CN110554715A - 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 - Google Patents
基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 Download PDFInfo
- Publication number
- CN110554715A CN110554715A CN201911022555.5A CN201911022555A CN110554715A CN 110554715 A CN110554715 A CN 110554715A CN 201911022555 A CN201911022555 A CN 201911022555A CN 110554715 A CN110554715 A CN 110554715A
- Authority
- CN
- China
- Prior art keywords
- neural network
- pid controller
- rbf neural
- setting
- output
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007062 hydrolysis Effects 0.000 title claims abstract description 21
- 238000006460 hydrolysis reaction Methods 0.000 title claims abstract description 21
- 239000013078 crystal Substances 0.000 title claims abstract description 13
- 229910000349 titanium oxysulfate Inorganic materials 0.000 title claims abstract description 13
- 238000010438 heat treatment Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 abstract description 12
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 abstract description 10
- 239000004408 titanium dioxide Substances 0.000 abstract description 5
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005660 chlorination reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1919—Control of temperature characterised by the use of electric means characterised by the type of controller
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及硫酸法生产钛白粉工艺过程控制领域，其公开了一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，提高水解工艺温度控制精度和稳定性。该方法包括以下步骤：A、设置参考温度、温度误差以及PID控制器的输入和输出；B、设定RBF神经网络结构及网络整定指标，利用RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定；C、PID控制器利用经过自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控。
Description
技术领域
本发明涉及硫酸法生产钛白粉工艺过程控制领域，具体涉及一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法。
背景技术
钛白粉的主要生产工艺包括硫酸法和氯化法，目前国内仍以硫酸法钛白为主。在硫酸法钛白工艺中，水解不仅影响工业生产的经济性，而且对最终产品的质量有极大的影响，因此水解工序是硫酸法生产中最核心工序之一，也是整个工艺中控制最苛刻的地方之一。
针对工业控制领域中的非线性系统，采用传统PID控制由于控制参数无法进行自适应调整，控制精度较低、而且波动范围大，已经无法获得满意的效果。
发明内容
本发明所要解决的技术问题是：提出一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，提高水解工艺温度控制精度和稳定性。
本发明解决上述技术问题采用的技术方案是：
基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，应用于采用PID控制器对蒸汽加热调节阀进行调节控制的系统中，该方法包括以下步骤：
A、设置参考温度、温度误差以及PID控制器的输入和输出；
B、设定RBF神经网络结构及网络整定指标，利用RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定；
C、PID控制器利用经过自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控。
作为进一步优化，步骤A具体包括：
设置所述参考温度为r，温度误差为e(k)＝r(k)-y(k)；
其中y(k)为RBF神经网络整定后PID控制器实际输出，e(k)为表示参考输入与实际输出的偏差值，k表示当前时刻；
PID控制器输入为：
x1(k)＝e(k)＝r(k)-y(k)
x2(k)＝Δe(k)＝e(k)-e(k-1)
x3(k)＝Δ2e(k)＝Δe(k)-Δe(k-1)＝e(k)-e(k-1)-[e(k-1)-e(k-2)]
PID控制器输出为：
u(k)＝u(k-1)+Δu(k)＝u(k-1)+kp*x1(k)+ki*x2(k)+kd*x3(k)，
其中kp、ki、kd为PID控制器三个需要调整的调节参数。
作为进一步优化，步骤B具体包括：
设定RBF神经网络结构初始参数，包含隐含层节点数、节点基函数中心向量、节点基函数方差、输出层权重以及学习速率η；
设定神经网络输入层为：u(k)、y(k)、y(k-1)，输出为ym(k)，设定神经网络整定指标为：E＝1/2[y(k)-ym(k)]^2；
采用梯度下降法调整PID控制器的kp、ki、kd参数，使得整定指标最小：
其中，通过RBF神经网络不断自适应学习可以得到：
w为输出层权重，b为节点基函数方差，c为节点基函数中心向量，x为RBF神经网络输入层，m为隐含层神经元数量。
本发明的有益效果是：
结合RBF神经网络自学习、自适应的优点，用于PID控制器的参数整定中。利用基于RBF神经网络的温度PID控制算法对硫酸氧钛外加晶种水解工艺温度进行控制，达到计算结果更加快速、精确，从而实现精确实时控制的目的，并且控制波动小。
附图说明
图1为本发明中的基于RBF神经网络的PID控制原理图。
具体实施方式
本发明旨在提供一种基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，提高水解工艺温度控制精度和稳定性。其核心思想是：将RBF神经网络算法融入PID控制器的参数整定中，基于RBF神经网络自学习、自适应的优点不断学习PID控制器的输出、偏差以及三个调节参数之间的最佳非线性关系，从而输出自适应的PID调节参数，用于对PID控制器参数整定，原理如图1所示。
本基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，应用于采用PID控制器对蒸汽加热调节阀进行调节控制的系统中，该控制方法包括以下步骤：
步骤1、设置参考温度、温度误差及PID控制器的输入、输出：
参考温度为r，温度误差为e(k)＝r(k)-y(k)，其中y(k)为RBF神经网络整定后PID控制器实际输出，e(k)为表示参考输入与实际输出的偏差值，k表示当前时刻，PID控制器输入为：
x1(k)＝e(k)＝r(k)-y(k)
x2(k)＝Δe(k)＝e(k)-e(k-1)
x3(k)＝Δ2e(k)＝Δe(k)-Δe(k-1)＝e(k)-e(k-1)-[e(k-1)-e(k-2)]
PID控制器输出为：u(k)＝u(k-1)+Δu(k)＝u(k-1)+kp*x1(k)+ki*x2(k)+kd*x3(k)，其中kp、ki、kd为PID控制器三个需要调整的参数；
步骤2、设定RBF神经网络结构及网络整定指标，通过RBF神经网络自适应调整PID控制器参数kp、ki、kd：
设定RBF神经网络结构初始参数，包含隐含层节点数、节点基函数中心向量、节点基函数方差、输出层权重、学习速率η等，设定神经网络输入层为：u(k)、y(k)、y(k-1)输出为ym(k)，设定神经网络整定指标为：E＝1/2[y(k)-ym(k)]^2。
RBF神经网络的输入向量为X＝[u，y]T；u为PID控制器调节输出量，y为实际水解温度输出量；RBF神经网络的径向基向量h＝[h1，h2，h3…hn]T，其中h为高斯基函数；在高斯基函数中，c代表函数中心矢量c＝[c1,c2,c3...cn]T，b为基宽度；W为隐含层到输出层权重系数。
辨识网络输出：
辨识器性能指标：
E＝1/2[y(k)-ym(k)]^2
采用梯度下降法调整kp、ki、kd参数，使得整定指标最小：
其中，通过RBF神经网络不断自适应学习可以得到：
w为输出层权重，b为节点基函数方差，c为节点基函数中心向量，x为RBF神经网络输入层，m为隐含层神经元数量；
步骤3、PID控制器利用经过RBF神经网络自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控：
通过上述公式计算出每时刻ki、kp、kd参数，完成对PID控制参数的自适应调整，输出到执行机构蒸汽调节阀，实现基于RBF神经网络的PID水解温度控制。
在具体实施时，为了获取RBF神经网络辨识参数，我们选取了50组采样数据对系统进行训练。RBF神经网络学习速率为0.1，动量因子选择0.05。采用典型三层网络模型，隐层节点数为6个。通过将基于RBF神经网络的PID控制与采用普通PID控制对水解工艺温度调控结果进行比较，基于RBF神经网络的PID控制器实际温度在升温阶段能够很好的跟随设定温度且比PID控制器更加快速达到收敛。并且，在稳定阶段，若设定温度为200℃，基于RBF神经网络的PID控制器温度能温度维持在199.75℃，而普通PID控制的温度波动范围较大。
因此本发明基于RBF神经网络的PID控制器对硫酸氧钛外加晶种水解工艺温度进行控制，具有精度高、均匀性好的优点。
Claims (3)
1.基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，应用于采用PID控制器对蒸汽加热调节阀进行调节控制的系统中，其特征在于，
该方法包括以下步骤：
A、设置参考温度、温度误差以及PID控制器的输入和输出；
B、设定RBF神经网络结构及网络整定指标，利用RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定；
C、PID控制器利用经过自适应整定的调节参数控制输出，对蒸汽加热调节阀进行调控。
2.如权利要求1所述的基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，其特征在于，
步骤A具体包括：
设置所述参考温度为r，温度误差为e(k)＝r(k)-y(k)；
其中y(k)为RBF神经网络整定后PID控制器实际输出，e(k)为表示参考输入与实际输出的偏差值，k表示当前时刻；
PID控制器输入为：
x1(k)＝e(k)＝r(k)-y(k)
x2(k)＝Δe(k)＝e(k)-e(k-1)
x3(k)＝Δ2e(k)＝Δe(k)-Δe(k-1)＝e(k)-e(k-1)-[e(k-1)-e(k-2)]
PID控制器输出为：
u(k)＝u(k-1)+Δu(k)＝u(k-1)+kp*x1(k)+ki*x2(k)+kd*x3(k)，
其中kp、ki、kd为PID控制器三个需要调整的调节参数。
3.如权利要求2所述的基于RBF神经网络的硫酸氧钛外加晶种水解工艺温度PID控制方法，其特征在于，
步骤B具体包括：
设定RBF神经网络结构初始参数，包含隐含层节点数、节点基函数中心向量、节点基函数方差、输出层权重以及学习速率η；
设定神经网络输入层为：u(k)、y(k)、y(k-1)，输出为ym(k)，设定神经网络整定指标为：E＝1/2[y(k)-ym(k)]^2；
采用梯度下降法调整PID控制器的kp、ki、kd参数，使得整定指标最小：
其中，通过RBF神经网络不断自适应学习可以得到：
w为输出层权重，b为节点基函数方差，c为节点基函数中心向量，x为RBF神经网络输入层，m为隐含层神经元数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911022555.5A CN110554715A (zh) | 2019-10-25 | 2019-10-25 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911022555.5A CN110554715A (zh) | 2019-10-25 | 2019-10-25 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110554715A true CN110554715A (zh) | 2019-12-10 |
Family
ID=68743180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911022555.5A Pending CN110554715A (zh) | 2019-10-25 | 2019-10-25 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110554715A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283006A (zh) * | 2021-05-20 | 2021-08-20 | 张家港清研检测技术有限公司 | 基于rbf神经网络控制燃料电池电堆多参数响应方法 |
| CN114089795A (zh) * | 2021-11-22 | 2022-02-25 | 江苏科技大学 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
| CN114296489A (zh) * | 2021-12-04 | 2022-04-08 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
| CN114489182A (zh) * | 2022-02-11 | 2022-05-13 | 无锡市肯恩科技有限公司 | 一种具有双温度检测功能的pid温度控制方法 |
| CN115629638A (zh) * | 2022-11-28 | 2023-01-20 | 中国科学院过程工程研究所 | 物料热处理除油脂控温方法及温控系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003256005A (ja) * | 2002-03-01 | 2003-09-10 | Omron Corp | 制御方法および制御装置 |
| CN102050488A (zh) * | 2011-01-10 | 2011-05-11 | 攀钢集团重庆钛业有限公司 | 一种水解工艺 |
| CN103964494A (zh) * | 2014-05-27 | 2014-08-06 | 贵州东华工程股份有限公司 | 硫酸法钛白生产自生晶种常压水解方法 |
| CN104176776A (zh) * | 2013-05-20 | 2014-12-03 | 山东道恩钛业有限公司 | 高浓度、低铁钛比硫酸氧钛溶液水解方法 |
| CN105116719A (zh) * | 2015-07-17 | 2015-12-02 | 中国华能集团公司 | 基于热量前馈信号的尿素水解反应器控制系统和方法 |
| CN105271398A (zh) * | 2015-11-10 | 2016-01-27 | 攀钢集团攀枝花钢铁研究院有限公司 | 水解集成系统及其工作方法 |
| CN105314653A (zh) * | 2015-11-11 | 2016-02-10 | 中国华能集团公司 | 一种尿素水解反应器控制系统和方法 |
| KR101634908B1 (ko) * | 2015-09-21 | 2016-06-29 | 울산과학대학교 산학협력단 | 동기 발전기의 여자기 제어를 위한 pid 제어기 및 제어 방법 |
| CN106168815A (zh) * | 2016-07-27 | 2016-11-30 | 中冶南方工程技术有限公司 | 一种基于神经网络pid的酸液温度控制系统及方法 |
| CN108549213A (zh) * | 2018-06-26 | 2018-09-18 | 西安科技大学 | 一种基于rbf神经网络pid的速比控制方法 |
| CN108719516A (zh) * | 2018-05-22 | 2018-11-02 | 湖南师范大学 | 一种基于rbf神经网络茶机加工控制参数智能整定方法 |
| CN108958020A (zh) * | 2018-05-29 | 2018-12-07 | 南京理工大学 | 一种基于rbf神经网络动态预测pid的温度控制方法 |
| CN109597449A (zh) * | 2019-01-30 | 2019-04-09 | 杭州庆睿科技有限公司 | 一种基于神经网络的超声波分散仪温度控制方法 |
| CN110262582A (zh) * | 2019-07-30 | 2019-09-20 | 中原工学院 | 一种基于改进rbf神经网络的高温高压卷染机温度控制方法 |
-
2019
- 2019-10-25 CN CN201911022555.5A patent/CN110554715A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003256005A (ja) * | 2002-03-01 | 2003-09-10 | Omron Corp | 制御方法および制御装置 |
| CN102050488A (zh) * | 2011-01-10 | 2011-05-11 | 攀钢集团重庆钛业有限公司 | 一种水解工艺 |
| CN104176776A (zh) * | 2013-05-20 | 2014-12-03 | 山东道恩钛业有限公司 | 高浓度、低铁钛比硫酸氧钛溶液水解方法 |
| CN103964494A (zh) * | 2014-05-27 | 2014-08-06 | 贵州东华工程股份有限公司 | 硫酸法钛白生产自生晶种常压水解方法 |
| CN105116719A (zh) * | 2015-07-17 | 2015-12-02 | 中国华能集团公司 | 基于热量前馈信号的尿素水解反应器控制系统和方法 |
| KR101634908B1 (ko) * | 2015-09-21 | 2016-06-29 | 울산과학대학교 산학협력단 | 동기 발전기의 여자기 제어를 위한 pid 제어기 및 제어 방법 |
| CN105271398A (zh) * | 2015-11-10 | 2016-01-27 | 攀钢集团攀枝花钢铁研究院有限公司 | 水解集成系统及其工作方法 |
| CN105314653A (zh) * | 2015-11-11 | 2016-02-10 | 中国华能集团公司 | 一种尿素水解反应器控制系统和方法 |
| CN106168815A (zh) * | 2016-07-27 | 2016-11-30 | 中冶南方工程技术有限公司 | 一种基于神经网络pid的酸液温度控制系统及方法 |
| CN108719516A (zh) * | 2018-05-22 | 2018-11-02 | 湖南师范大学 | 一种基于rbf神经网络茶机加工控制参数智能整定方法 |
| CN108958020A (zh) * | 2018-05-29 | 2018-12-07 | 南京理工大学 | 一种基于rbf神经网络动态预测pid的温度控制方法 |
| CN108549213A (zh) * | 2018-06-26 | 2018-09-18 | 西安科技大学 | 一种基于rbf神经网络pid的速比控制方法 |
| CN109597449A (zh) * | 2019-01-30 | 2019-04-09 | 杭州庆睿科技有限公司 | 一种基于神经网络的超声波分散仪温度控制方法 |
| CN110262582A (zh) * | 2019-07-30 | 2019-09-20 | 中原工学院 | 一种基于改进rbf神经网络的高温高压卷染机温度控制方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283006A (zh) * | 2021-05-20 | 2021-08-20 | 张家港清研检测技术有限公司 | 基于rbf神经网络控制燃料电池电堆多参数响应方法 |
| CN114089795A (zh) * | 2021-11-22 | 2022-02-25 | 江苏科技大学 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
| CN114296489A (zh) * | 2021-12-04 | 2022-04-08 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
| CN114296489B (zh) * | 2021-12-04 | 2022-09-20 | 北京工业大学 | 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法 |
| CN114489182A (zh) * | 2022-02-11 | 2022-05-13 | 无锡市肯恩科技有限公司 | 一种具有双温度检测功能的pid温度控制方法 |
| CN115629638A (zh) * | 2022-11-28 | 2023-01-20 | 中国科学院过程工程研究所 | 物料热处理除油脂控温方法及温控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110554715A (zh) | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 | |
| Jiang et al. | Tracking control for linear discrete-time networked control systems with unknown dynamics and dropout | |
| CN109143863A (zh) | 非线性系统的快速自学习改进adrc控制方法 | |
| CN107544255B (zh) | 一种批次注塑过程的状态补偿模型控制方法 | |
| CN113377008B (zh) | 一种pid控制系统及参数整定方法 | |
| CN111123871B (zh) | 针对化工过程遗传算法优化的预测函数控制方法 | |
| CN103199565A (zh) | 基于微分博弈理论的多区域自动发电控制协调方法 | |
| CN110879582B (zh) | 带执行器对称饱和约束的时滞采样系统反饱和控制方法 | |
| CN114722693A (zh) | 一种水轮机调节系统二型模糊控制参数的优化方法 | |
| CN104235820A (zh) | 一种基于改进型单神经元自适应pid控制策略的锅炉汽温控制方法 | |
| CN110083055A (zh) | 一种基于深度学习和logfa的pid自整定方法 | |
| Al‐Hadithi et al. | A multi‐strategy fuzzy control method based on the Takagi‐Sugeno model | |
| Jalilvand et al. | Advanced particle swarm optimization-based PID controller parameters tuning | |
| Liu et al. | A review of decoupling control based on multiple models | |
| CN110597055B (zh) | 抗不确定性的2d分段仿射间歇过程最小-最大优化的预测控制方法 | |
| CN113325696A (zh) | 一种应用于交联电缆生产设备的单神经元pid与模型预测结合的混合控制方法 | |
| CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
| CN117389132A (zh) | 基于云边端协同的供热系统多回路pid智能整定系统 | |
| CN114637209A (zh) | 一种基于强化学习的神经网络逆控制器进行控制的方法 | |
| CN113587120B (zh) | 一种等离子灰渣熔融炉的控制方法 | |
| CN110412873A (zh) | 基于终端约束的时滞间歇过程2d迭代学习预测控制方法 | |
| CN108089442B (zh) | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 | |
| CN114019786B (zh) | 一种pi在线切换到pid的控制系统及参数整定方法 | |
| CN115356912A (zh) | 一种基于自适应粒子群遗传算法的pid参数整定方法 | |
| RU2014121436A (ru) | Способ интеллектуальной адаптации логического регулятора в условиях нечетко заданной информации |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |