CN109925992A - 一种基于多模块分阶段的连续搅拌在线监测方法 - Google Patents

Abstract

本发明公开了一种基于多模块分阶段的连续搅拌在线监测方法，包括：步骤一、按照采样周期，通过传感器测量反应物浓度C₀、催化剂浓度C′、产物浓度C_S、反应温度T、反应时间t；步骤二、依次将步骤一中获取的参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅}；其中x₁为反应物浓度系数，x₂为催化剂浓度系数、x₃为产物浓度系数、x₄为反应温度系数、x₅为反应时间系数；步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；步骤四、得到输出层向量o＝{o₁,o₂,o₃}；o₁为催化剂阀门开度调节系数，o₂为搅拌速率调节系数，o₃为冷却液阀门开度；步骤五、控制催化剂阀门开度、搅拌速率以及冷却液阀门开度。

Description

一种基于多模块分阶段的连续搅拌在线监测方法

技术领域

本发明涉及化工设备领域，尤其涉及一种基于多模块分阶段的连续搅拌在线监测方法。

背景技术

搅拌器是使液体、气体介质强迫对流并均匀混合的器件，其在化工生产中应用广泛，实现了大规模的工业生产。连续搅拌反应釜是搅拌器中的一种。

连续搅拌反应釜的反应器被广泛应用于化工生产、精细化工、生物医药、食品生产等工业领域中。对于连续搅拌反应釜，在稳定生产过程中，影响反应物产品质量的关键因素就是催化剂浓度和反应器内部温度。由于不同产品的生产工艺要求不同，所以按生产工艺要求对连续搅拌反应釜内的催化剂浓度、反应物浓度和温度进行最优控制是连续搅拌反应釜控制系统挖潜增效的关键。

当前国内连续搅拌反应釜的控制系统中很少采用最优控制理论及对应方法，控制器中的参数往往凭经验设定。采用最优控制方法后的连续搅拌反应釜中反应物和催化剂浓度偏差可以控制得更低，同时还可以进一步减少催化剂和冷却剂的使用量，实现挖潜增效。

发明内容

本发明为解决目前的技术不足之处，提供了一种基于多模块分阶段的连续搅拌在线监测方法，基于BP神经网络对连续搅拌反应釜进行控制，使反应状态达到最佳。

本发明提供的技术方案为：一种基于多模块分阶段的连续搅拌在线监测方法，当搅拌器工作时，基于BP神经网络确定连续搅拌反应釜的工作状态，包括以下步骤：

步骤一、按照采样周期，通过传感器测量反应物浓度C₀、催化剂浓度C′、产物浓度C_S、反应温度T、反应时间t；

步骤二、依次将步骤一中获取的参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅}；其中x₁为反应物浓度系数，x₂为催化剂浓度系数、x₃为产物浓度系数、x₄为反应温度系数、x₅为反应时间系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤四、得到输出层向量o＝{o₁,o₂,o₃}；o₁为催化剂阀门开度调节系数，o₂为搅拌速率调节系数，o₃为冷却液阀门开度；

步骤五、控制催化剂阀门开度、搅拌速率以及冷却液阀门开度，使

其中，和分别为第i次采样周期输出层向量前三个参数，K_max为催化剂阀门最大开度，V_max为搅拌最大速率，K′_max为冷却液阀门最大开度；K_i+1为第i+1个采样周期时催化剂阀门开度、V_i+1为第i+1个采样周期时搅拌速率，K′_i+1为第i+1个采样周期时冷却液阀门开度。

优选的是，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

优选的是，连续搅拌反应釜内设置有n_T个温度传感器，采集的温度值分别为T′₁,T′₂,…T′_i,…,T_nT′，根据温度传感器的位置赋予该温度值权值W_Ti，通过下式计算反应温度T：

优选的是，步骤三中，将反应物浓度C₀、催化剂浓度C′、产物浓度C_S、反应温度T、反应时间t进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数C₀、C′、C_S、T、t，j＝1,2,3,4,5；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，步骤四中，采用S曲线速度控制方法对搅拌速率进行控制。

优选的是，初始状态时，催化剂阀门开度K₀满足：

其中，C_0-max为反应釜内允许的最大反应物浓度。

优选的是，初始状态时，冷却液阀门开度K′₀满足：

其中，T₀为反应釜内设置的适宜温度，C″为催化剂的理想浓度。

优选的是，催化剂的理想浓度C″的计算过程为：

其中，C₀″为催化剂的标准浓度。

优选的是，步骤三中，初始运动状态，搅拌速率满足经验值：

V₀＝0.75V_max。

本发明所述的有益效果：本发明构建了人工神经网络，具有自学习和预测功能，使本系统具有良好的适应性和调控的准确性。本发明提供了一种基于多模块分阶段的连续搅拌在线监测方法，基于BP神经网络对连续搅拌反应釜进行控制，使反应状态达到最佳。本发明能够处理多参数、非线性系统的控制问题，能根据工作中设备的温度、浓度、反应时间等变化情况，自动调节反应釜的催化剂阀门开度、冷却液阀门开度、搅拌速率，提高产品质量，使用这种装置的系统工作更稳定，故障率更低。本发明将神经网络算法集成到芯片中，构成了片上系统，从而提高系统的集成度和实时性。

具体实施方式

下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明的一种基于多模块分阶段的连续搅拌在线监测方法是基于多模块分阶段的连续搅拌在线监测系统，包括：连续搅拌反应釜，内部设置反应物浓度传感器、催化剂浓度传感器、产物浓度传感器，分别用于监测反应釜内的反应物、催化剂以及产物的浓度，反应釜内还设置有多个温度传感器，用于监测反应釜内的温度变化。反应釜外还设置有计时器，用于记录每次反应搅拌时长。本反应釜的加料口处设置反应物阀门和催化剂阀门，其开度的调节控制反应物和催化剂的进入量(或流量)，本反应釜还设置冷却系统，通过往冷却管道内注入冷却液来降低反应釜内因为反应造成的温度急剧上升，在管道的入口处设置冷却液阀门，用于调控冷却液的流入量，从而控制冷却效果。

本系统还包括：采集模块、传输模块和控制模块，采集模块连接各传感器及计时器，用于采集反应釜内各物质的浓度和反应温度及反应时间。传输模块将采集模块采集的反应釜的数据转换成数字信号，并传送给控制模块，控制模块处理分析接收到的数字信号，并连接控制反应釜的工作状况(如反应物阀门、催化剂阀门以及冷却液阀门的开度，还有反应釜内的搅拌速率)。

其中，温度传感器设置在反应釜内，用于测量反应釜内反应温度T。作为一种优选的，在反应釜内部温度传感器设置有n_T个，它们测量的温度值分别为T′₁,T′₂,…T′_i,…,T_nT′，T′_i表示第i个温度传感器测量的温度值，其单位为℃。根据每个温度传感器所在位置的不同，赋予其一定的权值，即第i个温度传感器的权值为W_Ti，然后可将所有温度传感器的加权平均温度定义为反应釜的内部反应温度T，其单位为℃。因此，某一时刻反应釜的内部反应温度T可定义为：

权值W_Ti根据经验分析得出，并且满足：

表1列出了一组温度传感器的分布情况和测量值。

表1-1一组温度传感器测量值

则根据公式可得

T＝(50×0.5+50×0.5+55×1.5+60×2)/4.5＝56.11

则表示此时反应釜的内部的反应温度为56.11℃。

本发明采用BP神经网络对该绕线机进行精确控制。控制步骤如下：

步骤一S210：建立BP神经网络模型。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：o＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝5，输出层节点数为p＝3。隐藏层节点数m由下式估算得出：

输入信号5个参数分别表示为：x₁为反应物浓度系数，x₂为催化剂浓度系数、x₃为产物浓度系数、x₄为反应温度系数、x₅为反应时间系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于使用反应物浓度传感器测量的反应物浓度C₀，进行规格化后，得到反应物浓度系数x₁：

其中，C_0-max和C_0-min分别为反应釜内的反应物的最大浓度和最低浓度。

同样的，对于使用催化剂浓度传感器测量的催化剂浓度C′，进行规格化后，得到催化剂浓度系数x₂：

其中，C′_max和C′_min分别为反应釜内的催化剂的最大浓度和最低浓度。

同样的，对于使用产物浓度传感器测量的产物浓度C_S，进行规格化后，得到产物浓度系数x₃：

其中，C_S-max和C_S-min分别为反应釜内的产物的最大浓度和最低浓度。

同样的，对于使用温度传感器测量的反应温度T，进行规格化后，得到反应温度系数x₄：

其中，T_max和T_min分别为反应釜内的反应的最大温度和最小温度。

同样的，对于使用计时器测量的反应时间t，进行规格化后，得到反应时间系数x₅：

其中，t_max和t_min分别为反应釜内的反应时间的最大值和最小值。

输出信号的3个参数分别表示为：o₁为催化剂阀门开度调节系数，o₂为搅拌速率调节系数，o₃为冷却液阀门开度；

催化剂阀门开度调节系数o₁表示为下一个采样周期中催化剂阀门开度与当前采样周期中催化剂阀门的设定最大开度之比，即在第i个采样周期中，采集到的催化剂阀门开度为K_i，通过BP神经网络输出第i个采样周期的催化剂阀门开度调节系数后，控制第i+1个采样周期中催化剂阀门开度调节为K_i+1，使其满足

搅拌速率调节系数o₂表示为下一个采样周期中搅拌速率与当前采样周期中反应釜的设定最高搅拌速率之比，即在第i个采样周期中，采集到的搅拌速率为V_i，通过BP神经网络输出第i个采样周期的搅拌速率调节系数后，控制第i+1个采样周期中搅拌速率为V_i+1，使其满足

冷却液阀门开度调节系数o₃表示为下一个采样周期中冷却液阀门开度与当前采样周期中冷却液阀门的设定最大开度之比，即在第i个采样周期中，采集到的冷却液阀门开度为K′_i，通过BP神经网络输出第i个采样周期的冷却液阀门开度调节系数后，控制第i+1个采样周期中冷却液阀门开度为K′_i+1，使其满足

步骤二S220、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值θ_k、w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤三S230、采集反应釜的运行参数输入神经网络得到调控系数。

将训练好的人工神经网络固化在FPGA芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件加电启动后，

S231：按照采样周期，获取第i个采样周期时连续搅拌反应釜中反应物浓度C₀、催化剂浓度C′、产物浓度C_S、反应温度T、反应时间t；其中，i＝1,2,……。

S232：依次将上述5个参数进行规格化，得到第i个采样周期时三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅}。

S233：所述输入层向量映射到中间层，得到第i个采样周期时中间层向量y＝{y₁,y₂,y₃,y₄}。

S234：所述中间层向输出层映射，得到第i个采样周期时得到输出层向量o＝{o₁,o₂,o₃}。

S235、对催化剂阀门开度、搅拌速率以及冷却液阀门开度进行控制，使下一个周期即第i+1个采样周期时催化剂阀门开度、搅拌速率以及冷却液阀门开度满足：

其中，和分别为第i次采样周期输出层向量前三个参数，K_max为催化剂阀门最大开度，V_max为搅拌最大速率，K′_max为冷却液阀门最大开度；K_i+1为第i+1个采样周期时催化剂阀门开度、V_i+1为第i+1个采样周期时搅拌速率，K′_i+1为第i+1个采样周期时冷却液阀门开度。

初始状态时，催化剂阀门开度K₀满足：

其中，C_0-max为反应釜内允许的最大反应物浓度，单位为mol/L；C₀为反应物浓度，单位为mol/L；C_S为产物浓度，单位为mol/L；t为反应时间，单位为min；T为反应温度，单位℃。

初始状态时，冷却液阀门开度K′₀满足：

其中，T₀为反应釜内设置的适宜温度，单位℃；C″为催化剂的理想浓度，单位为mol/L。

其中，催化剂的理想浓度C″的计算过程为：

其中，C₀″为催化剂的标准浓度，单位为mol/L。

初始运动状态，搅拌速率满足经验值：

V₀＝0.75V_max。

在另一实施例中，本发明中采用S曲线速度控制方法对搅拌速率进行控制。S曲线速度控制分为加加速、匀加速、减加速、匀速、减减速、匀减速、加减速七个过程。控制连续搅拌的反应釜的搅拌电机采用伺服电机，伺服电机通过发送脉冲对伺服电机进行控制，脉冲的数量为电机运行的位移，脉冲频率为电机到的转动。通过发送脉冲个数和频率的不同，实现了对伺服电机的控制。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。

Claims (9)

1.一种基于多模块分阶段的连续搅拌在线监测方法，其特征在于，当搅拌器工作时，基于BP神经网络确定连续搅拌反应釜的工作状态，包括以下步骤：

步骤一、按照采样周期，通过传感器测量反应物浓度C₀、催化剂浓度C′、产物浓度C_S、反应温度T、反应时间t；

步骤二、依次将步骤一中获取的参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅}；其中x₁为反应物浓度系数，x₂为催化剂浓度系数、x₃为产物浓度系数、x₄为反应温度系数、x₅为反应时间系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤四、得到输出层向量o＝{o₁,o₂,o₃}；o₁为催化剂阀门开度调节系数，o₂为搅拌速率调节系数，o₃为冷却液阀门开度；

步骤五、控制催化剂阀门开度、搅拌速率以及冷却液阀门开度，使

其中，和分别为第i次采样周期输出层向量前三个参数，K_max为催化剂阀门最大开度，V_max为搅拌最大速率，K′_max为冷却液阀门最大开度；K_i+1为第i+1个采样周期时催化剂阀门开度、V_i+1为第i+1个采样周期时搅拌速率，K′_i+1为第i+1个采样周期时冷却液阀门开度。

2.根据权利要求1所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

3.根据权利要求1所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，连续搅拌反应釜内设置有n_T个温度传感器，采集的温度值分别为根据温度传感器的位置赋予该温度值权值W_Ti，通过下式计算反应温度T：

4.根据权利要求3所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，步骤三中，将反应物浓度C₀、催化剂浓度C′、产物浓度C_S、反应温度T、反应时间t进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数C₀、C′、C_S、T、t，j＝1,2,3,4,5；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

5.根据权利要求2所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，步骤四中，采用S曲线速度控制方法对搅拌速率进行控制。

6.根据权利要求4所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，初始状态时，催化剂阀门开度K₀满足：

其中，C_0-max为反应釜内允许的最大反应物浓度。

7.根据权利要求6所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，初始状态时，冷却液阀门开度K′₀满足：

其中，T₀为反应釜内设置的适宜温度，C″为催化剂的理想浓度。

8.根据权利要求7所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，催化剂的理想浓度C″的计算过程为：

其中，C″₀为催化剂的标准浓度。

9.根据权利要求8所述的基于多模块分阶段的连续搅拌在线监测方法，其特征在于，步骤三中，初始运动状态，搅拌速率满足经验值：

V₀＝0.75V_max。