基于BP神经网络PID控制的液位自动控制系统研究

朱海棠 管芳景

摘要：在工业生产中，人们常常需要对液位进行检测与调节。该文以双容水箱为对象，通过研究液位自动控制系统的工作过程和动态特性，采用PID控制器。同时，由于神经网络具有决策、规划和学习功能等特点，将BP神经网络和PID相结合，即BP神经网络的输出层与PID控制器中比例、积分和微分系数相对应，可以获得更加良好的控制效果。

关键词：双容水箱;液位;PID控制器;BP神经网络

中图分类号：TP393      文献标识码：A      文章编号：1009-3044（2018）35-0186-02

众所周知，所谓过程控制即根据工业生产过程的特点，采用测量仪表、执行机构和计算机等自动化工具，应用控制理论，设计工业生产过程控制系统，实现工业生产过程的自动化。在工业生产中，人们常常需要对液位进行检测与调节，因此，研究双容水箱具有非常重要的意义。

1 双容水箱的特性研究

图1为双容水箱结构示意图。如图1所示，两个水箱串联，由于水箱1排出的液体传递给水箱2，所以水箱1将直接影响到水箱2的动态特性。同时，水箱2对水箱1没有任何影响。因此，两个水箱并不是相互影响的关系。

通过分析可知：整个系统的被控对象是水箱2，输入量为水箱1的流量qi，输出量为水箱2的液位高度h2，输出流量qo2是扰动量。在研究过程中，双容水箱可以看作由两个单容水箱串联而成，其系统信号框图如图2所示。根据系统信号框图，可得传递函数为[H2（s）Qi（s）=KT1T2s2+（T1+T2）s+1]。式中，T1是水箱1的时间常数，T2是水箱2的时间常数，K为系统的放大倍数。因此，双容水箱是典型二阶系统，其工作过程比较复杂和多变。

2 PID控制器

在过程控制系统中，控制器是整个控制系统的核心，作用是将被控变量与给定值进行比较，获得偏差e（t），根据不同规律，产生一个控制信号u（t）可以使偏差减小，以符合系统的控制要求。在工业生产中，常常是各种基本控制规律的不同组合。为了控制水箱液位的高度，通常采用PID控制器。图3为液位自动控制系统方框图。如图3所示，整个系统由自动化装置和生产装置两部分组成，具体包括：PID控制器、变频器、电机和水泵、检测变送器和双容水箱等，其中PID控制器是核心環节。

在液位自动控制系统中，当水箱1的流量qi发生变化时，水箱2的液位高度发生变化，比例控制能迅速地克服干扰的影响，使整个系统较快地稳定下来，但是系统存在着余差。因此，仅仅依靠比例控制，不能满足工艺生产要求。为了保证控制效果，让水箱2液位保持恒定不变，一般在比例控制的基础上引入积分控制。当输入偏差e为零时，经过比例控制，输出变化量Δu为零，即系统仍然位于初始位置上，但是积分控制输出可以处在任何数值的位置上。在整个系统中，积分控制可以消除余差的影响。图4为比例积分控制作用曲线。

如图4所示，当双容水箱受到外界干扰时，经过一段时间调整，可以重新达到原来的平衡状态。同时，由于积分控制的输出变化总是滞后于偏差的变化，控制作用不可能像比例控制那样及时，从而难以对扰动进行及时且有效的抑制。

当液位自动控制系统采用比例积分控制规律后，为了防止水箱2液位的超调量过大，需要减小比例放大倍数，这样将导致系统的整体性能变差。为了避免产生较大的偏差，同时缩短系统控制时间，需要引入微分环节。将三种控制方式组合在一起，构成比例积分微分（PID）控制。根据双容水箱的特性，合理选择3个参数，即比例度[δ]、积分时间TI和微分时间TD，才能获得较好的控制效果。

3 神经网络与PID控制结合

随着生产、生活中的控制系统越来越复杂，人们对控制的要求也越来越高，传统的控制器已经不能满足实际需要，神经网络具有决策、规划和学习功能，受到人们的重视。人工神经网络由大量的神经元连接而成，结构简单，但功能强大，能不断学习和做出决策。就结构而言，人工神经网络是由输入层、隐含层和输出层组成，各神经元之间进行信号的传输。其中，输入层主要用来接收外部的各种信号、数据;隐含层可以有若干层，也可以没有，但每一层的神经元只能接收前一层的输出;输出层主要用来把最终结果传递出去。常见的神经网络种类很多，结合工程实际，本文主要采用误差反向传播神经网络，即BP神经网络。BP网络是一种单向传播的多层前向网络，具有自主学习和记忆功能。图5为BP网络结构示意图。如图5所示，BP网络在学习时，分为两部分：正向传播和反向传播。层与层之间的连接是单向的，但信息的传播是双向的。

由于BP神经网络具有自主学习和记忆功能，因此可以找到某一种最佳控制效果下的比例、积分和微分系数。图6为BP神经网络和PID控制结合原理方框图。如图6所示，整个系统控制环节主要由两部分组成。

1） PID控制器：根据液位自动控制系统结构示意图可知，采用PID对系统进行闭环控制，需要调节的参数更加直接，包括比例系数Kp、积分系数Ki和微分系数Kd。

2） BP神经网络：根据系统当前状况，通过调节PID参数，使得系统控制达到最优效果。由于BP神经网络包含输入层、隐含层和输出层，可采用输出层的输出对应Kp、Ki和Kd三个参数，经过自主学习、分析和记忆等，获得最佳控制效果。

将BP神经网络和PID控制相结合，整个系统采用前馈计算和反向误差计算，不断修正算法中使用到的权值，找到合适的学习速率。当权值学习完成后，整个学习过程基本完成。若权值学习未完成，则需要继续进行前馈计算，直至学习过程结束。

综上所述，在液位自动控制系统中，如果仅采用PID控制，那么需要借助工程技术人员的丰富经验，反复实验和论证，否则控制效果一般。同时，由于工业上使用的液位控制系统越来越复杂而又多变，常需要结合神经网络，借助BP神经网络可以解决非线性问题和一些不确定问题等特点，以便获得更加良好的控制效果。

参考文献：

[1] 金林骏，方建安，潘磊宁.单神经元PID模糊控制在水位系统中的建模与仿真[J].电子设计工程，2015，23（13）.

[2] 吴恒运，沈乾坤，张维贤.基于神经网络自适应PID控制算法的原水预处理系统[J].热力发电，2018，47（4）.

[3] 王鹏，张伟，戴日辉，等.基于PID型神经网络的除氧器压力和水位解耦控制研究[J].热能动力工程，2015，30（6）.

[4] 陈小云.单神经元PID控制在锅炉水位控制中的应用研究[J].科技信息，2014（12）.

[5] 于志民.基于模糊神经网络的船舶锅炉水位控制优化及仿真模拟[J].天津职业院校联合学报，2017，19（4）.

[通联编辑：光文玲]