采用基于BP神经网络的PID控制方法实现反应釜温度控制系统的设计

常规PID控制算法对于大部分工业过程的被控对象控制效果良好，但是对于反应釜温度的时间滞后问题，PID控制算法在控制温度跟踪变化曲线时存在振荡和精度低的缺点。PID控制算法是按偏差的比例（P）、积分（I）和微分（D）进行控制的PID控制器（亦称PID调节器）是应用最为广泛的一种自动控制器。它具有原理简单，易于实现，适用面广，控制参数相互独立，参数的选定比较简单等优点；而且在理论上可以证明，对于过程控制的典型对象──“一阶滞后＋纯滞后”与“二阶滞后＋纯滞后”的控制对象，PID控制器是一种最优控制。PID调节规律是连续系统动态品质校正的一种有效方法，它的参数整定方式简便，结构改变灵活（PI、PD、…）。为了克服反应釜温度的时间滞后问题，本文结合BP神经网络控制策略，采用基于BP神经网络的PID控制方法对其进行控制，反应釜温度能自动跟随给定的温度曲线，满足工艺要求。

1 反应釜温度控制系统

反应釜按反应的特性可以分为吸热反应和放热反应。一般来说，聚合反应属于放热反应，而裂变反应属于吸热反应。化学上把最终表现为吸收热量的化学反应叫做吸热反应。吸热反应中反应物的总能量低于生成物的总能量。生成物中的化学键的能量（键能）越强，稳定性越强；能量越弱，稳定性越差。反应釜的操作流程一般包括如图1所示的四个阶段。

图1中恒温段是反映工艺的关键阶段，对于产品质量和产量有着重要的影响，所以提高恒温段的控制精度是提高产品质量的关键。

实际反应过程中常伴有强烈的放热效应，使反应温度有所变化。针对反应釜温度控制的特点，本文采用基于BP神经网络的PID控制方法。

2 基于BP神经网络的PID控制算法

其结构如图2所示，输入层神经元的个数取4，分别对应于输入r、输出y、误差e和单位1，隐含层神经元为5个，输出层神经元分别对应PID控制器的3个可调参数kp、ki、kd。工业生产过程中，对于生产装置的温度、压力、流量、液位等工艺变量常常要求维持在一定的数值上，或按一定的规律变化，以满足生产工艺的要求。PID控制器是根据PID控制原理对整个控制系统进行偏差调节，从而使被控变量的实际值与工艺要求的预定值一致。不同的控制规律适用于不同的生产过程，必须合理选择相应的控制规律，否则PID控制器将达不到预期的控制效果。PID控制器（比例-积分-微分控制器），由比例单元 P、积分单元 I 和微分单元 D 组成。通过Kp， Ki和Kd三个参数的设定。PID控制器主要适用于基本线性和动态特性不随时间变化的系统。

按照梯度下降法修正网络的权系数，并附加一个使搜索快速收敛全局极小的惯性项，修正公式为：

3 仿真研究

本文设计的基于BP神经网络的PID控制结构如图3所示。

针对反应釜的特性，为了使结果具有代表性，取被控对象时变参数的非线性被控对象的数学模型为：

在第100个采样时刻，控制器加外部干扰0.20时，仿真结果分别如图6、图7所示。

从以上图中可以看出，与传统PID算法相比，基于BP神经网络的PID控制算法的超调量几乎为0，稳定速度快，而且能够随着系统参数的变化自动调整PID控制参数。当在第100个采样时刻时控制器加外部干扰0.20时，基于BP神经网络的PID控制算法中的PID参数随之进行了调整，从而在系统受到外部干扰时影响很小，很快再次达到稳定。

由于反应釜过程的时变、非线性等特点，本文结合神经网络超强的自学习和非线性逼近能力，提出了基于BP神经网络的PID控制算法。此算法可保证系统输出响应快、超调量小、调整时间短、控制精度高，而且具有较强的适应内部参数变化和抗外部干扰的能力。通过对反应釜温度仿真实验控制，验证了这种控制方法的有效性，并通过对比可知其性能明显优于常规的PID算法。