CN110559966B - 一种反应釜多模联合控制方法及系统 - Google Patents
一种反应釜多模联合控制方法及系统 Download PDFInfo
- Publication number
- CN110559966B CN110559966B CN201910873120.5A CN201910873120A CN110559966B CN 110559966 B CN110559966 B CN 110559966B CN 201910873120 A CN201910873120 A CN 201910873120A CN 110559966 B CN110559966 B CN 110559966B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- pressure
- control
- pid
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003756 stirring Methods 0.000 claims abstract description 27
- 239000000110 cooling liquid Substances 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 34
- 239000007788 liquid Substances 0.000 claims description 21
- 239000007787 solid Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 239000002826 coolant Substances 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 238000001816 cooling Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 11
- 239000011344 liquid material Substances 0.000 abstract description 9
- 239000011343 solid material Substances 0.000 abstract description 9
- 238000005070 sampling Methods 0.000 abstract description 6
- 238000001311 chemical methods and process Methods 0.000 abstract description 4
- 230000004069 differentiation Effects 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 abstract description 3
- 230000001629 suppression Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012824 chemical production Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0013—Controlling the temperature of the process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0053—Details of the reactor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0053—Details of the reactor
- B01J19/0066—Stirrers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/18—Stationary reactors having moving elements inside
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J4/00—Feed or outlet devices; Feed or outlet control devices
- B01J4/001—Feed or outlet devices as such, e.g. feeding tubes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J4/00—Feed or outlet devices; Feed or outlet control devices
- B01J4/02—Feed or outlet devices; Feed or outlet control devices for feeding measured, i.e. prescribed quantities of reagents
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
Abstract
本发明提供了一种反应釜多模联合控制方法及系统,该系统包括:反应釜,用于进行产品工艺生产;控制中心,用于显示反应釜中的各项参数,以及设置反应釜中的温度及压力参数;所述反应釜中包括温度控制模块、压力模块、液体物料进料模块、物料转移模块、固体物料进料模块、滴加模块、取样模块、搅拌模块、冷却模块、PID控制器;所述温度控制模块预测下一时刻的反应釜内温度;所述压力模块预测下一时刻反应釜内压力;所述PID控制器基于所述温度预测单元、压力预测单元的结果,控制所述冷却模块中的冷却液流量。本发明能够很好地适应特定的化工工艺流程,大大降低了实际生产成本,并且整体对于扰动的抑制效果明显,能够优先满足主要控制目标的实现。
Description
技术领域
本发明涉及化工领域生产线工艺优化及控制,特别是涉及应用在反应釜多模控制的化工生产线相关的联合控制系统及方法。
背景技术
反应釜是一种化工工艺生产线中常用的重要设备,通过对反应釜的结构设计、控制设计与参数配置,实现工艺要求的工艺流程要求,反应釜是一种具有强非线性的化学反应器,是化工生产过程中的核心设备。控制性能的好坏直接影响生产效率和产品质量。反应釜属于一种高度综合的反应容器,其中包含了温度、压力、力学、反应物及产出物的控制等重要参数的监测与调节。在目前市场上,大多数厂家及科研机构多致力于CSTR控制相关的反应釜控制方法的研究,但是由于其研究重点集中在控制系统本身的参数调节上,使得控制系统的设计越来越复杂,单纯考虑控制目标的控制方法虽然保证了产品质量,但是忽略了经济效益,从长远来看对工厂生产不利,因此至今对其仍未有较为统一的控制理论。
另外,在现有的技术中,例如对反应釜中的温度及压力同时进行联合控制,很多厂商为降低控制的复杂度,并节约成本,在反应釜压力控制中,采用负压抽取的方式,通过加装的额外水循环系统,控制反应釜中的温度,从而同时达到一定的压力控制目标,很多工厂采用该类方法时,还停留在凭借操作员手动缓慢调节机械阀在一定的时间内完成反应釜负压抽取的水平,这种方法不但增加操作人员的操作复杂度,且精确度太低,无法满足高要求化工工艺的生产要求。而常规的PID控制,则是通过采集负压信号,对电机中的变频器进行PID控制,但是,这种常规的PID控制方法滞后严重,速度慢,不便于精准控制。
此外,现有的较为认可的滚动时域状态估计器方式,虽然能够去除掉反应釜控制中的大量约束系统的无效干扰信息,将状态估计问题转化为固定时域长度的优化问题,但是,反应釜中的大量参数及时长的设置,又会影响估计的准确度,但是,在实际生产中,时域的设置不能是无限的,需要考虑生产效率、资源消耗情况等,因此,虽然该方法理论上具有较多优势,但是在应用到实际中时,还需要进行大量的调整,不能满足实际生产上的需求。
因此,设计一种优化的多参数联合控制的反应釜,并基于其相关的控制方法,优化反应釜参数,以满足实际化工生产中的效率需求与反应釜精确控制需求,是一项亟待解决的问题。
发明内容
针对现有技术的不足,本发明提出一种反应釜多模联合控制方法及系统,能够实现反应釜参数的及时及准确控制,以满足实际生产中的需求。具体而言,本发明提供了以下的技术方案:
一方面,本发明提供了一种反应釜多模联合控制系统,所述系统包括:
反应釜,用于进行产品工艺生产;
控制中心,用于显示反应釜中的各项参数,以及设置反应釜中的温度及压力参数;
所述反应釜中包括温度控制模块、压力模块、液体物料进料模块、物料转移模块、固体物料进料模块、滴加模块、取样模块、搅拌模块、冷却模块、PID控制器;
液体物料进料模块包括液料传感器,用于检测液体进料量数据;
固体物料进料模块包括固料传感器,用于检测固体进料量数据;
所述温度控制模块包括温度传感器,以及温度预测单元,所述温度预测单元用于预测下一时刻的反应釜内温度;
所述压力模块包括压力传感器,以及压力预测单元,所述压力预测单元用于预测下一时刻反应釜内压力;
所述冷却模块包括流量传感器,以及流量控制单元,所述流量控制单元用于控制所述冷却模块中的冷却液流量;
所述PID控制器用于基于所述温度预测单元、压力预测单元的结果,获得流量控制参数,从而控制所述冷却模块中的冷却液流量。
优选地,所述所述搅拌模块设置有速率传感器,用于检测搅拌速度。
优选地,所述温度预测单元用于基于历史温度数据,以及对应所述历史温度数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据,获得下一时刻L+1时的预测温度数据;
所述压力预测单元用于基于历史压力数据,以及与历史压力数据对应的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据,获得下一时刻的预测压力数据。
优选地,所述PID控制器,包括温度控制系数单元、压力控制系数单元、融合单元;
所述温度控制系数单元用于基于给定温度数据及预测温度数据之间的误差ET、ECT,通过PID控制器得到一组温度控制比例系数KTp、KTi、KTd;
所述压力控制系数单元用于基于给定压力数据及预测压力数据之间的误差EP、ECP,通过PID控制器得到一组压力控制比例系数KPp、KPi、KPd;
所述融合单元,用于基于所述温度控制比例系数、压力控制比例系数,生成PID的流量控制参数,所述流量控制参数通过以下方式获取:
其中,Z1、Z2、Z3、Z4、Z5、Z6是加权系数,取值范围为(0,1),KTp、KTi、KTd分别为温度控制比例系数中的PID比例系数、PID比例积分系数、PID微分系数, KPp、KPi、KPd分别为压力控制比例系数的PID比例系数、PID比例积分系数、PID微分系数。
优选地,所述液体物料进料模块、固体物料进料模块均设置有电子阀门,用于依据控制数据控制进料量。所述控制数据可以来自于用户通过控制中心的输入。
此外,本发明还提供了一种反应釜多模联合控制方法,所述方法包括:
S1、在反应釜进料口采集反应釜进料量数据,所述进料量数据包括液体进料量数据、固体进料量数据;采集反应釜内温度数据、压力数据;采集冷却液流量数据;采集搅拌速率数据;
S2、基于所述液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据,分别对所述温度数据、压力数据进行预测;
基于预测后的温度数据、压力数据,分别得到温度控制比例系数、压力控制比例系数;
S3、通过融合方法,基于所述温度控制比例系数、压力控制比例系数,获得PID的流量控制参数,基于所述流量控制参数,控制冷却液流量。
优选地,所述S2中进一步包括,得到温度控制比例系数通过以下方式进行:
S201、采集一定时间间隔的历史温度数据,以及对应所述历史温度数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据;
S202、基于所述历史温度数据xL ,xL-1 ,xL-2 ,…x1得到拟合函数x(t)=at4+bt3+ct2+dt+e,其中系数a ,b ,c ,d ,e基于采集的历史数据进行拟合获得;
S203、基于所述拟合函数,通过机器学习,获得下一时刻L+1时的预测温度数据;基于所述预测温度数据及L+1时刻所采集到的实际温度数据,计算温度误差,基于温度误差函数,训练机器学习的网络权值,直至满足误差需求;
S204、基于给定温度数据及预测温度数据之间的误差ET、ECT,通过PID控制器得到一组温度控制比例系数KTp、KTi、KTd。
优选地,所述S2中进一步包括,得到压力控制比例系数通过以下方式进行:
S211、获取历史压力数据,以及对应所述历史压力数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据;将上述液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据作为输入量,将对应的历史压力数据作为输出量,形成训练集和测试集;所述训练集至少包含100组训练样本;
S212、获取所述S211中的训练样本,建立压力回归方程;基于所述回归方程,建立压力数据预测模型,以获得预测压力数据;
S213、基于给定压力数据及预测压力数据之间的误差EP、ECP,通过PID控制器得到一组压力控制比例系数KPp、KPi、KPd。
优选地,所述S3中,所述PID的流量控制参数通过以下方式获取:
其中,Z1、Z2、Z3、Z4、Z5、Z6是加权系数,取值范围为(0,1),KTp、KTi、KTd分别为温度控制比例系数中的PID比例系数、PID比例积分系数、PID微分系数, KPp、KPi、KPd分别为压力控制比例系数的PID比例系数、PID比例积分系数、PID微分系数。
优选地,所述Z1为0.829、Z2为0.171、Z3为0.608、Z4为0.392、Z5为0.716、Z6为0.248。
优选地,所述S203包括:基于拟合函数的所述机器学习的用于预测L+1时刻反应釜内温度的预测函数为:
其中,m为机器学习所使用的神经网络隐含层节点数目,vi为隐含层节点到输出节点的连接权值,T为连续L组温度的总时长, 为隐含层神经元的阈值,为输出层神经元阈值,f(x)为高斯函数, 为相应的连接权重函数,其中 。
优选地,设置误差函数,训练所述连接权重函数、隐含层节点到输出节点的连接权值、隐含层神经元及输出层神经元阈值,所述误差函数为:
其中,y为实际训练样本数。
优选地,所述S212中,所述回归方程为:
优选地,所述S212中,所述压力数据预测模型为:
与现有技术相比,本发明具有如下优势:将目标预测与多模控制方式有效结合,使得在控制精度上,能够很好地适应特定的化工工艺流程,并且参数的选取,可以依据工艺流程的改变进行调节,并重新形成控制模型,大大降低了实际生产成本,并且整体对于扰动的抑制效果明显,能够优先满足主要控制目标的实现。
附图说明
图1为本发明实施例的系统结构框图;
图2为本发明实施例的多模控制方法流程图;
图3为本发明实施例的设置为40℃时的温度变化曲线;
图4为本发明实施例的设置为30℃时的温度变化曲线。
具体实施例
下面将结合本发明实施例中的图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
在一个具体的实施例中,结合图2,本发明,提供了一种反应釜多模联合控制方法,所述方法包括:
S1、在反应釜进料口采集反应釜进料量数据,所述进料量数据包括液体进料量数据、固体进料量数据;采集反应釜内温度数据、压力数据;采集冷却液流量数据;采集搅拌速率数据;
S2、基于所述液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据,分别对所述温度数据、压力数据进行预测;
基于预测后的温度数据、压力数据,分别得到温度控制比例系数、压力控制比例系数;
S3、通过融合方法,基于所述温度控制比例系数、压力控制比例系数,获得PID的流量控制参数,基于所述流量控制参数,控制冷却液流量。
在化工工艺领域中,反应釜中的温度控制要求往往比压力控制要求要严格的多,并且,考虑到在实际控制中,反应釜中的压力与实际温度之间有着较大的关联关系,因此,本发明中,选取温度及压力作为最关注的两个控制量,并且,其中更为主要的控制量为温度。为了在实际工况中,能够很好地实现对温度的更为精准的控制,经过本发明技术人员的长期经验总结和实际试验论证,证明在实际控制中,仅针对温度或者压力进行预测,并得到最终的控制系数,往往不能够满足实际的精度需求,尤其在要求较高的精密化工领域中,因此,针对压力和温度分别采用独立预测,则效果要明显优于采用其他众多的参数直接进行预测。
基于上述原因,在又一个实施方式中,S2中进一步包括,得到温度控制比例系数通过以下方式进行:
S201、采集一定时间间隔的历史温度数据,以及对应所述历史温度数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据等;该些参数的选取,均是直接影响反应釜内温度的关键因素,由于过多的参数引入,会造成最终预测结果的振荡干扰,并且也会大大增加运算资源的消耗,因此,本发明中,仅采用了上述的温度影响参数。
S202、基于所述历史温度数据xL ,xL-1 ,xL-2 ,…x1得到拟合函数x(t)=at4+bt3+ct2+dt+e,其中系数a ,b ,c ,d ,e基于采集的历史数据进行拟合获得;反应釜中的温度变化,往往存在一定的函数变化规律,可以通过多项式进行拟合,以便于后续对温度的预测,而对于拟合函数的系数求解,则可以依据实际积累的样本数值进行计算,此处不再赘述。
S203、基于所述拟合函数,通过机器学习,获得下一时刻L+1时的预测温度数据;基于所述预测温度数据及L+1时刻所采集到的实际温度数据,计算温度误差,基于温度误差函数,训练机器学习的网络权值,直至满足误差需求;需要指出的是,通过机器学习进行温度的预测,可以选用多种方式,例如最传统的BP神经网络、RBF网络等,但是,经过本发明团队的大量实验,提出了一种改进的预测网络,以更加快速和准确的方式实现对温度的预测,该方法将作为一个优选的实施方式在后面描述。
S204、基于给定温度数据及预测温度数据之间的误差ET、ECT,通过PID控制器得到一组温度控制比例系数KTp、KTi、KTd。系统中的PID控制器,可以设置为多层结构的,即单独针对温度数据预测结果,生成温度控制比例系数的一层,该层可以是仅作为反应釜系统的数据读入和生成单元,而不作为实际的控制比例系数的指令发出单元,类似地,在后续的压力控制比例系数生成中 ,同样可以是该PID控制器的另一层单元安,用于生成压力控制比例系数的一层,该层可以是仅作为反应釜系统的数据读入和生成单元,而不作为实际的控制比例系数的指令发出单元。此外,该PID控制器还可以设置一融合单元,以将上述压力控制比例系数与温度控制比例系数进行融合,从而获得最终的系统控制比例系数的指令发出单元。当然,上述生成控制比例系数的各个模块均可以是单独设置的,从而获得最终的系统控制比例系数,再通过PID控制器实现对系统的控制。
该融合后的最终的系统控制比例系数,将直接控制冷却模块中的冷却液流量控制器,从而控制反应釜中的温度保持在预设的温度误差范围之内,例如±0.5℃等。
在一个具体的实施方式中,所述S203中采用的神经网络,该网络优选设置为三层神经网络预测模型,其中基于拟合函数的所述机器学习的用于预测L+1时刻反应釜内温度的预测函数为:
其中,m为机器学习所使用的神经网络隐含层节点数目,vi为隐含层节点到输出节点的连接权值,T为连续L组温度的总时长, 为隐含层神经元的阈值,为输出层神经元阈值,f(x)为高斯函数,为相应的连接权重函数,其中。
更为优选地,在实际训练中,不断将传感器收集到的L+1时刻的温度实际值作为期望值,通过设置特定误差函数,训练所述连接权重函数、隐含层节点到输出节点的连接权值、隐含层神经元及输出层神经元阈值,所述误差函数为:
其中,y为实际训练样本数。在实际应用中,优选该误差值小于0.4时,作为训练停止的阈值。
在一个实际的实施例中,若采集的一时间段内的温度的样本量为100,则神经网络的隐层节点数优选设置为6。
而对于压力数据的预测,则必须将温度作为必要的参数,在一个具体的实施方式中,所述S2中进一步包括,得到压力控制比例系数通过以下方式进行:
S211、获取历史压力数据,以及对应所述历史压力数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据;将上述液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据作为输入量,将对应的历史压力数据作为输出量,形成训练集和测试集;所述训练集至少包含100组训练样本;
S212、获取所述S211中的训练样本,建立压力回归方程;基于所述回归方程,建立压力数据预测模型,以获得预测压力数据;本发明针对反应釜中的温度控制实际需求,给出了一种调整后的压力预测模型,以满足实际工况中的需要;
S213、基于给定压力数据及预测压力数据之间的误差EP、ECP,通过PID控制器得到一组压力控制比例系数KPp、KPi、KPd。
优选地,所述S212中,通过建立改进后的回归方程的方式,建立起预测模型,该回归方程为:
其中,为网络权重, 为输入变量,为校正系数,n为样本数量。通过建立上述回归方程的方式,可以有效降低神经网络预测中的复杂度。此外,为了避免求解复杂的非线性映射函数,通过对核函数进行调整,替代常规神经网络预测中的高维空间点积运算,降低计算量,因此,在一个优选的实施方式中,在所述S212中,所述压力数据预测模型为:
在获得了预测压力数据和预测温度数据后,通过预测数据与实际控制或者操作人员设计设置的温度和压力值之间的比对,得到对应的控制参数,两组控制参数中,如果要取得较好的控制效果,则需要加强其中温度控制系数的权重,同时,考虑到实际控制中的PID系数之间的约束关系,本发明中,优选在所述S3中,所述PID的流量控制参数通过以下方式获取:
其中,Z1、Z2、Z3、Z4、Z5、Z6是加权系数,取值范围为(0,1),KTp、KTi、KTd分别为温度控制比例系数中的PID比例系数、PID比例积分系数、PID微分系数, KPp、KPi、KPd分别为压力控制比例系数的PID比例系数、PID比例积分系数、PID微分系数。
在一个具体的实施例中,所述Z1为0.829、Z2为0.171、Z3为0.608、Z4为0.392、Z5为0.716、Z6为0.248。
结合图3,给出了在实际控制过程中,当反应釜温度设置为30℃、40℃时的两组实际温度调节变化的曲线,其中均是温度由60℃降低而来。从实际数值可以看出,当温度差较大时,系统仅经过有限次振荡,既可以快速实现对温度的稳定控制。
实施例2
在又一个具体的实施例中,结合图1,需要说明的是,为了突出本发明的主要改进点,图1中将与改进点关联较弱的其他必要部件省略(未视出),而该些部件,例如电动机、取样结构等,均是本领域中的常规设置,本领域技术人员依据公知常识,完全能够获知或进行设计并实现,因此,此处不再一一赘述。本发明提供了一种反应釜多模联合控制系统,该系统可以实施如实施例1所述的多模联合控制方法,所述系统包括:
反应釜,用于进行产品工艺生产;
控制中心,用于显示反应釜中的各项参数,以及设置反应釜中的温度及压力参数;
所述反应釜中包括温度控制模块、压力模块、液体物料进料模块、物料转移模块、固体物料进料模块、滴加模块、取样模块、搅拌模块、冷却模块、PID控制器;
液体物料进料模块包括液料传感器,用于检测液体进料量数据;
固体物料进料模块包括固料传感器,用于检测固体进料量数据;
所述温度控制模块包括温度传感器,以及温度预测单元,所述温度预测单元用于预测下一时刻的反应釜内温度;
所述压力模块包括压力传感器,以及压力预测单元,所述压力预测单元用于预测下一时刻反应釜内压力;
所述冷却模块包括流量传感器,以及流量控制单元,所述流量控制单元用于控制所述冷却模块中的冷却液流量;
所述PID控制器用于基于所述温度预测单元、压力预测单元的结果,获得流量控制参数,从而控制所述冷却模块中的冷却液流量。
优选地,所述所述搅拌模块设置有速率传感器,用于检测搅拌速度。
优选地,所述温度预测单元用于基于历史温度数据,以及对应所述历史温度数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据,获得下一时刻L+1时的预测温度数据;
所述压力预测单元用于基于历史压力数据,以及与历史压力数据对应的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据,获得下一时刻的预测压力数据。
优选地,所述PID控制器,包括温度控制系数单元、压力控制系数单元、融合单元;
所述温度控制系数单元用于基于给定温度数据及预测温度数据之间的误差ET、ECT,通过PID控制器得到一组温度控制比例系数KTp、KTi、KTd;
所述压力控制系数单元用于基于给定压力数据及预测压力数据之间的误差EP、ECP,通过PID控制器得到一组压力控制比例系数KPp、KPi、KPd;
所述融合单元,用于基于所述温度控制比例系数、压力控制比例系数,生成PID的流量控制参数,所述流量控制参数通过以下方式获取:
其中,Z1、Z2、Z3、Z4、Z5、Z6是加权系数,取值范围为(0,1),KTp、KTi、KTd分别为温度控制比例系数中的PID比例系数、PID比例积分系数、PID微分系数, KPp、KPi、KPd分别为压力控制比例系数的PID比例系数、PID比例积分系数、PID微分系数。
优选地,所述液体物料进料模块、固体物料进料模块均设置有电子阀门,用于依据控制数据控制进料量。所述控制数据可以来自于用户通过控制中心的输入。
在又一个优选的实施方式中,系统反应釜中设置的多个传感器,均可以将采集到的数据显示在控制中心的显示装置上,通常,可以以一个实测的数值直接显示,例如显示各个温度、压力、搅拌速率、进料量相关数据等,也可以以一定的时间间隔进行采样,显示包括历史数据的变化曲线数据。
此外,在又一个具体的实施方式中,取样模块可以依据控制中心发送的控制指令,对反应釜内的产物进行取样,并通过取样模块中的精密检测设备对取出的样本进行检测,该检测结果可以显示在控制中心的显示装置中,以便于操作人员的随时抽查和监控。
此外,在又一个具体的实施方式中,该系统还包括一数据记录模块,将该系统中生产过程中的所有动作,以及所采样的数据,按照时间标签进行数据记录,便于实时的查看和后期的查找,同时,在进行例如实验性的加工时,可以方便地记录不同工艺过程中的多个种类参数数据,为后续的工艺改进提供方便。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (4)
1.一种反应釜多模联合控制方法,其特征在于,所述方法包括:
S1、在反应釜进料口采集反应釜进料量数据,所述进料量数据包括液体进料量数据、固体进料量数据;采集反应釜内温度数据、压力数据;采集冷却液流量数据;采集搅拌速率数据;
S2、基于所述液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据,分别对所述温度数据、压力数据进行预测;
基于预测后的温度数据、压力数据,分别得到温度控制比例系数、压力控制比例系数;
S3、通过融合方法,基于所述温度控制比例系数、压力控制比例系数,获得PID的流量控制参数,基于所述流量控制参数,控制冷却液流量;
所述S3中,所述PID的流量控制参数通过以下方式获取:
其中,Z1、Z2、Z3、Z4、Z5、Z6是加权系数,取值范围为(0,1),KTp、KTi、KTd分别为温度控制比例系数中的PID比例系数、PID比例积分系数、PID微分系数,KPp、KPi、KPd分别为压力控制比例系数的PID比例系数、PID比例积分系数、PID微分系数;
所述S2中进一步包括,得到压力控制比例系数通过以下方式进行:
S211、获取历史压力数据,以及对应所述历史压力数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据;将上述液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据、温度数据作为输入量,将对应的历史压力数据作为输出量,形成训练集和测试集;所述训练集至少包含100组训练样本;
S212、获取所述S211中的训练样本,建立压力回归方程;基于所述回归方程,建立压力数据预测模型,以获得预测压力数据;
S213、基于给定压力数据及预测压力数据之间的误差EP、ECP,通过PID控制器得到一组压力控制比例系数KPp、KPi、KPd;
所述S212中,所述压力回归方程为:
所述压力数据预测模型为:
其中,αj为网络权重,yj为输入变量,β为校正系数,n为样本数量。
2.根据权利要求1所述的方法,其特征在于,所述S2中进一步包括,得到温度控制比例系数通过以下方式进行:
S201、采集一定时间间隔的历史温度数据,以及对应所述历史温度数据的液体进料量数据、固体进料量数据、冷却液流量数据、搅拌速率数据;
S202、基于所述历史温度数据xL,xL-1,xL-2,…x1得到拟合函数x(t)=at4+bt3+ct2+dt+e,其中系数a,b,c,d,e基于采集的历史数据进行拟合获得;
S203、基于所述拟合函数,通过机器学习,获得下一时刻L+1时的预测温度数据;基于所述预测温度数据及L+1时刻所采集到的实际温度数据,计算温度误差,基于温度误差函数,训练机器学习的网络权值,直至满足误差需求;
S204、基于给定温度数据及预测温度数据之间的误差ET、ECT,通过PID控制器得到一组温度控制比例系数KTp、KTi、KTd。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873120.5A CN110559966B (zh) | 2019-09-17 | 2019-09-17 | 一种反应釜多模联合控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873120.5A CN110559966B (zh) | 2019-09-17 | 2019-09-17 | 一种反应釜多模联合控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110559966A CN110559966A (zh) | 2019-12-13 |
CN110559966B true CN110559966B (zh) | 2020-06-12 |
Family
ID=68780287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910873120.5A Active CN110559966B (zh) | 2019-09-17 | 2019-09-17 | 一种反应釜多模联合控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110559966B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111297178B (zh) * | 2020-04-17 | 2022-03-29 | 青岛海尔智慧厨房电器有限公司 | 一种蒸箱及其控制方法 |
CN112036077B (zh) * | 2020-08-14 | 2023-10-24 | 天地(常州)自动化股份有限公司 | 无流量传感器的矿用隔爆水冷变频器过热保护方法 |
CN115237180B (zh) * | 2022-09-23 | 2022-12-06 | 济南明鑫制药股份有限公司 | 一种用于甲酯生产中粗品制备的智能控制方法 |
CN115808944B (zh) * | 2023-02-09 | 2023-06-02 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN116571190B (zh) * | 2023-07-14 | 2023-09-12 | 昆明理工大学 | 一种木质素改性酚醛树脂的反应釜控制系统及方法 |
CN117008481B (zh) * | 2023-10-08 | 2023-12-22 | 安徽省特种设备检测院 | 一种基于压力参数优化的反应釜过程控制方法、装置 |
CN117414785B (zh) * | 2023-12-19 | 2024-03-19 | 广东林工工业装备有限公司 | 光刻胶生产用高通量反应釜控制方法、装置、设备及介质 |
CN117463277B (zh) * | 2023-12-28 | 2024-03-22 | 广东摩尔物联技术有限公司 | 反应釜系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020728A (zh) * | 2013-03-01 | 2014-09-03 | 费希尔-罗斯蒙特系统公司 | 预测器在具有无线或间歇性过程测量的过程控制系统中的使用 |
CN104193858A (zh) * | 2014-08-22 | 2014-12-10 | 山东鸿瑞新材料科技有限公司 | 连续聚合生产聚异丁烯的方法和自动控制系统 |
CN107037080A (zh) * | 2017-06-21 | 2017-08-11 | 宝莲华新能源技术(上海)股份有限公司 | 一种适用于提高地埋管换热器传热性能的实验模拟装置 |
CN207082008U (zh) * | 2017-08-25 | 2018-03-09 | 山东豪迈化工技术有限公司 | 一种微反应设备的控制系统 |
CN107870565A (zh) * | 2017-10-30 | 2018-04-03 | 北华大学 | 一种基于过程神经网络的加热炉温度的计算机控制方法 |
-
2019
- 2019-09-17 CN CN201910873120.5A patent/CN110559966B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020728A (zh) * | 2013-03-01 | 2014-09-03 | 费希尔-罗斯蒙特系统公司 | 预测器在具有无线或间歇性过程测量的过程控制系统中的使用 |
CN104193858A (zh) * | 2014-08-22 | 2014-12-10 | 山东鸿瑞新材料科技有限公司 | 连续聚合生产聚异丁烯的方法和自动控制系统 |
CN107037080A (zh) * | 2017-06-21 | 2017-08-11 | 宝莲华新能源技术(上海)股份有限公司 | 一种适用于提高地埋管换热器传热性能的实验模拟装置 |
CN207082008U (zh) * | 2017-08-25 | 2018-03-09 | 山东豪迈化工技术有限公司 | 一种微反应设备的控制系统 |
CN107870565A (zh) * | 2017-10-30 | 2018-04-03 | 北华大学 | 一种基于过程神经网络的加热炉温度的计算机控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110559966A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110559966B (zh) | 一种反应釜多模联合控制方法及系统 | |
Geng et al. | Novel transformer based on gated convolutional neural network for dynamic soft sensor modeling of industrial processes | |
WO2022126526A1 (zh) | 一种电池温度预测方法及系统 | |
Liu et al. | Improved nonlinear PCA for process monitoring using support vector data description | |
Song et al. | Multisubspace elastic network for multimode quality-related process monitoring | |
WO2019234810A1 (ja) | 学習装置、推論装置、方法、及びプログラム | |
Alanqar et al. | Error‐triggered on‐line model identification for model‐based feedback control | |
CN116518640B (zh) | 一种冷柜控制方法、系统和设备 | |
Xing et al. | Hybrid intelligent parameter estimation based on grey case-based reasoning for laminar cooling process | |
JP2017191567A (ja) | 生産計画を実施する生産システム | |
Mattera et al. | Monitoring and control the Wire Arc Additive Manufacturing process using artificial intelligence techniques: a review | |
LeBreux et al. | Control of the ledge thickness in high-temperature metallurgical reactors using a virtual sensor | |
Ren et al. | Data-driven and mechanism-based hybrid model for semiconductor silicon monocrystalline quality prediction in the czochralski process | |
Pozzi et al. | A deep learning-based predictive controller for the optimal charging of a lithium-ion cell with non-measurable states | |
Hu et al. | Quality prediction of aluminum alloy resistance spot welding with shunting by introducing spacing factor | |
Salahshoor et al. | Online affine model identification of nonlinear processes using a new adaptive neuro-fuzzy approach | |
CN107766880A (zh) | 基于ba‑lssvm的光合细菌发酵过程关键参量的软测量方法 | |
Ma et al. | A two-phase soft sensor modeling framework for quality prediction in industrial processes with missing data | |
CN114489182B (zh) | 一种具有双温度检测功能的pid温度控制方法 | |
US20240152750A1 (en) | Generating virtual sensors for use in industrial machines | |
CN116213095A (zh) | 一种基于重介质分选的精煤产品灰分智能调节方法及系统 | |
CN116179840A (zh) | 一种激光表面热处理温度监控控制系统及控制方法 | |
Colosimo et al. | Statistical Process Monitoring from Industry 2.0 to Industry 4.0: Insights into Research and Practice | |
JP2015228182A (ja) | 変化点検出装置、変化点検出方法、及びコンピュータプログラム | |
Wang et al. | Flatness control of cold rolled strip based on relay optimisation |
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 |