CN109870986B - 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 - Google Patents
一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 Download PDFInfo
- Publication number
- CN109870986B CN109870986B CN201910153071.8A CN201910153071A CN109870986B CN 109870986 B CN109870986 B CN 109870986B CN 201910153071 A CN201910153071 A CN 201910153071A CN 109870986 B CN109870986 B CN 109870986B
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- cstr
- cstr system
- control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及一种基于神经网络和数据驱动的搅拌反应釜在线控制方法,包括下列步骤:赋予LM神经网络权值初始值,确定合适的阻尼因子;根据继电反馈环节,得到CSTR系统输出的振荡幅值V及其对应周期T,进而得到CSTR系统的临界幅值Ku和临界周期Tu;再根据Ziegler‑Nichols经验公式得到初始化PID神经网络参数值;将CSTR系统上一时刻温度输出作为LM神经网络输入,拟合CSTR系统正向模型,CSTR系统当前温度输出与LM神经网络输出误差e1小于ξ时,进入步骤4;LM神经网络将CSTR系统输入/输出的一阶导数传递给PID神经网络,在线调整控制律u。
Description
技术领域
本发明属于非线性系统数据驱动控制方法及相关智能控制领域,尤其是涉及一种基于神经网络和数据驱动的搅拌反应釜在线控制方法。
背景技术
随着经济和社会的不断地发展,自动控制技术在现代工业生产中起着越来越重要的作用,其应用程度已经成为衡量国家现代化水平的重要标志。化工生产在国民经济中占有重要的地位,同时也是现代工业生产中最具代表性的行业。通过自动控制技术的不断发展和完善,化工生产的控制精度不断提高,使其经济效益最大化。反应器是整个化工生产过程中的关键设备,直接影响着化学反应的成败,因此对反应器的控制研究也被越来越重视。由于釜式反应器内部设有搅拌装置,可使釜中反应区的反应物料均匀反应,因此在化工工业中广泛采用。连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR)是一种复杂的非线性化学反应器,是化工生产的核心设备,其核心的控制任务是在保证系统稳定的前提下,选择合适的控制变量,对反应釜内反应物的浓度或温度进行控制,达到改善产品质量,提高产品产量的目的。通常由于反应物浓度不可测,压力参数过于敏感等因素,CSTR多数采用温度控制的方法,CSTR反应过程中存在强非线性和强敏感性,因此对其过程控制的研究具有重要的理论价值和现实意义。
比例微积分神经网络(Proportional-Integral-Differential Neural Network,PID神经网络)是结合反馈调节和神经网络自适应的一种控制算法,尤其适合被控对象参数不明确,建模误差大的情况。PID神经网络可以根据系统误差在线更新比例(P)、积分(I)、微分(D)参数,因此在非线性系统控制中得到了很好的应用。
发明内容
本发明要解决的问题是提供一种基于神经网络和数据驱动的智能控制方法,在仅参考CSTR系统输入数据和输出数据基础上,在线快速控制系统达到相应的控制目标和控制精度。由于该智能控制算法不参考系统具体的数学模型,因此具有很强的自适应性和鲁棒性,同时对其他的工业过程控制也具有重要的实际参考价值。技术方案如下:
一种基于神经网络和数据驱动的搅拌反应釜在线控制方法,用以提高连续搅拌反应釜系统CSTR的温度相应的快速性和精确性,包括下列步骤:
(1)赋予LM神经网络权值初始值,确定合适的阻尼因子μ。
(2)根据继电反馈环节,得到CSTR系统输出的振荡幅值V及其对应周期T,进而得到CSTR系统的临界幅值Ku和临界周期Tu;再根据Ziegler-Nichols经验公式得到初始化PID神经网络的P,I,D参数值;
(3)将CSTR系统上一时刻温度输出作为LM神经网络输入,在线拟合CSTR系统正向模型,CSTR系统当前温度输出与LM神经网络输出误差e1小于ξ时,进入步骤4;
(4)LM神经网络将CSTR系统输入/输出的一阶导数传递给PID神经网络,在线调整控制律u;
(5)CSTR系统实际输出与系统预设值之间误差小于ζ时,神经网络参数停止更新,控制过程完成。
本发明的有益效果是:
(1)利用继电反馈优化了PID神经网络参数初始化选值过程。
(2)采用分层递阶组织结构,控制算法不再严格依赖被控对象的数学模型。
(3)控制算法不再需要采样数据样本并离线训练,整个控制过程均是在线完成的。
附图说明
图1为本发明具体实施例中连续搅拌反应釜(CSTR)拓扑结构示意图。
图2为本发明一种基于神经网络和数据驱动的搅拌反应釜在线控制系统示意图。
图3为本发明具体实施例中LM神经网络在线拟合连续搅拌反应釜正向模型的波形图。
图4为本发明具体实施例中算法在线控制效果的波形图
图5为本发明具体实施例中算法在线控制误差的波形图
具体实施方式
下面结合附图和具体实施方式进一步说明本发明。
本发明提供了一种基于神经网络和数据驱动的搅拌反应釜在线控制方法,其主要流程是利用继电器初始化PID神经网络,同时利用莱文贝格-马夸特神经网络(Levenberg-Marquardt neural network,LM神经网络)拟合CSTR系统正向模型,继而利用LM神经网络传递CSTR系统输入输出导数给PID神经网络,在线调整控制率u,进而控制CSTR系统温度响应的快速性和精确性。下面结合具体实施例进一步说明详细说明,以便有利于对本发明的理解。
步骤S1如图1所示为连续搅拌反应釜(CSTR)拓扑结构示意图,系统的控制量u为搅拌反应釜冷却液流量,x1为搅拌反应釜反应物浓度,x2为搅拌反应釜的温度。此时连续搅拌反应釜(CSTR)数学模型可以表示为:
模型的过程参数为B=8,Dd=0.072,γ=20,β=0.3,离散化后系统模型可以如下表示:
系统初始状态x1(0)=0.2,x2(0)=0.1,初始控制律u=0。在具体实施例中系统模型仅用于产生输入输出数据。
步骤S2结合具体实施例图2所示,开关首先连接位置‘1’,系统首先进入继电反馈环节。当R(t)给定时,CSTR系统在给定R(t)的附近产生等幅振荡波形。在本实施例中R(t)=0.1。
步骤S3利用继电反馈中函数描述法,结合具体实施例图3,则临界幅值Ku和临界周期Tu按照公式(3)计算可得:
h为R(t)的幅值0.1,V为系统等幅振荡的幅值0.0823。
步骤S4计算临界幅值Ku为15.471,临界周期Tu为5,通过Ziegler-Nichols经验公式可得P,I,D值分别为0.12,0.4,0.4。
步骤S5利用步骤S4所得P,I,D参数值初始化PID神经网络,。
步骤S6与步骤S2同步,赋予LM神经网络权值初始值,确定合适的阻尼因子μ=0.01,将CSTR系统输入u,CSTR系统上一时刻输出Y作为LM神经网络输入,利用LM神经网络在线拟合连续搅拌反应釜系统(CSTR)正向模型,图3为具体实施例中LM神经网络在线拟合连续搅拌反应釜正向模型波形图。
步骤S8 PID神经网络作控制器,网络初值由步骤S5决定,网络权值更新按公式(4)~(7)
A=|P|+|I|+|D| (5)
W=[W1,W2,W3] (7)
P0,I0,D0由步骤S4确定,e为系统设定值R与系统输出Y的当前误差,e_1为设定值与系统输出值的上一时刻误差,e_2为设定值与系统输出值的再上一时刻误差。控制器中控制律u更新如下:
u=u0+W·[e-e_1;e;e-2·e_1+e_2] (8)
u0的初始值为0,采用增量的控制方式更新控制律u。
步骤S9步骤S8中Δy/Δu由LM神经网络在线辨识得到。LM神经网络结构为2-5-1,结合具体实施例图2,网络输出为估计值当LM神经网络的估计值与CSTR系统实际输出值误差e1小于1e-3时,Δy/Δu可按照公式(9)计算得到:
Δy/Δu=w2·Hout'·(1-Hout)'·w1(:,2) (9)
w2为神经网络隐藏层到输出层的权值,Hout为隐含层输出值,w1为神经网络输入层到隐藏层的权值。
步骤S10LM神经网络权值变化量△w按照公式(10)在线计算。
Δw=(J'·J+μ·I)-1·J'·e (10)
J为δe/δwi(i=1,2),μ为阻尼因子,在本实施例中μ=0.01。如果LM神经网络在线拟合误差下降,则w1、w2和μ按照公式(11)更新。
LM神经网络在线拟合误差没有保持下降,则按照公式(12)重新计算。
Claims (1)
1.一种基于神经网络和数据驱动的搅拌反应釜在线控制方法,用以提高连续搅拌反应釜系统CSTR的温度相应的快速性和精确性,包括下列步骤:
(1)赋予LM神经网络权值初始值,确定阻尼因子μ=0.01;
(2)根据继电反馈环节,得到CSTR系统输出的振荡幅值V及其对应周期T,进而得到CSTR系统的临界幅值Ku和临界周期Tu;再根据Ziegler-Nichols经验公式得到初始化PID神经网络的P,I,D参数值;
(3)将CSTR系统上一时刻温度输出作为LM神经网络输入,在线拟合CSTR系统正向模型,CSTR系统当前温度输出与LM神经网络输出误差e1小于ξ时,进入步骤(4);
(4)LM神经网络将CSTR系统输入/输出的一阶导数传递给PID神经网络,PID神经网络作控制器,网络初值由权利要求中的(2)决定,然后网络权值进行更新,控制律u的初始值为0,采用增量的控制方式更新控制律u;
(5)CSTR系统实际输出与系统预设值之间误差小于ζ时,神经网络参数停止更新,控制过程完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153071.8A CN109870986B (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153071.8A CN109870986B (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109870986A CN109870986A (zh) | 2019-06-11 |
CN109870986B true CN109870986B (zh) | 2021-09-28 |
Family
ID=66919537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910153071.8A Active CN109870986B (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109870986B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180893B (zh) * | 2020-09-15 | 2021-07-13 | 郑州轻工业大学 | Cstr过程中故障相关分布式正交邻域保持嵌入模型的构建方法及其故障监控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093388A (zh) * | 2007-07-12 | 2007-12-26 | 上海交通大学 | 工业不稳定时滞过程模型在线检测的方法 |
CN104199536A (zh) * | 2014-07-23 | 2014-12-10 | 西安空间无线电技术研究所 | 一种基于bp神经网络的fpga动态功耗估算方法 |
CN104281055A (zh) * | 2014-03-18 | 2015-01-14 | 江南大学 | 一种连续搅拌聚丙烯反应釜温度的自抗扰控制方法 |
CN106499537A (zh) * | 2016-12-31 | 2017-03-15 | 南岳电控(衡阳)工业技术股份有限公司 | 一种柴油机共轨压力的pid参数自整定控制方法及装置 |
CN109143872A (zh) * | 2018-11-19 | 2019-01-04 | 重庆科技学院 | 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7615596B2 (en) * | 2005-09-30 | 2009-11-10 | Chevron Phillips Chemical Company Lp | Multiple component feed methods and systems |
-
2019
- 2019-02-28 CN CN201910153071.8A patent/CN109870986B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093388A (zh) * | 2007-07-12 | 2007-12-26 | 上海交通大学 | 工业不稳定时滞过程模型在线检测的方法 |
CN104281055A (zh) * | 2014-03-18 | 2015-01-14 | 江南大学 | 一种连续搅拌聚丙烯反应釜温度的自抗扰控制方法 |
CN104199536A (zh) * | 2014-07-23 | 2014-12-10 | 西安空间无线电技术研究所 | 一种基于bp神经网络的fpga动态功耗估算方法 |
CN106499537A (zh) * | 2016-12-31 | 2017-03-15 | 南岳电控(衡阳)工业技术股份有限公司 | 一种柴油机共轨压力的pid参数自整定控制方法及装置 |
CN109143872A (zh) * | 2018-11-19 | 2019-01-04 | 重庆科技学院 | 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109870986A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581870B (zh) | 含能材料反应釜的釜内温度动态矩阵控制方法 | |
EP1321836B1 (en) | Controller, temperature controller and heat processor using same | |
Jenzsch et al. | Generic model control of the specific growth rate in recombinant Escherichia coli cultivations | |
CN104846306A (zh) | 一种镀锌厚度控制系统及方法 | |
CN109507876B (zh) | 一种基于信度推理的电推船舶电机pid参数整定方法 | |
CN110426956A (zh) | 一种基于过程迁移模型的间歇过程最优补偿控制策略 | |
CN105717788A (zh) | 一种基于模糊pid的快速反射镜自抗扰控制系统 | |
CN109870986B (zh) | 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 | |
CN108845501A (zh) | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 | |
CN108052002A (zh) | 一种改进的模糊pid的智能汽车自动循迹方法 | |
CN105159071A (zh) | 一种迭代学习策略下工业模型预测控制系统的经济性能评估方法 | |
Li et al. | Reinforcement learning control with adaptive gain for a Saccharomyces cerevisiae fermentation process | |
CN106637026B (zh) | 一种镀锌过程气刀压力实时优化控制方法及系统 | |
Montague et al. | Online estimation and adaptive control of penicillin fermentation | |
CN105652666B (zh) | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 | |
CN116700393A (zh) | 一种基于模糊控制的反应釜温度控制方法 | |
CN112947606A (zh) | Bp神经网络pid预测控制的锅炉液位控制系统及方法 | |
CN109491385A (zh) | 基于elm的自动驾驶列车车速跟随的控制方法 | |
CN113655816B (zh) | 钢包底吹氩系统流量控制方法及计算机可读存储介质 | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统 | |
Zeng et al. | Microbial specific growth rate control via MRAC method | |
Gorrini et al. | Reaction rate estimation and model predictive control of hybridoma cell cultures | |
CN105092435A (zh) | 一种硫酸氧钛水解过程中偏钛酸粒子生长模拟分析方法 | |
CN110045616B (zh) | 一种搅拌反应罐的鲁棒预测控制方法 | |
CN112255912A (zh) | 一种无模型自适应pid控制策略的聚合釜产物浓度控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |