CN115099138A - 一种基于rbf神经网络的精馏塔塔顶温度控制方法 - Google Patents

一种基于rbf神经网络的精馏塔塔顶温度控制方法 Download PDF

Info

Publication number
CN115099138A
CN115099138A CN202210701681.9A CN202210701681A CN115099138A CN 115099138 A CN115099138 A CN 115099138A CN 202210701681 A CN202210701681 A CN 202210701681A CN 115099138 A CN115099138 A CN 115099138A
Authority
CN
China
Prior art keywords
neural network
temperature
rbf neural
rectifying tower
coefficient
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
Application number
CN202210701681.9A
Other languages
English (en)
Inventor
张登峰
张水波
赵寿冬
胡琳
张泉灵
王村松
薄翠梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202210701681.9A priority Critical patent/CN115099138A/zh
Publication of CN115099138A publication Critical patent/CN115099138A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于RBF神经网络的精馏塔塔顶温度控制方法，通过学习曲线确定RBF神经网络隐含层的维数、通过聚类算法确定隐含层的中心向量、通过粒子群优化算法确定隐含层的基宽函数，能够根据实际工况快速精确地更新隐含层维数、中心向量和基宽函数，实现精确控制精馏塔塔顶温度，达到高性能的控制效果，能够对不同精馏场景进行适应性调整，具有很好的自适应控制特性，保证控制过程的高精度和高效性，解决了传统PID控制方法的塔顶温度控制器整定效果不良、控制性能不佳，对运行工况的适应性很差等问题。

Description

一种基于RBF神经网络的精馏塔塔顶温度控制方法
技术领域
本发明涉及流程工业自动控制技术领域，具体但不限于涉及一种基于RBF神经网络的精馏塔塔顶温度控制方法。
背景技术
在流程工业企业的精馏制造过程中，对精馏产品浓度的控制为“卡边”控制。针对精馏产品主要从精馏塔塔顶采出的精馏过程，在塔顶压力保持一定的情况下，塔顶温度通常就代表了产物的浓度，所以实现精馏塔塔顶温度的精确控制直接影响着精馏产品的质量。现有精馏制造过程广泛采用以PID控制算法为主用于精馏塔控制领域，但是由于实际精馏过程的被控对象含有非线性和时变特性，常规PID控制往往难以保证塔顶温度的控制精度，并且常规PID控制参数整定方法繁杂，实际工程应用时往往呈现整定效果不良、控制性能不佳，对运行工况的适应性很差等问题。
而RBF神经网络具有很强的非线性映射能力，将其用于精馏塔塔顶温度控制系统调整PID控制参数可以提高控制精度和反馈调节速度，从而提升系统整体控制效率。该RBF神经网络控制算法以轮廓系数作为聚类算法的评价指标，得到隐含层的中心向量；利用粒子群优化算法得到最优的基宽函数。这样，即使面对不同类型的精馏产品和复杂的控制过程也能根据实际工况快速精确地更新中心向量和基宽函数，达到高性能的控制效果，实现对不同精馏场景的适应性调整，具有很好的自适应控制特性。
发明内容
针对现有技术中的一个或多个问题，本发明提出了一种基于RBF神经网络的精馏塔塔顶温度控制方法，结合聚类算法和粒子群优化算法快速精确地更新RBF神经网络隐含层的中心向量和基宽函数，实现了对精馏塔塔顶温度的高效率高精度控制，解决了传统PID控制方法精馏塔塔顶温度控制精度差、参数整定困难等问题。
实现本发明目的的技术解决方案为：
一种基于RBF神经网络的精馏塔塔顶温度控制方法，包括：
步骤1：从工业数据库中获取由精馏塔塔顶实际温度TD和温度控制量u组成的二维历史精馏数据集，输入到RBF神经网络中进行离线训练，所述RBF神经网络的输入为精馏塔塔顶实际温度和温度控制量，输出为精馏塔塔顶温度的预测值，并获得RBF神经网络隐含层的径向基函数，确定RBF神经网络隐含层的维数l、中心向量C和基宽函数b；
步骤2：实时采集精馏塔塔顶温度TD(k)，将实时的精馏塔塔顶温度与预设的目标温度值Tsp进行比较，得到当前采样时刻的温度误差err(k)，并将该温度误差输入至精馏塔塔顶温度控制器T1C；
步骤3：塔顶温度控制器基于温度误差err(k)，根据PID控制算法的温度比例系数kp(k)、温度积分系数ki(k)和温度微分系数kd(k)调整温度控制量u，所述温度控制量u为精馏塔塔顶回流量；
步骤4：将当前采样时刻的温度误差的绝对值|err(k)|与预设的温度误差阈值ε进行比较，若|err(k)|＞ε，则采用训练好的RBF神经网络模型获得整定的温度控制器的比例系数、积分系数和微分系数，转步骤2；
若|err(k)|≤ε，则无需精馏塔塔顶温度进行控制，精馏塔塔顶回流量保持不变，控制结束。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤1中RBF神经网络的径向基函数为：
Figure BDA0003704457020000021
式中，X＝[u,TD]T为2维输入向量，Cj＝[cj1,cj2]T表示隐含层第j个神经元的中心向量，bj表示隐含层第j个神经元的基宽函数，l表示RBF神经网络隐含层的维数。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤1中所述RBF神经网络隐含层的维数l采用绘制学习曲线确定：
将隐含层的维数从1依次取值到100，通过训练得到在不同维数l下精馏塔塔顶温度从实际温度变化到目标温度附近所消耗的时间，所述附近是指实际温度与目标温度的差值的绝对值小于ε；
以维数l的取值为横坐标，以精馏塔塔顶温度从实际温度变化到目标温度所消耗的时间为纵坐标，绘制学习曲线；
获取学习曲线的转折点的横坐标，作为隐含层的维数l的取值。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤1中所述RBF神经网络隐含层的中心向量C采用聚类算法确定：
将精馏塔塔顶实际温度TD和温度控制量u组成的二维历史精馏数据集作为聚类算法的样本集，初始化若干个聚类中心，聚类中心的个数与隐含层的维数l相同；
计算每一个样本点到聚类中心的距离，距离某一聚类中心近的点被划分为同一个簇，将簇内的样本点的中心作为新的聚类中心；
以轮廓系数作为聚类算法的评价指标，不断循环更新聚类中心，直至轮廓系数接近于1，所述轮廓系数s为：
Figure BDA0003704457020000031
式中，a表示测试样本与同一簇中其他所有样本之间的算术平均距离，b表示测试样本到其他簇中的所有样本之间的算术平均距离，所述距离为欧氏距离；s的范围是(-1,1)，其中值越接近1表示样本与同一簇中的样本的相似度越高，并且与其他簇中的样本越不相似。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤1中所述RBF神经网络隐含层的基宽函数b采用粒子群优化算法确定：
初始化粒子群，设置粒子群惯性权重r1、r2、加速系数c1、c2、位置范围[xmin,xmax]和速度范围[vmin,vmax]；
计算粒子的适应度，获得粒子个体最优适应度位置和粒子群最优适应度位置，并实时更新粒子的速度和位置，获取粒子的最优解，即为基函数的宽度b；其中，粒子的位置和搜索速度为：
v(k+1)＝v(k)+c1r1(p(k)-x(k))+c2r2(pg(k)-x(k))
x(k+1)＝x(k)+v(k)
其中，x(k)＝[x1(k),x2(k),…,xl(k)]T表示粒子当前位置，即隐含层的基宽函数b；v(k)＝[v1(k),v2(k),…,vl(k)]T表示粒子的搜索速度；p(k)＝[p1(k),p2(k),…,pl(k)]T表示粒子当前时刻所获得最优适应度位置，适应度函数为|err(k)|；pg(k)＝[pg1(k),pg2(k),…,pgl(k)]T表示粒子群体经历过的最优适应度位置，l表示隐含层的维数，下标1表示第1个神经元；
判断当前粒子的个体最优和群体最优适应度位置值是否满足结束条件|err(k)|≤ε，若满足，则结束，得到基宽函数b，否则，继续更新粒子。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤3中调整温度控制量包括：
u(k)＝u(k-1)+Δu(k)
Δu(k)＝kp(k)xc(1)+ki(k)xc(2)+kd(k)xc(3)
式中，u(k)为精馏塔塔顶回流量，Δu(k)为精馏塔塔顶回流量控制量，k表示当前时刻，kp(k)为温度比例系数，ki(k)为温度积分系数，kd(k)为温度微分系数，xc(1)、xc(2)、xc(3)为PID算法三项系数kp(k)、ki(k)、kd(k)的输入，由误差计算得到，具体为：
xc(1)＝err(k)-err(k-1)
xc(2)＝err(k)
xc(3)＝err(k)-2err(k-1)+err(k-2)
式中，err(k)为k时刻的温度误差。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤4中采用训练好的RBF神经网络模型控制精馏塔塔顶温度具体包括：
将实时的精馏塔塔顶温度TD(k)和回流量u(k)作为RBF神经网络模型的输入，根据RBF神经网络模型的维数l、中心向量C和基宽函数b计算出当前采样时刻的径向基函数hj(k)，获得此时RBF神经网络输出的预测的精馏塔塔顶温度Tp(k)；
以实时的精馏塔塔顶温度TD(k)与预测的精馏塔塔顶温度Tp(k)之差作为学习量，采用梯度下降法对RBF神经网络隐含层到输出层的权值向量进行在线调整，得到当前采样时刻的权值W(k)；
基于RBF神经网络隐含层到输出层的当前采样时刻的权值W(k)、当前采样时刻的径向基函数hj(k)、中心向量C、基宽函数b和实时回流量u(k)，计算得到当前时刻RBF神经网络模型的雅可比信息为：
Figure BDA0003704457020000041
将当前时刻的雅可比信息传输至温度控制器T1C，基于雅可比信息整定温度控制器的比例系数kp(k)、积分系数ki(k)和微分系数kd(k)。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，基于雅可比信息整定温度控制器的比例系数kp(k)、积分系数ki(k)和微分系数kd(k)具体包括：
比例系数、积分系数和微分系数的自整定采用梯度下降法：
kp(k)＝kp(k-1)+Δkp(k)
ki(k)＝ki(k-1)+Δki(k)
kd(k)＝kd(k-1)+Δkd(k)
Figure BDA0003704457020000051
Figure BDA0003704457020000052
Figure BDA0003704457020000053
式中，kp(k)、ki(k)和kd(k)分别为比例系数、积分系数和微分系数，Δkp(k)、Δki(k)和Δkd(k)分别为比例系数、积分系数和微分系数的调整量，
Figure BDA0003704457020000054
为RBF神经网络的目标函数，
Figure BDA0003704457020000055
为RBF神经网络模型k时刻的雅可比信息，η为神经网络学习速率，TD(k)为实时的精馏塔塔顶温度，u(k)为实时回流量，xc(1)、xc(2)、xc(3)分别为PID算法三项系数kp(k)、ki(k)、kd(k)的输入。
进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤4中采用训练好的RBF神经网络模型控制精馏塔塔顶温度时，若当前的RBF神经网络模型对精馏塔塔顶温度控制效果欠佳，则返回步骤1重新离线训练RBF神经网络隐含层的维数l、中心向量C和基宽函数b，所述控制效果欠佳是指在3到4个控制周期内温度误差的绝对值|err(k)|越来越大或基本无变化，否则，直接使用当前的RBF神经网络模型控制精馏塔塔顶温度。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，通过对精馏塔塔顶温度控制器的PID参数进行自适应控制，能够提高控制系统的自适应能力和鲁棒性，同时，利用聚类算法和粒子群优化算法快速精确地更新中心向量和基宽函数，达到高性能的控制效果。
2、本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，RBF神经网络的PID参数整定时间有效缩短，整定效率高，无需人工调参，减小了人工成本，同时实现了对精馏塔塔顶温度控制系统在不同应用环境下的自适应控制和调整。
3、本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，以轮廓系数作为聚类算法的评价指标，依赖于评价簇内的稠密程度(簇内差异小)和簇间的离散程度(簇外差异大)来评估聚类的效果，能在很多精馏数据集上都能有良好的表现。
附图说明
附图用来提供对本发明的进一步理解，与说明描述一起用于解释本发明的实施例，并不构成对本发明的限制。在附图中：
图1为本发明的基于RBF神经网络的精馏塔塔顶温度控制方法流程图。
图2为本发明的RBF神经网络拓扑图。
图3为本发明的隐含层的维数学习曲线图。
图4为本发明的基于聚类算法确定中心向量的散点图。
图5为本发明的粒子群优化算法流程图。
图6为本发明的基于RBF神经网络的精馏塔塔顶温度控制结构图。
图7为本发明的塔顶温度响应曲线对比图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
该部分的描述只针对典型的实施例，本发明并不仅局限于实施例描述的范围。不同实施例的组合、不同实施例中的一些技术特征进行相互替换，相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
参照附图1，本发明以某乙醇精馏塔塔顶温度控制系统为例，进一步详细描述其实施方式和步骤过程。
步骤1，从乙醇精馏工业数据库中获取近5000组由精馏塔塔顶温度TD和温度控制量u(回流量)组成的二维历史精馏数据集，前4000组数据为训练集，后1000组数据为测试集，输入到RBF神经网络中进行离线训练，确定RBF神经网络的径向基函数，其表达式为：
Figure BDA0003704457020000061
式中，X＝[u,TD]T为2维输入向量，l表示RBF神经网络隐含层的维数，Cj＝[cj1,cj2]T表示隐含层第j个神经元的中心向量，bj表示隐含层第j个神经元的基宽函数。
S1，绘制学习曲线确定RBF神经网络隐含层的维数l。
参照附图2，将二维历史精馏数据集输入到RBF神经网络模型中，输出为乙醇精馏塔塔顶温度的预测值Tp。将隐含层维数l从1依次取值到100，通过训练得到不同l下塔顶温度TD稳定到目标温度值附近所消耗的时间costtime。以l的取值为横坐标，以costtime为纵坐标，绘制学习曲线，然后获取该曲线转折点的横坐标，即为隐含层维数l的取值，其意义表示在确保RBF神经网络的精度下，尽可能快的将塔顶温度TD稳定到目标温度附近，所述附近是指实际温度与目标温度的差值的绝对值小于ε。
参照附图3，可知该乙醇精馏塔塔顶温度控制系统的RBF神经网络的隐含层维数l＝2。
S2，由聚类算法确定RBF神经网络隐含层的中心向量C。
以S1中所述的二维历史精馏数据集作为聚类算法的样本集，初始化2个聚类中心，计算每一个样本点到聚类中心的距离。距离聚类中心近的点被划分为同一个簇，簇内的样本点的中心即为新的聚类中心。以轮廓系数作为聚类算法的评价指标，不断循环更新聚类中心，直至轮廓系数接近于1。轮廓系数s的表达式为：
Figure BDA0003704457020000071
式中，a表示测试样本与同一簇中其他所有样本之间的算术平均距离，b表示测试样本到其他簇中的所有样本之间的算术平均距离，所述距离为欧氏距离。s的范围是(-1,1)，其中值越接近1表示样本与同一簇中的样本的相似度越高，并且与其他簇中的样本越不相似。
参照附图4，该乙醇精馏塔塔顶温度控制系统的RBF神经网络隐含层的中心向量C＝[[7.48984175e-01,7.84510142e+01]；[1.11022302e-16,2.19317049e+01]]。
S3，由粒子群优化算法确定RBF神经网络隐含层的基宽函数b。
参照附图5，设x(k)＝[x1(k),x2(k)]T表示粒子当前位置，即隐含层的基宽函数b的取值；v(k)＝[v1(k),v2(k)]T表示粒子搜索的速度；p(k)＝[p1(k),p2(k)]T表示粒子当前时刻所获得最优适应度位置，适应度函数为|err(k)|；pg(k)＝[pg1(k),pg2(k)]T表示粒子群体经历过的最优适应度位置；下标1表示第1个神经元。
这样得到基本PSO算法：
v(k+1)＝v(k)+c1r1(p(k)-x(k))+c2r2(pg(k)-x(k)) (3)
x(k+1)＝x(k)+v(k) (4)
式中，粒子群惯性权重r1、r2为随机值，加速系数c1＝2、c2＝1，粒子位置范围[0,1]和速度范围[-1,1]。判断当前粒子的个体最优和群体最优适应度位置值是否满足结束条件|err(k)|≤ε，若满足则结束，否则继续更新粒子。
最终得到该乙醇精馏塔塔顶温度控制系统的RBF神经网络隐含层的基宽函数b＝[2.53478780e-1；2.47252070e-1]。
步骤2，利用温度传感器实时采集精馏塔塔顶温度TD(k)，将其与目标温度值Tsp进行比较，得到温度误差err(k)，然后将温度误差err(k)输入至精馏塔塔顶温度控制器T1C。
以精馏产品为90％的乙醇为例，其目标温度值Tsp＝78.43℃。
步骤3，塔顶温度控制器T1C采用PID算法，PID算法三项系数kp(k)、ki(k)、kd(k)的输入为：
xc(1)＝err(k)-err(k-1)
xc(2)＝err(k)
xc(3)＝err(k)-2err(k-1)+err(k-2) (5)
式中，k表示当前时刻，根据温度比例系数kp(k)、温度积分系数ki(k)和温度微分系数kd(k)调整温度控制量u(k)：
u(k)＝u(k-1)+Δu(k)
Δu(k)＝kp(k)xc(1)+ki(k)xc(2)+kd(k)xc(3) (6)
式中，温度控制量u(k)为精馏塔塔顶回流量，可采用流量传感器实时测量。
回流到精馏塔塔顶的液体通过塔顶冷凝器的冷凝作用，其温度大大低于精馏塔塔顶温度。当TD(k)＞Tsp时，需要在当前采样时刻增大回流量，以降低塔顶温度；当TD(k)＜Tsp时，需要在当前采样时刻减小回流量，以升高塔顶温度；当TD(k)＝Tsp时，无需对塔顶温度进行调节，当前采样时刻的回流量保持不变。
步骤4，设定温度误差阈值ε＝1e-3，将当前时刻温度误差的绝对值|err(k)|与阈值ε进行比较，当|err(k)|＞ε时，采用基于RBF神经网络的PID控制整定的温度控制器的比例系数、积分系数和微分系数，再转步骤2。若当前RBF神经网络对精馏塔塔顶温度控制效果欠佳，则返回步骤1重新离线训练隐含层的维数、中心向量和基宽函数，然后使用新的RBF神经网络模型通过整定PID系数控制精馏塔塔顶温度，否则不对其进行训练，继续使用当前RBF神经网络模型控制精馏塔塔顶温度；当|err(k)|≤ε时，不对塔顶温度进行控制，回流量保持不变。
参照附图6，其具体步骤如下：
将温度和流量传感器采集到的实时精馏塔塔顶温度和回流量作为RBF神经网络的输入，根据上述步骤1离线确定的隐藏层维数l＝2、中心向量C＝[[7.48984175e-01,7.84510142e+01]；[1.11022302e-16,2.19317049e+01]]和基宽函数b＝[2.53478780e-1；2.47252070e-1]计算出当前采样时刻的径向基函数值hj(k)，此时隐含层到输出层的权值向量W(k)＝[ω1(k),ω2(k)]T，输出层可表示为：
Tp(k)＝ω1(k)h1(k)+ω2(k)h2(k) (7)
以变量d(k)＝TD(k)-Tp(k)作为学习量，采用梯度下降法实时在线改变RBF神经网络权重W(k)＝[ω1(k),ω2(k)]T。
ωj(k)＝ωj(k-1)+ηd(k)hj(k)+α[ωj(k-1)-ωj(k-2)] j＝1,2 (8)
式中，η为神经网络学习速率取0.8，α为动量因子取0.3，k表示当前采样时刻。此时RBF神经网络的雅可比信息为：
Figure BDA0003704457020000091
式中，中心向量cj1＝[7.48984175e-01；1.11022302e-16]和基宽函数bj＝[2.53478780e-1；2.47252070e-1]，u(k)表示流量传感器实时采集到的回流量，hj(k)表示当前采样时刻径向基函数值，ωj(k)表示当前采样时刻的权值。
步骤5，将精馏塔塔顶温度控制系统的雅可比信息实时传输至温度控制器T1C整定温度控制器T1C的比例系数kp(k)、积分系数ki(k)和微分系数kd(k)。
神经网络训练的目标函数为：
Figure BDA0003704457020000092
采用梯度下降法对温度控制器T1C的比例系数kp(k)、积分系数ki(k)和微分系数kd(k)进行整定：
kp(k)＝kp(k-1)+Δkp(k)
ki(k)＝ki(k-1)+Δki(k)
kd(k)＝kd(k-1)+Δkd(k)
Figure BDA0003704457020000093
Figure BDA0003704457020000094
Figure BDA0003704457020000095
式中，
Figure BDA0003704457020000096
为被控对象的雅可比信息，在k时刻近似等于上述式(9)的
Figure BDA0003704457020000097
在下一采样时刻采用整定好的PID参数对精馏塔塔顶温度进行调节，循环步骤2—5直至|err(k)|≤ε。
若在采样间隔内未能及时获得塔顶温度控制系统的雅可比信息，则不整定PID参数，温度控制器T1C使用上一采样时刻的PID参数对塔顶温度进行调节；否则继续利用雅可比信息整定塔顶温度控制器的PID参数。
参照附图7，可知基于RBF神经网络的PID控制算法在控制精度和速率上都优于增量式PID控制算法，且对乙醇精馏塔塔顶温度控制系统有很好的逼近效果，可实现对乙醇精馏塔塔顶温度的高精度和高效率控制。
本发明的温度控制方法，通过对精馏塔塔顶温度控制器的PID参数进行自适应控制，提高了控制系统的自适应能力和鲁棒性，RBF神经网络的PID参数整定时间有效缩短，整定效率高，减小了人工成本，利用聚类算法和粒子群优化算法快速精确地更新中心向量和基宽函数，达到高性能的控制效果，同时实现了对精馏塔塔顶温度控制系统在不同应用环境下的自适应控制和调整。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。说明书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实际实验例中不能体现，效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (9)

1.一种基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，包括：
步骤1：从工业数据库中获取由精馏塔塔顶实际温度TD和温度控制量u组成的二维历史精馏数据集，输入到RBF神经网络中进行离线训练，所述RBF神经网络的输入为精馏塔塔顶实际温度和温度控制量，输出为精馏塔塔顶温度的预测值，并获得RBF神经网络隐含层的径向基函数，确定RBF神经网络隐含层的维数l、中心向量C和基宽函数b；
步骤2：实时采集精馏塔塔顶温度TD(k)，将实时的精馏塔塔顶温度与预设的目标温度值Tsp进行比较，得到当前采样时刻的温度误差err(k)，并将该温度误差输入至精馏塔塔顶温度控制器T1C；
步骤3：塔顶温度控制器基于温度误差err(k)，根据PID控制算法的温度比例系数kp(k)、温度积分系数ki(k)和温度微分系数kd(k)调整温度控制量u，所述温度控制量u为精馏塔塔顶回流量；
步骤4：将当前采样时刻的温度误差的绝对值|err(k)|与预设的温度误差阈值ε进行比较，若|err(k)|＞ε，则采用训练好的RBF神经网络模型获得整定的温度控制器的比例系数、积分系数和微分系数，转步骤2；
若|err(k)|≤ε，则无需精馏塔塔顶温度进行控制，精馏塔塔顶回流量保持不变，控制结束。
2.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤1中RBF神经网络的径向基函数为：
Figure FDA0003704457010000011
式中，X＝[u,TD]T为2维输入向量，Cj＝[cj1,cj2]T表示隐含层第j个神经元的中心向量，bj表示隐含层第j个神经元的基宽函数，l表示RBF神经网络隐含层的维数。
3.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤1中所述RBF神经网络隐含层的维数l采用绘制学习曲线确定：
将隐含层的维数从1依次取值到100，通过训练得到在不同维数l下精馏塔塔顶温度从实际温度变化到目标温度附近所消耗的时间，所述附近是指实际温度与目标温度的差值的绝对值小于ε；
以维数l的取值为横坐标，以精馏塔塔顶温度从实际温度变化到目标温度所消耗的时间为纵坐标，绘制学习曲线；
获取学习曲线的转折点的横坐标，作为隐含层的维数l的取值。
4.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤1中所述RBF神经网络隐含层的中心向量C采用聚类算法确定：
将精馏塔塔顶实际温度TD和温度控制量u组成的二维历史精馏数据集作为聚类算法的样本集，初始化若干个聚类中心，聚类中心的个数与隐含层的维数l相同；
计算每一个样本点到聚类中心的距离，距离某一聚类中心近的点被划分为同一个簇，将簇内的样本点的中心作为新的聚类中心；
以轮廓系数作为聚类算法的评价指标，不断循环更新聚类中心，直至轮廓系数接近于1，所述轮廓系数s为：
Figure FDA0003704457010000021
式中，a表示测试样本与同一簇中其他所有样本之间的算术平均距离，b表示测试样本到其他簇中的所有样本之间的算术平均距离，所述距离为欧氏距离；s的范围是(-1,1)，其中值越接近1表示样本与同一簇中的样本的相似度越高，并且与其他簇中的样本越不相似。
5.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤1中所述RBF神经网络隐含层的基宽函数b采用粒子群优化算法确定：
初始化粒子群，设置粒子群惯性权重r1、r2、加速系数c1、c2、位置范围[xmin,xmax]和速度范围[vmin,vmax]；
计算粒子的适应度，获得粒子个体最优适应度位置和粒子群最优适应度位置，并实时更新粒子的速度和位置，获取粒子的最优解，即为基函数的宽度b；其中，粒子的位置和搜索速度为：
v(k+1)＝v(k)+c1r1(p(k)-x(k))+c2r2(pg(k)-x(k))
x(k+1)＝x(k)+v(k)
其中，x(k)＝[x1(k),x2(k),…,xl(k)]T表示粒子当前位置，即隐含层的基宽函数b；v(k)＝[v1(k),v2(k),…,vl(k)]T表示粒子的搜索速度；p(k)＝[p1(k),p2(k),…,pl(k)]T表示粒子当前时刻所获得最优适应度位置，适应度函数为|err(k)|；pg(k)＝[pg1(k),pg2(k),…,pgl(k)]T表示粒子群体经历过的最优适应度位置，l表示隐含层的维数，下标1表示第1个神经元；
判断当前粒子的个体最优和群体最优适应度位置值是否满足|err(k)|≤ε，若满足，则结束，得到基宽函数b，否则，继续更新粒子。
6.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤3中调整温度控制量包括：
u(k)＝u(k-1)+Δu(k)
Δu(k)＝kp(k)xc(1)+ki(k)xc(2)+kd(k)xc(3)
式中，u(k)为精馏塔塔顶回流量，Δu(k)为精馏塔塔顶回流量控制量，k表示当前时刻，kp(k)为温度比例系数，ki(k)为温度积分系数，kd(k)为温度微分系数，xc(1)、xc(2)、xc(3)分别为kp(k)、ki(k)、kd(k)的输入，具体为：
xc(1)＝err(k)-err(k-1)
xc(2)＝err(k)
xc(3)＝err(k)-2err(k-1)+err(k-2)
式中，err(k)为k时刻的温度误差。
7.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤4中采用训练好的RBF神经网络模型获得整定的温度控制器的比例系数、积分系数和微分系数具体包括：
将实时的精馏塔塔顶温度TD(k)和回流量u(k)作为RBF神经网络模型的输入，根据RBF神经网络模型的维数l、中心向量C和基宽函数b计算出当前采样时刻的径向基函数hj(k)，获得此时RBF神经网络输出的预测的精馏塔塔顶温度Tp(k)；
以实时的精馏塔塔顶温度TD(k)与预测的精馏塔塔顶温度Tp(k)之差作为学习量，采用梯度下降法对RBF神经网络隐含层到输出层的权值向量进行在线调整，得到当前采样时刻的权值W(k)＝[ω1(k),ω2(k),…ωl(k)]T；
基于RBF神经网络隐含层到输出层的当前采样时刻的权值W(k)、当前采样时刻的径向基函数hj(k)、中心向量C、基宽函数b和实时回流量u(k)，计算得到当前时刻RBF神经网络模型的雅可比信息为：
Figure FDA0003704457010000031
将当前时刻的雅可比信息传输至温度控制器T1C，基于雅可比信息整定温度控制器的比例系数kp(k)、积分系数ki(k)和微分系数kd(k)。
8.根据权利要求7所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，基于雅可比信息整定温度控制器的比例系数kp(k)、积分系数ki(k)和微分系数kd(k)具体包括：
比例系数、积分系数和微分系数的自整定采用梯度下降法：
kp(k)＝kp(k-1)+Δkp(k)
ki(k)＝ki(k-1)+Δki(k)
kd(k)＝kd(k-1)+Δkd(k)
Figure FDA0003704457010000041
Figure FDA0003704457010000042
Figure FDA0003704457010000043
式中，kp(k)、ki(k)和kd(k)分别为比例系数、积分系数和微分系数，Δkp(k)、Δki(k)和Δkd(k)分别为比例系数、积分系数和微分系数的调整量，
Figure FDA0003704457010000044
为RBF神经网络的目标函数，
Figure FDA0003704457010000045
为RBF神经网络模型k时刻的雅可比信息，η为神经网络学习速率，TD(k)为实时的精馏塔塔顶温度，u(k)为实时的精馏塔塔顶回流量，xc(1)、xc(2)、xc(3)分别为PID算法三项系数kp(k)、ki(k)、kd(k)的输入。
9.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤4中采用训练好的RBF神经网络模型控制精馏塔塔顶温度时，若当前的RBF神经网络模型对精馏塔塔顶温度控制效果欠佳，则返回步骤1重新离线训练RBF神经网络隐含层的维数l、中心向量C和基宽函数b，所述控制效果欠佳是指在3到4个控制周期内温度误差的绝对值|err(k)|越来越大或基本无变化，否则，直接使用当前的RBF神经网络模型控制精馏塔塔顶温度。
CN202210701681.9A 2022-06-21 2022-06-21 一种基于rbf神经网络的精馏塔塔顶温度控制方法 Pending CN115099138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210701681.9A CN115099138A (zh) 2022-06-21 2022-06-21 一种基于rbf神经网络的精馏塔塔顶温度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210701681.9A CN115099138A (zh) 2022-06-21 2022-06-21 一种基于rbf神经网络的精馏塔塔顶温度控制方法

Publications (1)

Publication Number Publication Date
CN115099138A true CN115099138A (zh) 2022-09-23

Family

ID=83292114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210701681.9A Pending CN115099138A (zh) 2022-06-21 2022-06-21 一种基于rbf神经网络的精馏塔塔顶温度控制方法

Country Status (1)

Country Link
CN (1) CN115099138A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798534A (zh) * 2023-08-28 2023-09-22 山东鲁扬新材料科技有限公司 一种醋酸丙酸精馏过程数据采集处理方法
CN116983701A (zh) * 2023-08-30 2023-11-03 福建德尔科技股份有限公司 一种用于三氟甲烷制备的精馏控制系统及其控制方法
CN117744831A (zh) * 2023-12-22 2024-03-22 湖南时代阳光药业股份有限公司 一种基于机器学习的智能化油蒸馏优化方法及系统
CN118121970A (zh) * 2024-05-07 2024-06-04 四川宝汉丰环保材料有限责任公司 一种用于精馏设备的中控系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798534A (zh) * 2023-08-28 2023-09-22 山东鲁扬新材料科技有限公司 一种醋酸丙酸精馏过程数据采集处理方法
CN116798534B (zh) * 2023-08-28 2023-11-07 山东鲁扬新材料科技有限公司 一种醋酸丙酸精馏过程数据采集处理方法
CN116983701A (zh) * 2023-08-30 2023-11-03 福建德尔科技股份有限公司 一种用于三氟甲烷制备的精馏控制系统及其控制方法
CN117744831A (zh) * 2023-12-22 2024-03-22 湖南时代阳光药业股份有限公司 一种基于机器学习的智能化油蒸馏优化方法及系统
CN118121970A (zh) * 2024-05-07 2024-06-04 四川宝汉丰环保材料有限责任公司 一种用于精馏设备的中控系统及方法

Similar Documents

Publication Publication Date Title
CN115099138A (zh) 一种基于rbf神经网络的精馏塔塔顶温度控制方法
CN107608209A (zh) 压电陶瓷驱动器的前馈与闭环复合控制方法、系统
Pal et al. Self-tuning fuzzy PI controller and its application to HVAC systems
Jun et al. A particle swarm optimization approach for optimal design of PID controller for temperature control in HVAC
CN107168392B (zh) 一种锅炉汽包水位pid参数的整定方法
CN111290263B (zh) 一种改进的基于rbfnn及bas的pid最优化控制算法
CN110764417B (zh) 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法
CN110824921B (zh) 基于蝙蝠算法的交流伺服调速系统控制参数自整定方法
CN113934183B (zh) 一种基于改进萤火虫算法的电液伺服系统摩擦补偿方法
CN113552797A (zh) 一种基于改进粒子群优化的加热炉炉温控制方法和系统
CN110161842A (zh) 一种基于天牛须搜索的自调节pid控制方法
CN111752151A (zh) 一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统
CN116382071A (zh) 深度学习网络修正补偿的气动参数智能辨识方法
CN110361974B (zh) 基于bp-foa混合算法的水轮机调速系统优化方法
CN114117919B (zh) 基于样本协同表示的即时学习的软测量建模方法
CN110275434B (zh) 一种基于条件触发无偏mpc算法的独立悬架结构车辆控制方法
CN112180733B (zh) 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法
CN113641181A (zh) 基于在线性能评估飞行器增益自适应姿态控制方法和系统
CN117111656A (zh) 一种基于蒸发器的pid温度控制方法及系统
CN115180461B (zh) 新能源汽车压缩机电机生产装备的张力数据驱动控制方法
CN111336828A (zh) 一种基于fcm模糊时间序列的加热炉炉温控制器
CN114384800B (zh) 一种具有输入信号延时的未知非线性系统反推控制方法
CN114815602A (zh) 水润滑轴承动态电磁加载力多参数优化控制系统及控制方法
CN113741183A (zh) 基于阻尼比模型的工业机器人自适应导纳控制方法
CN114609988B (zh) 一种基于改进推理控制器的大滞后系统控制方法

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