前言：

本文研究的发动机燃烧实验测控系统（以下简称“系统”），是以西门子的S7—1500型可编程逻辑控制器（PLC）作为下位机，以西门子的工业监控软件WinCC作为上位机的监控平台。

在PLC上安装了博途V16软件，用以编写PLC梯形图，实现对压力、流量、温度的高速采样和精确控制。

WinCC负责对PLC采集到的数据进行通信传输、存储、处理和显示，也可以对实验参数进行设定。

本文采取BP神经网络控制算法对传统的PiD流程进行优化，以确立精准控制燃料罐压力的优化方案，为开展后续实验项目奠定基础。

1系统结构

为了高速采样、记录和归档实验中产生的数据，下位机选用德国西门子公司出品的S7—1500型高性能PLC以实现数据采集。

上位机选用研华科技出品的高性能工控机（iPC），PLC和iPC通过工业以太网连接，iPC的WinCC软件通过ＯPC通信协议和PLC进行通信。该系统结构如图所示。

2系统对质谱仪的控制

该系统使用质谱仪作为分析装置。质谱仪是根据不同带电粒子在电场中偏转的原理进行工作。本实验采用SQL数据库来远程控制质谱仪的启停。

设置步骤如下：在上位机和质谱仪上都安装数据库，将质谱仪连接至上位机的WinCC数据库；建立记录数字变量表Data1，以一个Button变量记录质谱仪的状态；将上位机SQL数据库连接到本机的WinCC数据库，完成上位机和质谱仪的数据共享。

上位机软件WinCC通过VBS脚本监控质谱仪的运行状态。VBS脚本语言是由微软开发的一款简化的VB语言，是一种用户容易掌握访问数据的脚本语言。

如果点击WinCC窗口中的质谱仪按钮，就会执行按钮中设置的VBS脚本，然后根据VBS脚本中SQL语句读取到的数据改变按钮的状态，从而实现对质谱仪按钮的检测功能。

如果要实现对质谱仪按钮的控制功能，可以在手动控制质谱仪的启停按钮上绑定VBS脚本，每当按下启动或停止按钮，就会修改Data1数据库的数据，从而实现对质谱仪按钮的控制。

3燃烧实验的数据归档

为了比较实验数据以论证实验结果，系统必须要对每次实验的数据进行记录。针对这项需求，系统采用了WinCC的数据归档功能。该功能可以根据数据采样的频率将每次采集到的数据归档到WinCC的数据库，以便后期根据实验日期及时间精准查询数据。具体设置步骤如下。

1）首先将需要进行归档的数据添加到WinCC的变量管理中，然后设置变量类型。

2）利用WinCC项目管理中的archiveProduct归档功能选中已添加的变量，针对不同的归档变量设置不同的采样周期。根据工程需要，选择每秒归档1次。

3）设置归档变量的采样方式。若选择周期性归档，则设置归档的周期即可；若选择非周期性归档，则在全局脚本中添加所要触发条件的触发函数，以实现在激活归档时对数据进行归档，归档后进行复位。

4）完成以上操作后，可在WinCC窗口中添加用以显示数据的曲线控件和表格控件，设置显示控件的属性和外观，关联显示控件和需要归档的变量。实验结束后，就可以根据实验时间查询实时数据及数据变化的曲线。

4燃料罐的压力测控

系统的一个重要环节是对储存液体燃料的燃料罐进行压力检测和控制。先对该压力闭环控制系统采取比例积分微分（PiD）算法，如图所示。PiD模块由比例调节器（P）、积分调节器（i）和微分调节器（D）组成。

该燃料罐压力控制的传递函数是由延时环节和一阶惯性系统组合而成。其传递函数如式(1)所示:

式中：τ为延时环节的系数，K为比例系数，t为一阶惯性系统的系数。根据燃料罐的实际情况，设τ值为25、K值为1、T值为21，则燃料罐的传递函数如式（2）所示：

传统PiD调节是通过调节比例环节、积分环节和微分环节的参数来实现。首先调节比例环节来控制对象。虽然比例环节对滞后性不大的系统较为适用，但稳态误差较大。

为了解决此问题，引入了积分环节，将积分环节加入比例环节可以减小系统的静态误差，积分环节可以减小比例环节的系数。微分环节的加入可以帮助反应信号的变换趋势，使系统保持稳定。

5基于反向传播神经网络的PiD控制

针对系统对燃料罐压力控制精度的要求，本实验采用一种利用训练结果和期望值的差值，通过偏导形式进行反向传播（Back Propagation，BP）的神经网络控制算法对传统的PiD流程控制进行优化，如图所示。

神经网络会根据系统的训练结果和期望值的差值自发地调整参数。PiD控制算法与神经网络相结合，不仅能显著提高系统的控制精度，还能加快系统达到稳定状态。

如图所示，BP神经网络输入r（K）、时间输出值Y（K）、误差E（K）和常数1，其中1的作用是提高神经网络模型的稳定性、加快收敛速度。

本实验将输出层的3个神经元节点设置成比例调节系数（KP）、积分调节系数（Ki）和微分调节系数（KD）。本实验的隐含层数设为5。

权值是BP神经网络最重要的参数之一，选择一个合适的权值对神经网络的性能产生极大的影响。由于本模型有3层，需要2个权值矩阵。

选择5×4的随机矩阵作为从输入层到隐含层的矩阵，选择3×5的矩阵作为从隐含层到输出层的矩阵，且2个矩阵的权值初始值均在－1到1之间。

激活函数是神经网络模型非常重要的一个部分，而选择合适的激活函数，可以增强模型的非线性表达能力。正因为激活函数的存在才使得神经网络的非线性输出变得更加复杂，部分线性无法解决的问题可以由激活函数来解决。

激活函数有多种类型，tanK函数是激活函数的一种，其表达式如式（3）所示。当x的取值趋近于无穷大时，结果趋近于1；当x的取值为负的无穷大时，结果趋近于－1。

tanK函数能克服其他激活函数的缺点，如原点不对称、收敛速度慢等，因而系统的激活函数部分选择tanK函数。

学习效率是影响神经网络数据积累的重要因素之一，学习效率越高，则数据积累的能力越强。神经网络在学习初期，一般会选择较大的学习速率以积累更多的数据。

在学习后半段，会逐渐减小学习速率，直至误差不再发散。为了平衡神经网络数据积累的速率与神经网络模型的稳定性，将初始的学习效率设置为0.2。

根据燃料罐的传递函数（见式（2））进行仿真，确定权值、激活函数、学习速率和采样周期，给定神经网络的输入r（K）、Y（K）、E（K）。

根据输入值计算出本实验所需要的3个参数KP、Ki、KD，再根据PiD的值计算出输出Y（K）、E（K），最后更新权值Y（K）、E（K），反复执行，直至误差小于期望值或者达到执行次数为止。

根据燃料罐的传递函数，使用ＭatLaB对其控制模型进行BP神经网络的仿真实验。给定一个阶跃信号，输出结果如图所示，实线部分表示采用PiD算法的输出曲线，虚线部分表示采用神经网络的输出值。

从图可以看出，经BP神经网络优化的PiD虚线与传统的PiD实线相比，使系统到达稳定所需时间更短且超调量更小。

6结论

本燃烧实验测控系统基于传统的控制方案，在数据采集、数据存储，以及燃料罐压力控制算法等方面实现了创新。

在数据采集和数据存储方面，研究人员采取VBS脚本的方式实现对数据的高频率采集，并能通过WinCC图形化界面，按照数据的存储时间实时读取SQL数据库中的数据。

在燃烧罐的压力控制算法方面，研究人员采取BP神经网络控制算法对传统的PiD流程控制进行优化。

实验结果表明，经过优化的PiD流程使测控系统达到稳定所需时间更短且超调量更小。

本项研究确立了精准控制燃料罐压力的优化方案，为开展后续实验项目，即通过控制燃料罐燃料的均匀喷洒实现对燃烧温度的精准控制奠定基础，对航天发动机的整体稳定的高精度控制起到重要的作用。

作者观点：

以西门子公司的高性能S7—1500型PLC作为控制器，以WinCC组态软件作为上位机监控平台，实现对监控变量的高速度采集和控制。实验数据采集频率达到1KHz，满足燃烧实验数据采集和处理的要求。

通过改进传统的PiD控制算法，即加入BP神经网络的控制算法，实现对燃料罐压力的高精度、智能化控制。

参考文献：

刘川，赵峰，刘俊．Han基无毒单组元1n发动机设计研究[J]．上海航天，2016，33（4）：32－37．

李欣，雷菊阳．基于OPC技术的水箱实时监控系统[J]．自动化仪表，2018，39（12）：6－8．

温希东．自动控制原理及其应用[M]．北京：高等教育出版社，2004．

谢深．LnG储罐压力的控制传递函数[J]．自动化仪表，2014，35（增刊1）：29－33．

张永贤，邰万文，陈杨谨瑜，等．基于iPSO—BP算法的燃油系统气压控制优化[J]．液压与气动，2021，45（5）：91－97．

王安敏，耿云飞．基于神经网络PiD的解冻装置温湿度控制系统设计[J]．计算机与数字工程，2018，39（12）：1519－1523．

程媛，王守城．基于神经网络PiD的禽舍温湿度控制系统设计[J]．计算机与数字工程，2021，49（1）：64－68．