可解释的机器学习揭示了两个地理位置相邻的城市中不同的空气污染特征
Cemal Aktürk
《Applied Sciences》:Explainable Machine Learning Reveals Distinct Air Pollution Profiles in Two Geographically Adjacent Cities
Cemal Aktürk
【字体:
大
中
小
】
时间:2026年04月15日
来源:Applied Sciences 2.5
编辑推荐:
摘要 在宽广的操作范围内对非线性工业过程进行高性能控制需要智能化技术。本研究的目的是开发一种工程方法,该方法基于离线训练的反向传播人工神经网络(BANN)来调整已有成熟应用的线性PID控制器的参数,该网络能够评估当前操作点下的工艺参数。控制器的增益是根据与
摘要 在宽广的操作范围内对非线性工业过程进行高性能控制需要智能化技术。本研究的目的是开发一种工程方法,该方法基于离线训练的反向传播人工神经网络(BANN)来调整已有成熟应用的线性PID控制器的参数,该网络能够评估当前操作点下的工艺参数。控制器的增益是根据与工艺参数的经验关系在线计算的。本文推导出了增益调度BANN-PID系统的鲁棒稳定性和鲁棒性能条件,其满足这些条件确保了系统在工业环境中的可行性。该方法通过实验室水果干燥机的温度控制实例进行了验证。BANN的训练基于使用Takagi–Sugeno–Kang非线性过程模型进行实验并获得的数据。仿真结果表明,BANN-PID系统在减少超调量(6倍)、收敛时间(1.8倍)以及提高鲁棒性(1.3倍)方面优于之前研究中的增益调度模糊逻辑PID控制系统和传统的PID实时控制系统。
1. 引言
人工神经网络(ANNs)为建模和控制非线性过程提供了有效的工具[1,2,3,4]。反向传播ANN(BANNs)可以被设计和训练以实现函数逼近、线性化、预测和适应等功能。动态ANN(如递归神经网络、径向基函数神经网络等)在映射过程和控制器动态方面也非常成功。文献[5]中介绍了多种无模型的ANN控制应用,包括ANN跟踪控制器的反馈线性化设计、多环ANN反馈控制结构以及用于执行器补偿的前馈控制器等。在工业实践中,人们经常选择ANN来增强已经成熟应用的PID控制器的功能,以控制非线性过程[6]。ANN能够实现PID的自适应调节或预测,捕捉过程动态与最优控制参数之间的非线性关系。训练数据集包括系统误差、误差变化率以及系统响应,目标则是获得相关的PID参数。ANNs被用来线性化非线性过程特性或设计反馈线性化控制器。在[7]中,一个动态ANN对过程进行了建模,然后通过训练一个BANN与该线性控制器配合使用来实现反馈线性化。在[8]中,基于实验得到的关系,设计并训练了一个BANN来补偿蒸汽产量对锅炉模型增益的影响,最终实现了过程模型的线性化管理以及PI控制器的设计。训练好的BANN能够预测给定时间范围内的过程行为。ANN预测有助于节能以及蒸馏和吸收过程的优化[2]。在[9]中,开发了一种结合ANN的模型预测控制方法,用于非线性热系统。该ANN被训练用来近似过程动态,并嵌入到预测控制回路中。仿真显示,这种方法提高了系统对扰动和参数变化的鲁棒性。
ANNs在在线增益调度控制中有着广泛的应用[3,10,11,12,13,14,15,16],这是针对模型参数随测量辅助变量(如负载或时间)变化的非线性过程进行控制的最流行自适应算法之一[15]。BANN可以通过离线训练来映射控制器参数的已知时间不变调度,然后用于过程的在线自适应控制。在[12]中,开发了一种用于气动人工肌肉(作为机器人系统中的执行器)的BANN增益调度PID位置控制方法,不同负载下的PID增益是通过Ziegler–Nichols(ZN)持续振荡方法确定的。这些数据进一步用于BANN训练,以根据负载来调度PID增益。对所设计系统对不同阶跃输入和正弦输入参考信号的响应进行的实验研究验证了所提出控制方案的有效性。在[11]中,提出了一种基于BANN的PI控制器和负载频率控制器的增益调度方案,以提高电力系统的性能。在[10]中,开发了一种带有ANN监督器的增益调度姿态控制器,以提升四旋翼直升机的机动性。首先对不同操作点下的过程进行建模,然后为线性过程设计增益调度控制器;接着训练一个径向基函数ANN监督器,以确保四旋翼直升机对时变扰动的鲁棒性。在[14]中,提出了一种用于水泥行业熟料生产中石灰饱和系数自适应控制的ANN鲁棒自动调谐器。在[3]中,开发了一种基于遗传算法(GAs)训练的PID自调系统,用于控制直流电机速度。训练数据集是通过在不同操作条件下和已知非线性过程模型中对PID参数进行离线GA优化得到的。适应度函数是当前值与期望值之间的平方差异之和的平方根。在[13]中,一个高度非线性的连续搅拌罐反应器被动态ANN建模为单输入-单输出系统和多输入-多输出系统,然后根据期望的参考轨迹推导出必要的控制动作。在[16]中,为工业炉子的温度控制开发了一种基于复杂三层BANN的自适应PID控制系统。BANN被训练用来根据当前测量的系统误差、温度和时间预测比例和微分控制器的增益。训练数据集来自实验和仿真,并进行了标准化处理。BANN在泛化能力、过拟合、方差、对输入扰动的敏感性、执行时间以及区分加热和冷却阶段的能力等方面接受了验证。该系统在Python-LabView集成实时控制系统中得到了验证,能够按照预定的温度升降曲线进行加热、稳定和冷却阶段控制,其性能优于之前研究中设计的PID和模糊逻辑(FL)PID系统。
模糊逻辑(FL)是另一种用于控制中建模非线性关系的替代方法。在[17]中,开发并比较了三种PID控制方式:纯PID控制、FL控制的PID控制、增益调度的PID控制和增益调度的FL PID控制,用于搅拌罐和反应器系统的浓度控制。在[18]中,为液位控制设计了普通FL PID控制系统和增益调度的FL PID控制系统,并为四个操作点推导出了线性ZN过程模型。PI控制器参数的计算确保了系统具有一阶时滞闭环行为。增益调度的PI控制器根据操作点在不同控制器参数的 crisp 值之间切换。FL增益调度控制使用操作点作为输入,PID参数作为输出,变量通过隶属函数(MFs)描述,规则经过模糊化处理。仿真显示FL系统优于线性增益调度系统。在[19]中,为活性悬浮系统开发并验证了一种基于FL的PID控制器,通过FL估计道路条件来自动调其参数。在[20]中,提出了两种基于FL的增益调度PID控制策略,用于水果干燥机的温度控制,分别采用并行分布式补偿(PDC)和FL监督器。本研究以基于改进的Takagi–Sugeno–Kang(MTSK)过程模型的FL监督器PID(SPID)作为基准。该模型用于根据操作点决定过程输出y所属的三个线性化区域(j = 1 ÷ 3),从而实现三个PID控制组分(P、I、D)的在线软调节。在[14]中,建议了一种基于FL的PID控制器增益自调器,用于水泥行业熟料生产中生料混合物的石灰饱和系数自适应控制。在[3]中,开发了一种基于遗传算法(GAs)训练的PID自调系统,用于控制直流电机速度。训练数据集是通过在不同操作条件和已知非线性过程模型下对PID参数进行离线GA优化得到的。适应度函数是超调量、收敛时间和稳态误差平方差的平方和的平方根。在[13]中,一个高度非线性的连续搅拌罐反应器被动态ANN建模为单输入-单输出和多输入-多输出系统,然后根据期望的参考轨迹推导出必要的控制动作,经过ANN过程模型线性化后,形成了一个依赖于过程状态的增益调度的PI控制系统。
2. 研究背景
本研究基于PLC-PID-PWM控制方法,用于实验室水果干燥机的温度θ(单位:°C)控制。实验数据展示了过程对其输入电压du = [6 8 10 12 16 20]%变化的步长响应,从而推导出非线性过程的MTSK模型(见图1[20,21])。该模型由三个线性化区域组成,区域j(j = 1 ÷ 3)通过MF=[Zone 1 Zone 2 Zone 3]定义,其中Zone 1 = [25 25 50 58],Zone 2 = [50 58 66],Zone 3 = [58 66 95 95]。Sugeno模型的输入是过程输出y = θ,其输出是y属于每个区域的程度μj。图1显示了修改后的TSK过程模型和三个线性化区域。每个区域的动态特性由时间滞后来描述,这些时间滞后与输入u并行作用。它们的输出yj经过μj的缩放后求和,得到加权平均值,然后作为输入进入一个对所有区域通用的时间滞后系统,该系统的传递函数为P4(s),最终产生MTSK模型的输出yTSK。时间滞后的参数是通过遗传算法(GA)最小化一个适应度函数来计算的,该适应度函数是所有植物阶跃响应qTSK之和的误差。参数值为:K1 = 3.8, K2 = 3.5, K3 = 3.6, T1 = 24, T2 = 33, T3 = 57, T4 = 81.6, y(0) = 27.2。MTSK植物模型通过PLC-PID-PWM实时温度控制的数据进行了验证。使用PLC-PID-PWM控制器在闭环系统中的输入和输出实验数据,通过遗传算法最小化建模误差,将其建模为一个PID Simulink块CPID(s) = KpPID + KiPID/s + KdPID。遗传算法优化的PID参数值为:KpPID = 2.5%,KiPID = 0.0105%/min,KdPID = 20%。通过比较实时PLC-PID-PWM温度控制和PID-MTSK系统在相同参考变化下的植物输出y、系统误差e=yr?y以及控制动作u,验证了PID块。因此,实际实验被转化为可靠的仿真研究领域。经过推导和验证的MTSK模型能够模拟来自不同操作点(ui, yi)的一系列阶跃响应。它们的ZN近似值产生了每个操作点的ZN植物模型参数qZN = [KZN TZN τZN]。这样就准备好了用于训练设计的BANN的数据集(ANN输入u;ANN目标[KZN TZN τZN])。
在[18]中开发的FL SPID系统作为基准,用于评估设计的增益调度BANN-PID控制系统所取得的性能改进效果。FL监督器的功能单元(FU)将控制动作u作为输入,并输出一个乘以PID增益的结果o,该输出具有正交的标准输入MFs - MFu =(低于规范、高于规范),其中低于规范=[0 0 0.25 0.5],规范=[0.25 0.5 0.75],高于规范=[0.5 0.75 1 1]。输出MFo =(小=0.2,正常=1,大=2)是由专家定义的单一值。模糊规则旨在通过减少PID增益来降低控制动作,从而实现节能。PID增益的基本值是通过遗传算法优化的qSPID = [Kps = 2.66, Kis = 0.009, Kds = 32],以最小化系统的均方误差。
3. 增益调度BANN-PID控制系统的工程设计
带有增益调度BANN-PID温度控制器的闭环系统的框图如图3所示。PID控制器因其广泛的应用和易于理解的物理特性而被选中。增益调度器基于BANN植物参数估计器和一个工程PID调谐关系构建,该关系使用ZN植物模型参数qZN = [KZN TZN τZN]以及期望的闭环系统性能来评估,性能指标包括稳态时间ts、均方误差(MSE)和超调σ,这些参数由增益A = 0.3 ÷ 2.5, B = 0.6 ÷ 3和C = 0.4 ÷ 0.6确定:Kp = A.TZN/(KZN.τZN),Ki = Kp/(B.TZN),Kd = Kp.C.τZN。BANN植物参数估计器被设计为一个具有五个隐藏神经元和三个输出神经元的前馈人工神经网络(ANN),用于评估三个PID控制器增益,如图4所示。隐藏层中的激活函数F1是双曲正切(tansig),其输出a(n) = (1 ? e?n)/(1 + e?n),其中n是输入。输出层中的激活函数F2是线性的。输入向量u决定了N个操作点。目标是相应ZN模型的三个输出向量,这些向量是根据[20,21]中推导和验证的MTSK植物模型的ZN近似值计算得到的。MTSK植物模型的阶跃响应及其ZN近似模型如图5所示。第一个阶跃响应受到非平衡初始条件的驱动,这对于非线性系统来说是重要的。ZN模型的阶跃响应与MTSK植物模型的阶跃响应非常接近,这验证了ZN模型的准确性。在不同操作点上,ZN模型的参数有所不同,这是植物非线性的证据。
4. 增益调度BANN-PID控制系统的鲁棒稳定性和鲁棒性能
设计控制系统的鲁棒性至关重要,因为它确保了其在工业环境中的可行性和安全运行。因此,需要为增益调度BANN-PID系统推导出鲁棒稳定性和鲁棒性能条件。在当前研究中,这些条件基于[20,24,25]。满足这些条件并结合性能要求,为A、B和C设定了界限。对于增益调度BANN-PID控制系统,假设系统模型的不确定性是由于植物ZN模型参数qZN = [KZN TZN τZN]和相应的PID控制器增益qgPID = [Kp Ki Kd]随操作点的变化而产生的。可以假设非线性植物由一组线性植物模型FP = {Po(s), lP(s)}表示,这些模型由名义ZN植物模型Po(s)和乘法植物模型不确定性lP(s) = ΔP(s)/Po(s)确定,其中ΔP(s) = P(s)是影响闭环系统稳定性的最差变化ZN植物模型。这里建议基于要求(??oZ?N?.τoZ?N)/??oZ?N =????????)来接受名义Po(s)和最差的P(s) ZN模型,即系统稳定性最安全的模型;以及(KZN.τZN)/TZN = max — 对闭环系统稳定性最不利的模型,因为ZN植物模型的增益和时间延迟的增加以及时间常数的减少都会降低闭环系统的稳定性裕度。因此,根据图5,对于基本操作模式u = 8%,接受ZN植物模型参数为qZN = [KZN = 3.6 TZN = 110 τZN = 30],这对应于标记为“Zone 2”或“规范”的MF。对于最坏变化的情况P(s),ZN植物模型参数为qZN = [KZN = 3.6 TZN = 110 τZN = 30]。增益调度的PID控制器以类似的方式表示为一个控制器家族FC = {Co(s), lC(s)},由PID控制器Co(s)和参数??o????????????=[??op????oi????od]定义,这些参数是为名义植物模型Po(s)计算的,以及乘法不确定性lC(s) = ΔC(s)/Co(s),ΔC(s) = C(s) ? Co(s),为PID控制器C(s)定义的,这些参数是根据植物最差模型qgPID = [Kp Ki Kd]调整的。FP和FC家族涵盖了植物和控制器的线性模型,这些模型是由于它们的非线性行为和由于干扰(例如环境温度、老化等)的变化而产生的。FP和FC家族可以合并为一个开环控制系统家族FOL={??oO?L?(??),?lOL(s)},该家族由名义植物模型的开环控制系统传递函数Po(s)和PID控制器Co(s) ??oO?L?(??) =??o?(??).??o?(??)或频率响应??oO?L?(???ω)对于s = jω确定,以及其乘法不确定性lOL(s)= ΔWOL(s)/??oO?L?(??), ΔWOL(s) = WOL(s) ? ??oO?L?(??)为开环系统WOL(jω)的最差变化特性。图6展示了BANN训练集‘ZN-TSK’(实线)和BANN估计的ZN模型参数‘ann’(虚线)。更多中间耦合输入-目标的验证是成功的;即,它实现了平滑插值。计算出的BANN权重W和偏置b如下:
- 对于第一层:W1 = [?6.3 1.25 12.59 7.27 ?6.2];b1T = [7.77 ?0.11 3.37 3.12 ?6.37]。
- 对于输出层:W2 = ?? ? ? ? ? ??0.8?0.4 10.25?0.44 0.89?0.91?1.12 0.12 0.12 0.36 0.89 0.89 0.58?0.51 0.6?? ? ? ? ? ?,b2T = [?0.12 0.61 ?0.11]。
增益A = 2.2, B = 3和C = 0.4是通过遗传算法最小化MSE和u的方差的一个适应度函数来计算的,这些用于在SPID系统中计算?????????????。
4. 增益调度BANN-PID控制系统的鲁棒稳定性和鲁棒性能
设计控制系统的鲁棒性至关重要,因为它确保了其在工业环境中的可行性和安全运行。因此,需要为增益调度BANN-PID系统推导出鲁棒稳定性和鲁棒性能条件。在当前研究中,这些条件基于[20,24,25]。满足这些条件以及性能要求为A、B和C设定了界限。对于增益调度BANN-PID控制系统,认为系统模型的不确定性是由于植物ZN模型参数qZN = [KZN TZN τZN]和相应的PID控制器增益qgPID = [Kp Ki Kd]随操作点的变化而产生的。可以假设非线性植物由一组线性植物模型FP = {Po(s), lP(s)}表示,这些模型由名义ZN植物模型Po(s)和乘法植物模型不确定性lP(s) = ΔP(s)/Po(s)确定,其中ΔP(s) = P(s)是影响闭环系统稳定性的最差变化ZN植物模型。这里建议基于要求(??oZ?N?.τoZ?N)/??oZ?N =????????)来接受名义Po(s)和最差的P(s) ZN模型,即系统稳定性最安全的模型;以及(KZN.τZN)/TZN = max — 对闭环系统稳定性最不利的模型,因为ZN植物模型的增益和时间延迟的增加以及时间常数的减少都会降低闭环系统的稳定性裕度。因此,根据图5,对于名义Po(s),接受参数为??o????? =[??oZ?N =3???oZ?N =90?τoZ?N =10]的ZN植物模型。对于最差变化的P(s),接受ZN植物模型参数为qZN = [KZN = 3.6 TZN = 110 τZN = 30],当u=20%时。增益调度的PID控制器以类似的方式表示为一个控制器家族FC = {Co(s), lC(s)},由PID控制器Co(s)和参数??o????????????=[??op????oi????od]定义,这些参数是为名义植物模型Po(s)计算的,以及乘法不确定性lC(s) = ΔC(s)/Co(s),ΔC(s) = C(s) ? Co(s)为PID控制器C(s)定义的,这些参数是根据植物最差模型qgPID = [Kp Ki Kd]调整的。FP和FC家族涵盖了植物和控制器的线性模型,这些模型是由于它们的非线性行为和由于干扰(例如环境温度、老化、操作模式的变化)而产生的。
Fol和FC家族可以合并为一个开环控制系统家族FOL={??oO?L?(??),?lOL(s)},该家族由名义植物模型的开环控制系统传递函数Po(s)和PID控制器Co(s) ??oO?L?(??) =??o?(??).??o?(??)或频率响应??oO?L?(???ω)对于s = jω确定,以及其乘法不确定性lOL(s)= ΔWOL(s)/??oO?L?(??),ΔWOL(s) = WOL(s) ? ??oO?L?(??)为开环系统WOL(jω)的最差变化特性。所有传递函数中的模型都通过它们的频率响应进行评估。然后,根据[24]修改了鲁棒稳定性和鲁棒性能条件如下:
|Φo?(???ω)?|.|???O?L?(???ω)|<1, ?ω∈Dω, (2)
|Φo?(???ω)?|.|???O?L?(???ω)|+|??f?(???ω)?|.|???o?(???ω)|<1, ?ω∈Dω, (3)
其中
-|Φo?(???ω)| =∣??oO?L?(???ω)∣∣1+??oO?L?(???ω)∣是名义植物模型Po(s)和PID控制器Co(s)的闭环系统幅度频率响应;
-|??O?L?(???ω)|是开环系统模型不确定性的幅度;
-|??f?(???ω)|是用于 shaping 干扰 d 的滤波器的幅度,d = Wf(s)。1(s),从而将信号 d 的不确定性转换为模型参数的不确定性,对于大多数工业植物,|??f?(???ω)| =0.3 ÷0.9;
-|??o?(???ω)| =1∣1+??oO?L?(???ω)∣是闭环控制系统灵敏度的幅度;
-Dω是闭环系统的重要频率范围。它是根据与系统截止频率ωc相关的最大植物时间常数来评估的,当闭环系统的幅度降至接受的小值(例如5%)时,系统会过滤掉更高频率的信号。
假设开环系统的不确定性可以通过以名义系统奈奎斯特图为中心的圆盘来近似。圆盘的半径为r(ω) = |ΔWOL(jω)|。
准则(2)是根据开环控制系统的奈奎斯特图满足FOL家族中所有开环控制系统和PID控制器的系统稳定性奈奎斯特准则的要求推导出来的。这意味着从奈奎斯特点(?1, jω)到名义奈奎斯特图的向量应该大于不确定性圆盘的半径:|1 + ??oO?L?(???ω)| ≥ r(ω) = |ΔWOL(jω)| 或 1 ≥|Δ???O?L?(???ω)||??oO?L?(???ω)|∣1+??oO?L?(???ω)|。
准则(3)是为线性系统推导出来的,通过解决H∞问题来减少某些频率的最大误差。Fol家族中的一些开环系统的H∞问题表示为maxW?ol∈Fol?supω|????(???ω)|<1,?ω∈Dω。误差由e(jω) = S(jω).d(jω) = S(jω).Wf(jω)表示,问题可以表示为:
maxW?ol∈Fol?supω|????(???ω).??f?(???ω)|<1,?ω∈Dω。 (4)
从带有不确定性圆盘的系统奈奎斯特图和三角形各边之间的关系 |1 + WOL(jω)| ≥ |1 + ??oO?L?(???ω)| ? r(ω)可以推断出:
1|1+??O?L?(???ω)|≤1∣1+??oO?L?(???ω)|?|Δ???O?L?(???ω)|.|??o?(???ω)|=1|1+??oO?L?(???ω)|?|Δ???O?L?(???ω)|/∣1+??oO?L?(???ω)||1?|Δ???O?L?(???ω)|/∣1+??oO?L?(???ω)|,最终得出(2)。
准则(3)是为线性系统推导出来的,通过解决某些频率的最大误差问题得到的。Fol家族中的开环系统由名义和变化的开根据MTSK植物的阶跃响应,确定了各种不同的ZN(蒸汽干燥)植物模型及其对应的标称值。相应的标称PID增益和变化PID增益是根据公式(1)计算得出的,其中A = 2.2, B = 3, C = 0.4。图7展示了线性化增益调度BANN-PID控制系统的鲁棒稳定性和鲁棒性能曲线。在重要的系统频率范围内,鲁棒性曲线位于直线1(ω)的下方,因此系统具有鲁棒稳定性,并满足鲁棒性能的要求。鲁棒性能曲线接近1(ω),这是保持良好标称系统性能指标的条件。高鲁棒性特性会导致标称系统行为的恶化。这是由于频域中系统对扰动和植物变化的敏感性幅度与闭环系统之间的关系:|???(???ω)|+|Φ?(???ω)|=1|1+??O?L?(???ω)|?+ |??O?L?(???ω)||1+??O?L?(???ω)|= 1,即小的敏感性会减少扰动的影响,但会增加系统频率幅度,从而导致更大的振荡和超调。通过MatlabTM的Simulink对设计的增益调度BANN-PID控制系统进行了仿真研究,并对其性能和鲁棒性指标进行了评估,以与先前研究中设计的PID和SPID系统的相同指标进行对比。图8展示了三种控制系统(正常和变化MTSK植物模型以及标称MTSK植物模型)在温度y和控制作用u方面的参考阶跃响应,以及植物输入受到3%扰动时的阶跃响应。图9显示了BANN-PID(Kp, Ki, Kd)和SPID(Kps, Kis, Kds)的增益调整情况。由于非平衡初始条件引起的第一个阶跃响应被省略了。图8中的(a)部分显示了标称和变化植物条件下PID、BANN-PID和SPID系统相对于温度y和控制作用u的参考阶跃响应;(b)部分显示了标称植物和扰动阶跃响应条件下的PID、BANN-PID和SPID系统相对于温度y和控制作用u的参考阶跃响应。图9中的指标显示了比较系统的性能和鲁棒性,包括:-系统动态精度,以稳定时间ts和超调σ = [(ymax ? yr)/Δyr]×100%表示;-经济控制——控制作用范围Su = |umax ? umin|较小且平滑,以及饱和持续时间tsat;-系统鲁棒性,通过标称和变化MTSK植物模型下系统输出与控制的最大偏差来评估:Roby = ??????tk?|??o?(??)????(??)|%,Robu = ??????tk?|??o?(??)????(??)|%。指标值较小表明系统具有良好的性能和鲁棒性。图8b中相对较高的扰动对温度和控制作用的影响较小,验证了BANN-PID系统的鲁棒性。表1系统化了PID系统、增益调度BANN-PID系统和作为对照的增益调度FL PID系统的六个指标的评估结果。表格中的阴影值表示最佳性能,粗体值表示最差性能。对于给定系统和参考点(操作点),‘?’表示最差值的数量之和,‘+’表示最佳值的数量之和,作为根据性能和鲁棒性对系统进行评级的依据。根据这种评级系统,设计的增益调度BANN-PID系统表现最佳,在12个指标中获得了8个最佳值和1个最差值。评估基于六个指标和三个操作点,每个系统的总分为18分。表1显示了所研究的PID闭环控制系统的性能和鲁棒性指标。表1中平均值(蓝色)的比率表明PID和SPID系统的指标相对于BANN-PID系统高出多少。总体而言,BANN-PID系统的性能平均优于PID系统4.8倍,优于SPID系统2.2倍。与其余增益Ki和Kd不同,增益调度BANN-PID的增益Kp的振荡幅度更大。即使在参考变化的情况下,增益调度BANN-PID系统的大多数性能和鲁棒性指标仍保持较低(良好)的值,这证明了其对植物非线性的良好补偿能力,即能够根据参考点(操作点)调整ZN植物模型参数的变化。由于所使用的MTSK植物源自一系列实验阶跃响应(u∈[2 ÷ 20]%),其中温度低于80°C,因此模拟系统中的控制作用u被限制在20%以内。与PID控制系统相比,增益调度BANN-PID系统的控制作用更小且更平滑,这意味着干燥机的能耗更低;即由u控制的PWM占空比较小,干燥机(加热器、风扇等)与电网连接的持续时间相对较短。由于FL监控器旨在减少控制作用,SPID系统显示出稍微更经济的治疗效果。在干燥机温度的实时控制过程中,将三种系统的性能和能源效率与PLC-PID-PWM(PID exp)系统进行了比较。图10展示了PID、BANN-PID和SPID系统的仿真阶跃响应以及PLC-PID-PWM实验阶跃响应。增益调度BANN-PID系统的动态精度、鲁棒性和经济控制作用均优于PID和基于增益调度模糊逻辑的PID系统,以及PLC-PID-PWM实时系统。本研究的主要贡献如下:提出了一种新的方法,用于设计增益调度PID系统,通过使用经过反向传播神经网络(ANN)来估计不同操作点下ZN植物模型的参数,以控制非线性植物。该方法通过实验室水果干燥机的温度控制示例进行了说明,证明其可以轻松应用于工程实践。设计、训练并验证了一个简单的双层BANN模型,其输入为控制作用作为操作点的度量,五个隐藏神经元和三个输出神经元用于ZN植物模型的三个参数。BANN训练数据集基于MTSK植物模型在不同操作点下的阶梯响应的ZN近似值制备。MTSK植物模型是根据实验植物阶跃响应得出的,并通过先前研究中的实时PLC-PID-PWM温度控制数据进行了验证。通过比较ZN模型和MTSK模型的阶跃响应,评估了每个操作点下ZN植物模型的准确性。为增益调度BANN-PID系统推导出了新的频域鲁棒稳定性和鲁棒性能标准。设计的增益调度BANN-PID系统满足了确保其在工业环境中可行性的条件。仿真表明,该系统在动态精度、鲁棒性和经济控制作用方面优于PID和基于增益调度的模糊逻辑PID系统,以及PLC-PID-PWM实时系统。未来的研究将集中在将设计的基于BANN的增益调度方案应用于工业PLC-PID-PWM系统中,并在实际温度控制中测试自适应算法。所提出的方法可以应用于各种可以推导出MTSK植物模型的非线性植物控制,即使是可以定义少量线性化区域的植物,并且有实验数据或非线性模型可用。