论文部分内容阅读
摘要：本文将PID控制的一种改进算法（微分先行PID算法）和RBF神经网络相结合，组成了基于RBF神经网络的微分先行PID自适应控制器，将这种控制器用于环氧丙烷生产中的丙烯蒸发器的控制中，取得了很好的效果。
关键词：丙烯蒸发器；自适应控制
对于一般的被控对象，利用常规PID参数整定方法能够获得良好的控制效果，但是在当前不断复杂的过程控制中，被控对象变得越来越复杂，人们对其控制精度的要求也日益增高，此时常规控制器就不能得到较好的控制效果，基于以往常规方法来整定PID参数已经不能满足控制要求，从而产生了复杂性和精确性的尖锐矛盾。而智能自适应控制是解决上述问题的有效方法之一[1]，其中神经网络以其良好的自适应自学习能力，使它可以作为一种很好的方法得以应用。使用人工神经网络实现直接或间接的PID控制，实现了PID的自适应控制，使传统的PID控制得以能够继续发挥其在控制中的良好作用，本文将PID控制的一种改进算法（微分先行PID算法）和RBF神经网络相结合，组成了基于RBF神经网络的微分先行PID自适应控制器，共同发挥二者的优势，从而提高控制效果。
首先，先对丙烯蒸发器装置进行分析，其结构如图1所示。
丙烯蒸发器的加热介质是高温蒸汽凝水，温度为60摄氏度。丙烯由丙烯储罐通过泵抽送至丙烯蒸发器，然后與高温蒸汽凝水进行换热，气化成气态丙烯后送至管式反应器及塔式反应器参加下一步反应。
这里，主要的参数有三个即丙烯蒸发器内气相压力、液相温度及液位，其中最为重要的是气相压力。在氯醇化阶段，生产工艺要求丙烯和氯气的配比为1：1.7，在装置中，这个配比是通过控制氯气和丙烯的流量比来实现的。对气体来说，压力对实际的通过质量的影响是相当大的。所以，能否控制气相压力在一个稳定值，对于能否实现工艺要求是至关重要的。
各工艺参数与蒸发器工况的关系如下：
液相温度高，说明丙烯纯度不好，含丙烷或烯类多。在丙烯纯度不变的情况下，该温度是稳定的。气相压力和液相温度有同方向的关系。液相温度可以反映丙烯纯度，温度高或上升的快，说明丙烯纯度不好，需要的气化热多，若是纯丙烯，气化时好气化，杂质多则所需热量多。而气相压力和液位则与丙烯纯度无关。
对于丙烯蒸发器，对整个工况影响最大的参数是气相压力，而气相压力主要是通过加热用水的流量来控制的。所以，这里先建立丙烯蒸发器的加热用水流量--一气相压力（F-P）模型，以便作为下一步进行控制方法研究的模型。
建模的方法有很多，神经网络因能够较为有效地处理过程的非线性和滞后，同时它不需要很多工业过程的先验知识，而是根据输入输出数据直接建模的优点在多输入多输出的非线性系统的建模中越来越广泛地得到应用。
神经元网络方法突破了对约束条件的假设，并且对测量数据中随机误差的分布不作特殊要求（如正态分布），和各种传统方法相比，神经元网络方法作为非参数模型估计方法，只要求对历史数据进行模型训练，不要求掌握过程本身的精确模型，因此，对一些模型比较复杂但输入输出数据较易得到的过程建模有利。
环氧丙烷装置中的丙烯蒸发器就是一个输入输出数据较易得到的非线性系统，在本文中，应用RBF神经网络，建立了丙烯蒸发器的静态模型。由于不是本文的研究重点，所以不详细论述。
在实际操作过程中，绝大部分的时间蒸发器都工作在稳态。因此，我们所能采集到的数据都是工作点附近的数据，通过筛选，一共获得有代表性的296对数据。由于这里所要建立的模型是静态模型，所以采用RBF神经网络作为辨识器。首先对所得到的数据进行归一化处理，然后利用处理后的数据建立F-P模型。其模型N如下：
X（t+1）=（1-b）X（t）+
其中，a=0.2，b=0.1，τ=17。
由于生产的实际情况不允许在该装置上直接进行实际的控制研究，所以这里只能利用所得到的模型，针对该模型进行仿真研究。
但利用该模型进行控制研究存在着一个问题。建立该模型所采用的数据都是在平衡点附近采集的，所以应该说该模型是一个静态模型。而我们所要进行的控制研究应该针对动态模型，所以这里就要采用一定的变通方式。文中采用的方法为在该模型的输出端增加一个一阶环节P（s）
其中，τ2为时间常数。这样，设神经网络模型为N，则整体模型M为
M=N .P（s）
引入P（s）的主要目的是在静态模型的基础上进行动态的模拟，以得到一个近似的动态模型。时间常数：可以利用装置的工艺参数进行估算，经过估算这里取τ2=5 .5。
然后，我们将PID自适应控制的方法应用于模型M，取输入信号为阶跃输入，幅值为1，仿真结果如图2所示。
（其中，实线为参考模型输出，虚线为对象输出）
以上论述针对非线性、大时变、大延迟的复杂被控对象，提出了基于神经网络PID自适应控制，将神经网络与PID控制结合起来，通过神经网络辨识PID参数，实现PID参数自整定。针对所提出的自适应控制策略，进行了仿真试验，试验结果表明了该方法的有效性。
参考文献：
[1]谢新，丁锋.自适应控制系统. 北京：清华大学出版社，2002.
[2]李清泉，郭莉.智能PID调节器.自动化学报，1993，19（3）：336～339.
[3]张军英，方敏.智能PID控制器及其自学习.黑龙江自动化技术与应用，1992，1（1）：20～23.
[4]刘伯春.智能自整定PID调节器的进展.化工自动化及仪表，1994，21（1）： 46～49.
关键词：丙烯蒸发器；自适应控制
对于一般的被控对象，利用常规PID参数整定方法能够获得良好的控制效果，但是在当前不断复杂的过程控制中，被控对象变得越来越复杂，人们对其控制精度的要求也日益增高，此时常规控制器就不能得到较好的控制效果，基于以往常规方法来整定PID参数已经不能满足控制要求，从而产生了复杂性和精确性的尖锐矛盾。而智能自适应控制是解决上述问题的有效方法之一[1]，其中神经网络以其良好的自适应自学习能力，使它可以作为一种很好的方法得以应用。使用人工神经网络实现直接或间接的PID控制，实现了PID的自适应控制，使传统的PID控制得以能够继续发挥其在控制中的良好作用，本文将PID控制的一种改进算法（微分先行PID算法）和RBF神经网络相结合，组成了基于RBF神经网络的微分先行PID自适应控制器，共同发挥二者的优势，从而提高控制效果。
首先，先对丙烯蒸发器装置进行分析，其结构如图1所示。
丙烯蒸发器的加热介质是高温蒸汽凝水，温度为60摄氏度。丙烯由丙烯储罐通过泵抽送至丙烯蒸发器，然后與高温蒸汽凝水进行换热，气化成气态丙烯后送至管式反应器及塔式反应器参加下一步反应。
这里，主要的参数有三个即丙烯蒸发器内气相压力、液相温度及液位，其中最为重要的是气相压力。在氯醇化阶段，生产工艺要求丙烯和氯气的配比为1：1.7，在装置中，这个配比是通过控制氯气和丙烯的流量比来实现的。对气体来说，压力对实际的通过质量的影响是相当大的。所以，能否控制气相压力在一个稳定值，对于能否实现工艺要求是至关重要的。
各工艺参数与蒸发器工况的关系如下：
液相温度高，说明丙烯纯度不好，含丙烷或烯类多。在丙烯纯度不变的情况下，该温度是稳定的。气相压力和液相温度有同方向的关系。液相温度可以反映丙烯纯度，温度高或上升的快，说明丙烯纯度不好，需要的气化热多，若是纯丙烯，气化时好气化，杂质多则所需热量多。而气相压力和液位则与丙烯纯度无关。
对于丙烯蒸发器，对整个工况影响最大的参数是气相压力，而气相压力主要是通过加热用水的流量来控制的。所以，这里先建立丙烯蒸发器的加热用水流量--一气相压力（F-P）模型，以便作为下一步进行控制方法研究的模型。
建模的方法有很多，神经网络因能够较为有效地处理过程的非线性和滞后，同时它不需要很多工业过程的先验知识，而是根据输入输出数据直接建模的优点在多输入多输出的非线性系统的建模中越来越广泛地得到应用。
神经元网络方法突破了对约束条件的假设，并且对测量数据中随机误差的分布不作特殊要求（如正态分布），和各种传统方法相比，神经元网络方法作为非参数模型估计方法，只要求对历史数据进行模型训练，不要求掌握过程本身的精确模型，因此，对一些模型比较复杂但输入输出数据较易得到的过程建模有利。
环氧丙烷装置中的丙烯蒸发器就是一个输入输出数据较易得到的非线性系统，在本文中，应用RBF神经网络，建立了丙烯蒸发器的静态模型。由于不是本文的研究重点，所以不详细论述。
在实际操作过程中，绝大部分的时间蒸发器都工作在稳态。因此，我们所能采集到的数据都是工作点附近的数据，通过筛选，一共获得有代表性的296对数据。由于这里所要建立的模型是静态模型，所以采用RBF神经网络作为辨识器。首先对所得到的数据进行归一化处理，然后利用处理后的数据建立F-P模型。其模型N如下：
X（t+1）=（1-b）X（t）+
其中，a=0.2，b=0.1，τ=17。
由于生产的实际情况不允许在该装置上直接进行实际的控制研究，所以这里只能利用所得到的模型，针对该模型进行仿真研究。
但利用该模型进行控制研究存在着一个问题。建立该模型所采用的数据都是在平衡点附近采集的，所以应该说该模型是一个静态模型。而我们所要进行的控制研究应该针对动态模型，所以这里就要采用一定的变通方式。文中采用的方法为在该模型的输出端增加一个一阶环节P（s）
其中，τ2为时间常数。这样，设神经网络模型为N，则整体模型M为
M=N .P（s）
引入P（s）的主要目的是在静态模型的基础上进行动态的模拟，以得到一个近似的动态模型。时间常数：可以利用装置的工艺参数进行估算，经过估算这里取τ2=5 .5。
然后，我们将PID自适应控制的方法应用于模型M，取输入信号为阶跃输入，幅值为1，仿真结果如图2所示。
（其中，实线为参考模型输出，虚线为对象输出）
以上论述针对非线性、大时变、大延迟的复杂被控对象，提出了基于神经网络PID自适应控制，将神经网络与PID控制结合起来，通过神经网络辨识PID参数，实现PID参数自整定。针对所提出的自适应控制策略，进行了仿真试验，试验结果表明了该方法的有效性。
参考文献：
[1]谢新，丁锋.自适应控制系统. 北京：清华大学出版社，2002.
[2]李清泉，郭莉.智能PID调节器.自动化学报，1993，19（3）：336～339.
[3]张军英，方敏.智能PID控制器及其自学习.黑龙江自动化技术与应用，1992，1（1）：20～23.
[4]刘伯春.智能自整定PID调节器的进展.化工自动化及仪表，1994，21（1）： 46～49.