1  引言

    為使工科學生在校期間就受到良好的工程實踐鍛煉，建設具有實際工程環境的實驗室和實訓基地一直是自動化實驗室建設的重要目標。過程控制是指對連續性工業生產過程中有關物理量(溫度、壓力、流量及液位四個參數)的自動調節控制。電熱鍋爐控制系統實驗裝置是根據自動化專業及相關專業教學的特點，基于過程控制基礎上集PLC技術、網絡技術和計算機監控為一體的先進的實驗裝置，采用了多種常用控制方法及理論，除包含常見的PID算法及改進算法外，還增加了模糊控制、人工神經網絡控制等國內外先進的控制策略。

2  電加熱鍋爐控制系統網絡結構

    電加熱鍋爐控制系統實驗裝置采用兩層網絡拓撲結構，上層采用工業以太網，用于監控計算機與PLC主站之間的通訊。底層為PROFIBUS現場總線，連接PLC主站DPM1和PLC從站DPS1，其中主站控制電熱鍋爐控制系統實驗裝置，從站控制其它過程控制系統實驗裝置。其網絡拓撲結構如圖1所示:

圖1  電熱鍋爐控制系統網絡結構

2.1  系統功能及軟件平臺
整個控制系統包括監控級和現場級，監控級由4臺PC機作為上位機，通過以太網相連。上位機利用WinCC V5.1編寫實驗監控應用程序。監控應用程序實現對實驗裝置的狀態監視、數據采集與處理、控制算法的設定計算和優化、實驗數據歷史趨勢曲線顯示和實驗數據實時顯示功能。PLC的控制程序由上位機利用STEP7 V5.1軟件編寫，并通過以太網對PLC進行硬件組態、通訊組態、程序下載、在線診斷PLC硬件狀態、控制PLC的運行狀態和I/O通道的狀態等。下位機PLC完成所有與控制系統相關的邏輯控制、模擬量的采集及處理、常規PID控制、模糊控制、神經網絡控制等實時控制任務。
2.2  PLC的硬件配置
PLC主站選用西門子公司的400系列PLC CPU 412-2DP，它帶有一個PROFIBUS-DP和一個MPI接口。由于CPU-412具有強大的處理和運算能力，整個系統(包括主站和從站)只采用一塊CPU模塊，主站還帶有四個信號處理模塊(DI 16 、DO 16、AI 16和AO 8)和一個通訊模塊CP443-1(用于上位機WinCC站和SIMATIC S7 PLC主站通過工業以太網進行通訊)。從站選用PROFIBUS-DP分布式I/O ET-200M IM 153，帶兩個信號處理模塊(DI 16/DO 16 和 AI 4/AO 2)，PROFIBUS-DP 用于SIMATIC PLC主站與PLC從站之間的通訊。鍋爐控制參數和狀態模擬量(例如液位、流量、壓力、溫度等)及開關量(例如繼電器、接觸器、指示燈等)通過PLC的模擬量和數字量輸入輸出模塊分別連接到PLC主站DPM1和從站DPS1，再通過以太網和監控級交換信息。

3  電熱鍋爐控制系統實驗裝置

電熱鍋爐控制系統實驗裝置模擬日常生活中的熱水鍋爐控制系統，將變頻器調速技術、計算機和智能控制技術相結合，完成生活中熱水鍋爐對進水、出水、電加熱裝置通斷時間比的自動控制，使鍋爐的進水流量、出水流量、水溫、水位保持在最佳狀態。實現熱水鍋爐系統安全、可靠、穩定運行和達到節能降耗的目的。電熱鍋爐實驗裝置主要由微型電熱鍋爐、固態繼電器電加熱裝置(DGT)、變頻器(MMV)及相關的檢測裝置、變送器和執行機構等過程控制儀表組成。
3.1  過程控制實驗     
電熱鍋爐控制系統是一個復雜的多輸入多輸出(MIMO)的系統。執行機構有:變頻器、電動閥、電磁閥和固態繼電器電加熱裝置;被控對象有:進/出水流量、進/出水壓力、鍋爐液位和鍋爐水溫。所以在此基礎上可以設計流量系統控制實驗、壓力系統控制實驗、液位系統控制實驗、溫度系統控制實驗等過程控制實驗。其實驗原理框圖如圖2所示，被控對象輸出記為y，變送器檢測得到輸出的4～20mA的電流反饋信號yf，由PLC的AI模塊經A/D轉換成數字信號，輸入PLC，再與從上位機鍵盤輸入的設定值yr比較，得到偏差信號e，PLC根據偏差信號e，執行控制器算法程序，計算出控制量，經AO模塊D/A轉換成4～20mA的電流控制信號u，控制廣義對象的輸出y，使其跟蹤設定值yr

圖2  過程控制實驗原理框圖

3.2  耦合控制實驗
電熱鍋爐與一般的鍋爐系統一樣，只是其結構相對簡單，電能取代了風煤作為燃料，但是仍然存在流量、液位、溫度以及壓力的耦合作用。與其它多輸入多輸出(MIMO)系統一樣，一個輸入信號的變化會使多個輸出量發生變化，每個輸出也不只受一個輸入的影響。而工業過程控制則要求系統能夠安全穩定運行，有較好調節能力，能以較小的誤差跟蹤設定值的變化，并使誤差為零。解耦控制一直是過程控制中的一個難點，為了達到高質量的控制性能，必須進行解耦設計，構成解耦控制系統。電加熱熱水鍋爐系統的解耦控制原理框圖如圖3所示，其中yr1和y1分別對應電熱鍋爐的溫度給定值和輸出值;yr2和y2分別對應電熱鍋爐液位的給定值和輸出值�？刂破鰿1、C2的控制算法可以選擇常規PID、神經網絡PID、模糊自適應PID等先進算法。

圖3  對角矩陣解耦控制系統的原理框圖

3.3  智能控制算法實驗
在PID控制中，一個關鍵的問題就是PID參數的整定，且一旦整定計算好后，在整個控制過程中都是固定不變的。而鍋爐系統具有很大的延時，并且參數實時變化，難以建立精確的數學模型，常規的PID是難以實現準確的控制。解決這些問題的方法是采用比PID更為有效的智能控制技術—模糊控制方法和神經網絡控制方法。
模糊控制算法具有階躍響應速度快、精確度較高、對參數變化不敏感以及整定更為容易等特點。應用模糊
集合理論建立PID參數與偏差量e、偏差變化量ec間的二元函數關系: 。顯然能根據不同的e和ec在線調整PID的三個參數，使系統盡可能獲得最佳性能。其控制原理框圖如圖4所示:

圖4  模糊PID控制原理框圖

人工神經網絡具有自學習特性，用神經網絡修正PID控制器的參數，并將其應用于壓力、流量、液位、溫度以及解耦控制系統，通過自學習算法，在線(或離線)調整網絡權值，實現PID控制器參數自整定，提高控制精度及控制器的適應性，取得滿意的控制效果。其控制原理框圖如圖5所示。

圖5  神經網絡PID控制原理框圖

4  BP神經網絡PID控制算法及實現

基于BP神經網絡PID控制由兩部分組成:常規PID控制算法和基于BP神經網絡的多變量學習算法。
4.1  常規PID控制算法
采用增量式數字PID控制的算法為:


式中， u(k)為當前時刻的控制量;
  u(k-1)為上一時刻的控制量;
分別為比例、積分、微分系數;
  e(k)為給定量和當前時刻的檢測量的偏差;
  e(k-1)為給定量和上一時刻的檢測量的偏差;
  e(k-2)為給定量和兩個時刻前的檢測量的偏差。
4.2  神經網絡多變量學習算法
BP神經網絡多變量學習算法由前向傳播算法和反向傳播算法兩部分組成。設BP神經網絡是一個3層BP網絡，輸入層節點為3個，分別為輸入設定值、偏差信號e和偏差變化量ec;Q個隱含層節點;輸出層節點為3個，分別為PID控制器的三個可調參數。
(1) 前向傳播算法
神經網絡輸入層的輸入為:

式中，為隱含層加權系數，上角標1、2、3分別表示輸入層、隱含層和輸出層，f(x)取正負對稱的Sigmoid函數。
神經網絡輸出層的輸入輸出為:

式中，為輸出層加權系數，由于不能為負，所以g(x)取非負的Sigmoid函數。
(2) 反向傳播算法
多輸入多輸出神經網絡PID控制器是一種無教師信號的自學習控制，需要引入性能指標函數:

依最速下降法修正網絡的加權系數，并附加一加速收斂全局極小的慣性項，則有:

式中，η為學習速率;α為慣性系數。

由于未知，則近似用符號函數取代，由此帶來計算不精確的影響可以通過調整學習速率η來補償。
由式(1)和式(4)，可求得:

由上述分析可得網絡輸出層權值的學習算法為:

同理可得網絡隱含層權值得學習算法為:

5  結束語 

本實驗裝置已用于自動化專業的實驗教學，運行狀況良好。通過這套實驗裝置可使學生對計算機網絡控制系統結構有一個直觀、深刻的認識。并使學生了解生產過程中的參數檢測與控制，以及多種先進的控制策略和算法。該系統結構模式不僅可以用于實驗教學，也可以應用于復雜的工業生產過程控制中，完成對壓力、流量、液位和溫度等過程參數的實時監測與控制。