一种基于变参数的动态自拟合阀门控制方法及系统与流程

本发明涉及智能制浆，尤其涉及一种基于变参数的动态自拟合阀门控制方法及系统。

背景技术：

1、在石灰石湿法脱硫系统中，当使用湿式球磨机制浆时，主要通过石灰石和水的配比控制浆液密度，需要在操作界面手动给定石灰石和水的量，石灰石和水的配比为1：2.33，石灰石的量以石灰石下料量计，水的量以滤液池浆液进磨机浆液箱和磨机头的流量总和计算，浆液箱密度控制在1350~1514kg/m3。

2、目标值为石灰石浆液密度，宜采用固定变量控制，在石灰石（粉）量固定的情况下，调整水量，来达到控制石灰石浆液密度的目的。

3、在实际操作中，操作人员不能及时的调整浆液石灰石浆液密度，如果浆液密度和目标值差别波动起伏不变，对后续的脱硫影响较大。浆液密度较低时，需要频繁的制浆，对水和电造成浪费。浆液密度较高时，搅拌器的搅拌阻力增大，搅拌器容易出现故障。

4、因此，本发明提出了一种基于变参数的动态自拟合阀门控制方法及系统来解决上述问题。

技术实现思路

1、本发明针对现有技术的不足，研制一种基于变参数的动态自拟合阀门控制方法及系统，本发明可以控制球磨机入口给料量和补充水阀门开度。

2、本发明解决技术问题的技术方案为一种基于变参数的动态自拟合阀门控制方法，包括以下步骤：

3、一种基于变参数的动态自拟合阀门控制方法，在球磨机制浆时，首先将球磨机的控制系统结合pid控制器和bp神经网络，根据控制系统的运行状态，bp神经网络自动调节pid控制器的参数，进而达到性能指标的最优化；然后将pid控制器的参数进行bp神经网络的自学习和加权系数调整，使bp神经网络输出对应最优控制规律下的pid控制器参数；最后根据输出的参数计算得到阀门开度的大小，最终实现对补充水阀门开度的控制

4、具体实施方式中，所述pid控制器由比例调节、积分调节和微分调节三部分组成，三部分分别对应的参数为比例系数、积分系数和微分系数，通过bp神经网络实现对pid控制器内三部分的比例调整。

5、具体实施方式中，基于bp神经网络对pid控制器的步骤为确定目标阀门开值度、pid和bp的具体算法，以及基于bp神经网络的pid控制算法归纳；

6、确定目标阀门开度值具体方法如下：

7、单位时间内，已知石灰石密度β和设定密度对应的浓度c，根据测量得到石灰石给料量b和其他进入系统的水量d，由此根据计算可得进入球磨机的工艺水给水量a，计算公式如下：

8、，

9、由单位时间内进入球磨机的工艺水给水量可知单位时间内水的流速，通过阀门开度控制水的流速，阀门开度跟水的流速满足线性关系，目标阀门开度计算公式如下：

10、，

11、其中，表示补充水阀门线性关系系数，表示第个计算阶段。

12、具体实施方式中，pb神经网络动态调整pid算法参数，所述pid和bp的具体算法如下：

13、（1）pid控制器的算法为经典增量式数字pid的控制算法，计算如下：

14、，

15、，

16、其中，表示调整的阀门开度值，表示目标阀门开度差值，表示第个计算阶段，表示第个计算阶段，表示第个计算阶段，、和分别表示比例系数、积分系数和微分系数,表示第阶段测量到的实际阀门开度；

17、（2）控制pid控制器的bp神经网络模型包括3层，分别是输入层、隐藏层和输出层，bp神经网络模型内具体计算步骤如下：

18、a.第阶段bp神经网络模型输入层的结果对应比例系数、积分系数和微分系数，具体表示如下：

19、，

20、，

21、，

22、其中，表示第个计算阶段输入层的第个输出值为，，表示输入层的第个输出值；

23、b.bp神经网络模型中隐含层内的计算具体如下：

24、，

25、，

26、其中，表示第个计算阶段bp神经网络模型中隐含层的第个神经元的输入值，，表示隐藏层中神经元个数，表示隐藏层第个神经元跟输入层第个神经元之间的加权系数，表示第阶段隐藏层第个输出层神经元输出值，表示活化函数取正负对称的sigmoid函数；

27、隐藏层中活化函数取正负对称的sigmoid函数具体计算如下：

28、，

29、其中，表示函数的输入值，即的计算结果；

30、c.bp神经网络模型中输出层内的具体计算如下：

31、，

32、，

33、，

34、，

35、，

36、其中，表示第个计算阶段输出层第个神经元的输入值，，表示输出层第个神经元跟隐含层第个神经元的加权系数，表示第个计算阶段输出层第个输出层神经元输出值，表示激励函数取非负的sigmoid函数；

37、输出层中激励函数取非负的sigmoid函数具体计算如下：

38、，

39、其中，表示函数的输入值，即的计算结果。

40、具体实施方式中，bp神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其计算过程是：

41、bp神经网络的计算过程由正向计算过程和反向计算过程组成，正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值w，使得误差信号最小。

42、具体实施方式中，取性能指标函数计算如下：

43、，

44、其中，表示第个计算阶段性能指标，表示第个计算阶段目标阀门开度差值，表示第个计算阶段的目标阀门开度，表示第个计算阶段测量到的实际阀门开度；

45、通过最速下降法修正输出层第个神经元跟隐含层第个神经元的加权系数，按性能指标对加权系数的负梯度方向进行搜索调整，并通过附加惯性项使搜索快速收敛，具体计算如下：

46、，

47、，

48、，

49、，

50、，

51、，

52、其中，表示第个计算阶段输出层第个神经元与隐藏层第个神经元之间加权的变化量，，表示学习速率，表示惯性系数，表示第个计算阶段调整的阀门开度值，表示第个计算阶段输出层第个神经元输出值，使用近似用符号函数sgn()替代，通过调整学习速率对精确度进行补偿；

53、第个计算阶段输出层第个神经元与隐藏层第个神经元之间加权的变化量进一步计算过程如下：

54、，

55、，

56、其中，表示第k次计算阶段隐含层第个神经元输出值，表示sigmoid函数的导数；

57、sigmoid函数的导数的计算具体如下：

58、，

59、其中，表示的输入值，即的计算结果；

60、隐藏层加权系数的学习算法计算公式如下：

61、，

62、，，

63、，

64、其中，表示sigmoid函数的导数，就是的计算结果。

65、本发明还提供了一种基于变参数的动态自拟合阀门控制系统，执行一种基于变参数的动态自拟合阀门控制方法。

66、技术实现要素：中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案具有如下优点或有益效果：

67、本发明提供一种基于变参数的动态自拟合阀门控制方法，根据本方法，将浆液密度的差值转化为阀门开度差值，通过pid算法，逐步调整阀门开度，使浆液密度逐步到合格，且在pid算法的基础上，搭配bp神经网络，动态调整pid算法中、系数，可以提升pid算法的效率跟鲁棒性，此外本发明能及时调整浆液密度，节省时间跟人力，避免在运行中，当浆液密度达不到要求需要手动去调节工艺水阀门控制进水量进行调节时，由于人力发现不及时、调节不及时导致长时间浆液密度不合格以及脱硫效果减弱的问题。