温度和该温度下的负压与阀开度为数据对BP网络进行离线训练.这里选择特性函数为Sigmoid函数［5］，神经网络各层神经元个数分别为：输入层2个，隐含层4个，输出层2个.系统网络结构模型图如图2所示.图中Tg为给定温度，T1和T2为实际测量温度.

仿真分析：

以matlab软件为仿真平台，以某一时刻开始的给定温区设定值为解耦方法的输入，以PID神经网络的输出即测量得到的阀体的开度和负压为BP神经网络的输入，得到的系统解耦仿真曲线如图3所示.

PID神经网络解耦输出即为BP神经网络控制的输入，即：控制碳粉进料量的开度和风机的负压值.如图4所示，其中开度以阀体满开度的百分比表示，风机负压值单位为kpa.

从图3和图4可以看出，PID神经网络解耦过程能够完成上述碳粉燃烧器温度耦合问题进行解耦，并且两个参数的对温度耦合的影响不同.

图2 系统网络结构模型

图3 系统解耦仿真曲线

图4 系统输出曲线

4 结论

利用PID神经网络能够实现碳粉燃烧器中不同温区问题的解耦并且利用BP神经网络能够较好地拟合系统能够的非线性过程，但是可以看出，由于解耦或者参数优化等问题的影响，解耦过程后系统的响应速度较慢.

[1]赵春宇，李斌.碳粉燃烧在火箭冲压发动机补燃室内燃烧特性的分析[J].火箭推进，2007，33（5）：37-41.

[2]李晓斌.真空退火温度的建模与解耦控制[J].机械工程学报，2008，10：89-95.

[3]付龙海，李蒙.基于PID神经网络解耦控制的变风量空调系统[J].西南交通大学学报，2005，40（1）：13-17.

[4]YOUNG C Cho,WOOK Hyun Kwon,CHRISTOS G Cassandras.Optimal control for steel annealing processes as hybrid systems[C]. Proceedings of the 39thIEEE Conference on Decision and Control,Aust-ralia:Sydney,2000:540-545.

[5]汤毅，任国梅，王润华.基于CMAC和PID的非线性耦合系统解耦控制研究[J].燕山大学学报，2009，33（5）：450-454.

A Study of the Problem of Carbon Powder Burner Decoupling Control Based on PID Neural Network

MA Wen-bin,TAN Han-mo,RUI Yan-nian

(School of Mechanical Engineering,Changshu Institute of Technology,Changshu 215500,China)

In order to solve the problem of holding a certain place for temperature gradient of charcoal powder burning room,this paper introduces a kind of new method which keeps measurement data as input of control system and capacity of charcoal powder and gas.Based on multivariable control systems,a new BP neural network is built and PID Neural Networks can be used as system decoupling model so as to keep different temperature data of each parts for Charcoal powder burning room and burning temperature as input,and decoupling model output as BP neural networks input to simulate this process.The result shows that the method is beneficial to the temperature control.

charcoal powder burner;neural networks;decoupling model

TH164

A

1008-2794（2011）10-0098-04

2011-08-23

苏州市工业攻关项目（SG0846）.

马文斌（1979—），男，甘肃天水人，常熟理工学院机械工程学院讲师，研究方向：机电一体化.