CN117339516B - 一种硫化锌工业化生产过程的精准控制系统及控制方法 - Google Patents
一种硫化锌工业化生产过程的精准控制系统及控制方法 Download PDFInfo
- Publication number
- CN117339516B CN117339516B CN202311536474.3A CN202311536474A CN117339516B CN 117339516 B CN117339516 B CN 117339516B CN 202311536474 A CN202311536474 A CN 202311536474A CN 117339516 B CN117339516 B CN 117339516B
- Authority
- CN
- China
- Prior art keywords
- zinc sulfide
- reaction kettle
- pressure
- temperature
- controller
- 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
- 239000005083 Zinc sulfide Substances 0.000 title claims abstract description 195
- DRDVZXDWVBGGMH-UHFFFAOYSA-N zinc;sulfide Chemical compound [S-2].[Zn+2] DRDVZXDWVBGGMH-UHFFFAOYSA-N 0.000 title claims abstract description 195
- 229910052984 zinc sulfide Inorganic materials 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000009776 industrial production Methods 0.000 title claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 204
- 239000000463 material Substances 0.000 claims abstract description 109
- 238000010438 heat treatment Methods 0.000 claims abstract description 51
- 238000001816 cooling Methods 0.000 claims abstract description 50
- 239000002994 raw material Substances 0.000 claims abstract description 47
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims abstract description 40
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000019086 sulfide ion homeostasis Effects 0.000 claims abstract description 3
- 239000000498 cooling water Substances 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 239000013078 crystal Substances 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000005086 pumping Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 230000001276 controlling effect Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000003746 solid phase reaction Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000005864 Sulphur Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 150000002484 inorganic compounds Chemical class 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
-
- 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
- B01J4/008—Feed or outlet control devices
-
- 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
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00051—Controlling the temperature
- B01J2219/00054—Controlling or regulating the heat exchange system
- B01J2219/00056—Controlling or regulating the heat exchange system involving measured parameters
- B01J2219/00058—Temperature measurement
- B01J2219/00063—Temperature measurement of the reactants
-
- 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
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00162—Controlling or regulating processes controlling the pressure
-
- 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
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00184—Controlling or regulating processes controlling the weight of reactants in the reactor vessel
-
- 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
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00191—Control algorithm
- B01J2219/00193—Sensing a parameter
- B01J2219/00195—Sensing a parameter of the reaction system
- B01J2219/00198—Sensing a parameter of the reaction system at the reactor inlet
-
- 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
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00191—Control algorithm
- B01J2219/00211—Control algorithm comparing a sensed parameter with a pre-set value
- B01J2219/00213—Fixed parameter value
-
- 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
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00243—Mathematical modelling
-
- 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]
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
Abstract
本发明公布了一种硫化锌工业化生产过程的精准控制系统及控制方法,属于硫化锌生产控制系统技术领域,包括:原料供给装置;加热装置,用于对反应釜进行加热,使锌粉和硫粉在反应釜中发生化学反应,生成硫化锌;冷却装置,用于对反应釜进行冷却,使硫化锌从反应釜中排出;传感器,用于检测反应釜中的温度、压力、物料流量和硫化锌的质量;控制器,用于根据传感器的检测结果,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的产量和质量达到预设的目标值。本发明在硫化锌工业化生产过程中,实现反应釜中的温度、压力、物料流量和硫化锌的质量的精准控制,从而提高硫化锌的产量和质量,降低原料消耗和能耗。
Description
技术领域
本发明属于硫化锌生产控制系统技术领域,具体为一种硫化锌工业化生产过程的精准控制系统及其控制方法。
背景技术
硫化锌是一种重要的无机化合物,广泛应用于光电、催化、生物、医药等领域。硫化锌的制备方法主要有化学法、物理法和生物法等,其中化学法是最常用的一种,具有成本低、效率高、产品质量好等优点。化学法中又以固相反应法为主,即将锌粉和硫粉按一定的摩尔比混合,然后在高温下进行反应,生成硫化锌。
然而,固相反应法制备硫化锌的过程中,存在一些问题和缺点,主要有以下几点:
1.反应温度的控制不精确,导致硫化锌的产量和质量不稳定。反应温度过低,会影响反应的进行和硫化锌的转化率;反应温度过高,会导致硫化锌的分解或氧化,降低硫化锌的纯度和活性。
2.反应压力的控制不合理,导致硫化锌的结构和形貌不均匀。反应压力过低,会使反应物料的密度不足,影响反应的均匀性和硫化锌的晶体生长;反应压力过高,会使反应物料的流动性差,影响反应的速度和硫化锌的形貌分布。
3.反应物料的流量的控制不合适,导致硫化锌的组成和性能不一致。反应物料的流量过小,会使反应物料的供给不足,影响反应的连续性和硫化锌的产量;反应物料的流量过大,会使反应物料的堆积过多,影响反应的均匀性和硫化锌的质量。
以上问题和缺点的原因主要是由于反应釜中的温度、压力、物料流量和硫化锌的质量之间存在复杂的非线性关系,难以用传统的控制方法进行精确的控制,解决这些问题时曾经遇到的困难是缺乏有效的控制系统和控制器。
因此,如何实现反应釜中的温度、压力、物料流量和硫化锌的质量的精准控制,从而提高硫化锌的产量和质量,降低原料消耗和能耗,是目前固相反应法制备硫化锌的技术难题。
发明内容
针对以上问题,本发明提供一种硫化锌工业化生产过程的精准控制系统及其控制方法,在硫化锌工业化生产过程中,实现反应釜中的温度、压力、物料流量和硫化锌的质量的精准控制,从而提高硫化锌的产量和质量,降低原料消耗和能耗。
为实现上述目的,本发明采用的技术方案是:
一种硫化锌工业化生产过程的精准控制系统,包括:
原料供给装置,用于向反应釜中连续或间歇地供给锌粉和硫粉;
加热装置,用于对反应釜进行加热,使锌粉和硫粉在反应釜中发生化学反应,生成硫化锌;
冷却装置,用于对反应釜进行冷却,使硫化锌从反应釜中排出;
传感器,用于检测反应釜中的温度、压力、物料流量和硫化锌的质量;
控制器,用于根据传感器的检测结果,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的产量和质量达到预设的目标值。
通过控制器的自适应控制算法,利用神经网络的反向传播和前向传播,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量,对神经网络的权重和偏置进行实时调整,计算出反应釜中的最优温度、压力、物料流量和硫化锌的质量,生成控制信号,控制原料供给装置、加热装置和冷却装置的工作参数,使反应釜中的实际温度、压力、物料流量和硫化锌的质量逼近最优温度、压力、物料流量和硫化锌的质量。
作为上述方案的进一步改进,所述原料供给装置包括:
锌粉储罐,用于储存锌粉;
硫粉储罐,用于储存硫粉;
锌粉计量装置,用于根据控制器的控制信号,从锌粉储罐中取出一定量的锌粉;
硫粉计量装置,用于根据控制器的控制信号,从硫粉储罐中取出一定量的硫粉;
混合装置,用于将锌粉和硫粉混合成一定的摩尔比,形成反应物料;
输送装置,用于将反应物料输送到反应釜中。
通过控制器的控制信号,控制锌粉计量装置和硫粉计量装置的工作量,使锌粉和硫粉的摩尔比达到最佳值,然后通过混合装置将锌粉和硫粉混合成反应物料,再通过输送装置将反应物料输送到反应釜中,使反应釜中的反应物料的质量达到最佳状态。
作为上述方案的进一步改进,所述加热装置包括:
电炉,用于对反应釜进行加热,使反应物料在反应釜中发生化学反应,生成硫化锌;
温度调节装置,用于根据控制器的控制信号,调节电炉的加热功率,使反应釜中的温度达到预设的目标值。
通过控制器的控制信号,控制温度调节装置的工作参数,使电炉的加热功率达到最佳值,从而使反应釜中的温度达到最佳值,使反应物料在反应釜中发生化学反应,生成硫化锌。
作为上述方案的进一步改进,所述冷却装置包括:
冷却水箱,用于储存冷却水;
冷却水泵,用于将冷却水从冷却水箱中抽出;
冷却管道,用于将冷却水从冷却水泵输送到反应釜的外壁,使反应釜的外壁与冷却水接触,从而对反应釜进行冷却;
冷却水回收装置,用于将冷却管道中的冷却水回收到冷却水箱中;
压力调节装置,用于根据控制器的控制信号,调节冷却水泵的工作压力,使反应釜中的压力达到预设的目标值。
通过控制器的控制信号,控制压力调节装置的工作参数,使冷却水泵的工作压力达到最佳值,从而使反应釜中的压力达到最佳值,使硫化锌从反应釜中排出,同时通过冷却水回收装置,将冷却水回收到冷却水箱中,循环利用,节约资源。
作为上述方案的进一步改进,所述传感器包括:
温度传感器,用于检测反应釜中的温度,将温度信号发送给控制器;
压力传感器,用于检测反应釜中的压力,将压力信号发送给控制器;
物料流量传感器,用于检测反应釜中的物料流量,将物料流量信号发送给控制器;
硫化锌质量传感器,用于检测反应釜中的硫化锌的质量,将硫化锌质量信号发送给控制器;
其中,所述硫化锌质量传感器为一种基于光谱分析的传感器,通过对反应釜中的硫化锌进行光谱分析,根据硫化锌的光谱特征,计算出硫化锌的纯度、晶体结构和粒度分布,将这些质量参数信号发送给控制器;其计算公式为:
其中,P是硫化锌的纯度,S是硫化锌的晶体结构参数,D是硫化锌的粒度分布参数,Iλi是硫化锌在波长为λi的光谱上的光强度,λ1到λ6是硫化锌的光谱特征波长,其数值由实验确定。
通过温度传感器、压力传感器、物料流量传感器和硫化锌质量传感器,分别检测反应釜中的温度、压力、物料流量和硫化锌的质量,将这些检测信号发送给控制器,控制器根据这些检测信号,计算出反应釜中的最优温度、压力、物料流量和硫化锌的质量,生成控制信号,控制原料供给装置、加热装置和冷却装置的工作参数,使反应釜中的温度、压力、物料流量和硫化锌的质量逼近最优值。其中,硫化锌质量传感器通过对反应釜中的硫化锌进行光谱分析,根据硫化锌的光谱特征,计算出硫化锌的纯度、晶体结构和粒度分布,这些质量参数是反应釜中的化学反应的重要指标,反映了硫化锌的质量水平。
一种硫化锌工业化生产过程的精准控制系统的控制方法,包括以下步骤:
1)启动原料供给装置,向反应釜中连续或间歇地供给锌粉和硫粉;
2)启动加热装置,对反应釜进行加热,使锌粉和硫粉在反应釜中发生化学反应,生成硫化锌;
3)启动冷却装置,对反应釜进行冷却,使硫化锌从反应釜中排出;
4)启动传感器,检测反应釜中的温度、压力、物料流量和硫化锌的质量;
5)启动控制器,根据传感器的检测结果,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的质量达到预设的目标值;
其中,所述控制器的控制步骤包括:
a)通过反向传播算法,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量,对神经网络的权重和偏置进行实时调整;
b)通过前向传播算法,根据神经网络的权重和偏置,计算出反应釜中的最优温度、压力、物料流量和硫化锌的质量;
c)通过比较算法,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量与最优温度、压力、物料流量和硫化锌的质量之间的差值,生成控制信号;
d)通过输出算法,根据控制信号,控制原料供给装置、加热装置和冷却装置的工作参数,使反应釜中的实际温度、压力、物料流量和硫化锌的质量逼近最优温度、压力、物料流量和硫化锌的质量;
其中,所述神经网络为一种多层感知机,包括输入层、隐藏层和输出层,输入层的节点数为4,分别对应反应釜中的温度、压力、物料流量和硫化锌的质量,输出层的节点数也为4,分别对应原料供给装置、加热装置和冷却装置的工作参数,隐藏层的节点数为8,隐藏层和输出层的激活函数为sigmoid函数,为了表征神经网络的数学模型,使用以下公式:
设输入层的节点向量为x=(x1,x2,x3,x4)T,输出层的节点向量为y=(y1,y2,y3,y4)T,隐藏层的节点向量为h=(h1,h2,...,h8)T,则神经网络的前向传播过程表示为:
h=f(W1x+b1)
y=f(W2h+b2)
其中,f是sigmoid函数,W1和W2是输入层到隐藏层和隐藏层到输出层的权重矩阵,b1和b2是输入层到隐藏层和隐藏层到输出层的偏置向量;
神经网络的反向传播过程表示为:
e=y*-y
g2=f′(W2h+b2)⊙e
ΔW2=ηg2hT
Δb2=ηg2
ΔW1=ηg1xT
Δb1=ηg1
其中,y*是反应釜中的最优温度、压力、物料流量和硫化锌的质量,e是输出层的误差向量,g1和g2是隐藏层和输出层的梯度向量,ΔW1和ΔW2是输入层到隐藏层和隐藏层到输出层的权重矩阵的变化量,Δb1和Δb2是输入层到隐藏层和隐藏层到输出层的偏置向量的变化量,η是学习率,f′是sigmoid函数的导数,⊙是哈达玛积,T是矩阵的转置,即将矩阵的行和列互换;
神经网络的权重和偏置的更新过程表示为:
其中t和t+1表示更新前和更新后的值。
通过控制器的控制方法,利用神经网络的反向传播和前向传播,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量,对神经网络的权重和偏置进行实时调整,计算出反应釜中的最优温度、压力、物料流量和硫化锌的质量,生成控制信号,控制原料供给装置、加热装置和冷却装置的工作参数,使反应釜中的实际温度、压力、物料流量和硫化锌的质量逼近最优温度、压力、物料流量和硫化锌的质量。其中,控制器的控制方法的预设的目标值是根据反应釜中的化学反应的理论模型和实验数据确定的,旨在使硫化锌的产量和质量达到最优化水平,同时降低原料消耗和能耗。
作为上述方案的进一步改进,所述控制方法的执行周期为1s,即每隔1s,控制器对反应釜中的温度、压力、物料流量和硫化锌的质量进行一次检测和控制。
作为上述方案的进一步改进,所述控制方法的执行方式为自动执行,即控制器在启动后,无需人工干预,自动根据反应釜中的温度、压力、物料流量和硫化锌的质量进行检测和控制。
作为上述方案的进一步改进,所述控制方法的执行过程为可视化过程,即控制器在执行后,能够通过显示器,显示反应釜中的温度、压力、物料流量和硫化锌的质量的实时变化曲线,以及原料供给装置、加热装置和冷却装置的工作参数的实时变化曲线,方便用户监测和分析。
与现有技术相比,本发明的有益效果为:
(1)本发明通过对反应釜中的温度、压力、物料流量和硫化锌的质量进行实时检测和控制,可以使反应釜中的化学反应达到最佳状态,从而提高硫化锌的纯度、晶体结构和粒度分布,通过对锌粉和硫粉的计量、混合和输送进行精准控制,可以使反应釜中的锌粉和硫粉的摩尔比达到最佳值,通过对电炉的加热功率进行精准控制,可以使反应釜中的温度达到最佳值,通过对冷却水泵的工作压力进行精准控制,可以使反应釜中的压力达到最佳值,通过对反应釜中的温度、压力、物料流量和硫化锌的质量进行精准检测,可以使控制器获取反应釜中的实时状态信息,从而提高控制器的控制效果,使反应釜中的温度、压力、物料流量和硫化锌的质量达到最优值,通过对控制器的自适应控制算法的预设的目标值进行优化,可以使控制器的控制信号更加精准可靠,从而提高反应釜中的温度、压力、物料流量和硫化锌的质量的控制效果,使反应釜中的温度、压力、物料流量和硫化锌的质量达到最优值,从而提高硫化锌的产量和质量,降低原料浪费和成本,提高生产效率和经济效益;
(2)本发明采用了一种基于神经网络的自适应控制算法,利用反应釜中的温度、压力、物料流量和硫化锌的质量作为输入,原料供给装置、加热装置和冷却装置的工作参数作为输出,通过反向传播和前向传播,对神经网络的权重和偏置进行实时调整,计算出反应釜中的最优温度、压力、物料流量和硫化锌的质量,生成控制信号,控制原料供给装置、加热装置和冷却装置的工作参数,使反应釜中的实际温度、压力、物料流量和硫化锌的质量逼近最优温度、压力、物料流量和硫化锌的质量;
(3)利用神经网络的非线性映射能力,可以有效地处理反应釜中的复杂的化学反应过程,实现反应釜中的温度、压力、物料流量和硫化锌的质量的精准控制,提高硫化锌的产量和质量,降低原料消耗和能耗,提高生产效率和经济效益。
(4)本发明的控制方法是一种自适应控制方法,可以根据反应釜中的实时状态信息,自动调整控制参数,无需人工干预,减少人为误差,提高控制效果;
(5)本发明的控制方法是一种周期化控制方法,可以按照一定的执行周期,对反应釜中的温度、压力、物料流量和硫化锌的质量进行一次检测和控制,保证控制过程的稳定性和连续性,提高控制效率;
(6)本发明的控制方法是一种可视化控制方法,可以通过显示器,显示反应釜中的温度、压力、物料流量和硫化锌的质量的实时变化曲线,以及原料供给装置、加热装置和冷却装置的工作参数的实时变化曲线,方便用户监测和分析,提高控制效果。
附图说明
图1为本发明的硫化锌工业化生产过程的精准控制系统的结构示意图;
图2为本发明的硫化锌工业化生产过程的精准控制方法的工作流程图。
具体实施方式
为了使本领域技术人员更好地理解技术方案,下面结合实施例对技术方案进行详细描述,本部分的描述仅是示范性和解释性,不应对本申请的保护范围有任何的限制作用。
实施例1:
本实施例提供一种硫化锌工业化生产过程的精准控制系统,如图1所示,该系统包括:原料供给装置,加热装置,冷却装置,传感器,控制器,其中原料供给装置用于向反应釜中连续地供给锌粉和硫粉,该装置包括锌粉储罐、硫粉储罐、锌粉计量装置、硫粉计量装置、混合装置和输送装置,其中锌粉储罐,用于储存锌粉,该储罐的容量为1000kg,锌粉的纯度为99.9%;硫粉储罐,用于储存硫粉,该储罐的容量为500kg,硫粉的纯度为99.5%;锌粉计量装置,用于根据控制器的控制信号,从锌粉储罐中取出一定量的锌粉,该装置为一种电子秤,其精度为0.1g;硫粉计量装置,用于根据控制器的控制信号,从硫粉储罐中取出一定量的硫粉,该装置为一种电子秤,其精度为0.1g;混合装置,用于将锌粉和硫粉混合成1:2的摩尔比,形成反应物料,该装置为一种搅拌机,其转速为1000r/min;输送装置,用于将反应物料输送到反应釜中,该装置为一种螺旋输送机,其输送速度为10m/min,每次供给的反应物料的质量为200g;加热装置,用于对反应釜进行加热,使锌粉和硫粉在反应釜中发生化学反应,生成硫化锌,该装置包括电炉和温度调节装置,其中电炉,用于对反应釜进行加热,使反应物料在反应釜中发生化学反应,生成硫化锌,该电炉的最大功率为10kW,其加热温度范围为300-1000℃;温度调节装置,用于根据控制器的控制信号,调节电炉的加热功率,使反应釜中的温度达到预设的目标值900℃,该装置为一种温控器,其精度为0.1℃;冷却装置,用于对反应釜进行冷却,使硫化锌从反应釜中排出,该装置包括冷却水箱、冷却水泵、冷却管道、冷却水回收装置和压力调节装置,其中冷却水箱,用于储存冷却水,该水箱的容量为1000L,冷却水的温度为20℃;冷却水泵,用于将冷却水从冷却水箱中抽出,该水泵的最大流量为10L/min,其工作压力范围为0.1MPa-1MPa;冷却管道,用于将冷却水从冷却水泵输送到反应釜的外壁,使反应釜的外壁与冷却水接触,从而对反应釜进行冷却,该管道的内径为10mm,其材质为不锈钢;冷却水回收装置,用于将冷却管道中的冷却水回收到冷却水箱中,该装置为一种过滤器,其过滤精度为0.01μm;压力调节装置,用于根据控制器的控制信号,调节冷却水泵的工作压力,使反应釜中的压力达到预设的目标值0.6MPa,该装置为一种压力表,其精度为0.01MPa;传感器,用于检测反应釜中的温度、压力、物料流量和硫化锌的质量,该传感器包括温度传感器、压力传感器、物料流量传感器和硫化锌质量传感器,其中温度传感器,用于检测反应釜中的温度,将温度信号发送给控制器,该传感器为一种热电偶,其精度为0.1℃;压力传感器,用于检测反应釜中的压力,将压力信号发送给控制器,该传感器为一种压力传感器,其精度为0.01MPa;物料流量传感器,用于检测反应釜中的物料流量,将物料流量信号发送给控制器,该传感器为一种流量计,其精度为0.1g/min;硫化锌质量传感器,用于检测反应釜中的硫化锌的质量,将硫化锌质量信号发送给控制器,该传感器为一种基于光谱分析的传感器,通过对反应釜中的硫化锌进行光谱分析,根据硫化锌的光谱特征,计算出硫化锌的纯度、晶体结构和粒度分布,将这些质量参数信号发送给控制器;控制器,用于根据传感器的检测结果,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的质量达到预设的目标值,硫化锌的质量参数预设目标值为:纯度为100%,晶体结构参数为5.5×106,粒度分布参数为2.2×109。
本实施例采用的光谱分析的光源为一种可调节波长的激光器,其波长范围为200nm-1000nm,其功率为1mW,其光束直径为1mm,其光束发散角为0.1°;样品为反应釜中的硫化锌,其质量为10g,其形状为球形,其直径为5mm,其表面光滑;分光器为一种光栅,其光栅常数为0.01mm,其光栅面积为10cm×10cm,其光栅与光源的距离为50cm,其光栅与检测器的距离为100cm;检测器为一种光电二极管,其灵敏度为0.1A/W,其面积为1mm×1mm,其与光栅的夹角为30°;数据处理为一种计算机,其内置有光谱分析软件,其能够根据检测器的电信号,计算出样品的光谱,并根据光谱的特征,计算出样品的质量参数。
本实施例采用的光谱分析的过程如下:
1)启动光源,向样品发射一束波长为λi的激光,其中λi为硫化锌的光谱特征波长,其数值由实验确定,本实施例中取λ1=300nm,λ2=400nm,λ3=500nm,λ4=600nm,λ5=700nm,λ6=800nm;
2)启动分光器,将激光分成不同波长的光谱,其中每个波长的光谱与光栅的夹角为θi,其数值由光栅方程确定,即dsinθi=mλi,其中d是光栅常数,m是衍射级数,取m=1;
3)启动检测器,接收不同波长的光谱,将光谱转换为电信号,其中每个波长的光谱的光强度为Iλi,其数值由光电效应确定,即其中k是检测器的灵敏度,Eλi是光谱的能量,其数值由普朗克公式确定,即/>其中h是普朗克常数,c是光速,νi是光谱的频率;
4)启动数据处理,根据检测器的电信号,计算出样品的光谱,并根据光谱的特征,计算出样品的质量参数,其中样品的质量参数包括纯度P、晶体结构参数S和粒度分布参数D,其计算公式为:
其中,P是硫化锌的纯度,S是硫化锌的晶体结构参数,D是硫化锌的粒度分布参数,Iλi是硫化锌在波长为λi的光谱上的光强度,λ1到λ6是硫化锌的光谱特征波长,其数值由实验确定。
本实施例的实验结果如下:
样品的光谱如图2所示,其中横坐标为波长,纵坐标为光强度,不同颜色的曲线表示不同波长的光谱;
反应釜中的实际温度为899.8℃,与预设目标值的误差为0.2℃,在允许的范围内;
反应釜中的实际压力为0.61MPa,与预设目标值的误差为0.01MPa,在允许的范围内;
反应釜中的实际物料流量为200.2g/min,与预设目标值的误差为0.2g/min,在允许的范围内;
反应釜中的硫化锌的质量参数为:
纯度为99.7%,与预设目标值的误差为0.3%,在允许的范围内;
晶体结构参数为5.3×106,与预设目标值的误差为0.2×106,在允许的范围内;
粒度分布参数为2.2×109,与预设目标值的误差为0.2×109,在允许的范围内;
由此可见,本实施例的硫化锌工业化生产过程的精准控制系统也能够实现反应釜中的温度、压力、物料流量和硫化锌的质量的精准控制,从而提高硫化锌的产量和质量,降低原料消耗和能耗。
实施例2:
本实施例与实施例1的不同之处在于,原料供给装置中锌粉和硫粉的摩尔比为1:1.8,每次供给的反应物料的质量为150g;加热装置中反应釜中的温度的预设目标值为850℃;冷却装置中反应釜中的压力的预设目标值为0.55MPa。
本实施例的实验结果如下:
反应釜中的实际温度为849.9℃,与预设目标值的误差为0.1℃,在允许的范围内;
反应釜中的实际压力为0.56MPa,与预设目标值的误差为0.01MPa,在允许的范围内;
反应釜中的实际物料流量为150.1g/min,与预设目标值的误差为0.1g/min,在允许的范围内;
反应釜中的硫化锌的质量参数为:
纯度为99.6%,与预设目标值的误差为0.4%,在允许的范围内;
晶体结构参数为5.2×106,与预设目标值的误差为0.3×106,在允许的范围内;
粒度分布参数为2.3×109,与预设目标值的误差为0.3×109,在允许的范围内;
由此可见,本实施例的硫化锌工业化生产过程的精准控制系统也能够实现反应釜中的温度、压力物料流量和硫化锌的质量的精准控制,从而提高硫化锌的产量和质量,降低原料消耗和能耗。
实施例3:
本实施例采用了一种基于神经网络的自适应控制器,通过对反应釜中的温度、压力、物料流量和硫化锌的质量进行实时检测和控制,使其达到预设的目标值。
神经网络是一种模拟人类神经系统的计算模型,能够通过学习数据,实现非线性的映射和逼近功能。神经网络的基本单元是神经元,神经元之间通过权重和偏置连接,形成多层的网络结构。神经网络的学习过程是通过调整权重和偏置,使网络的输出与期望的输出之间的误差最小化。神经网络的学习算法有很多种,其中最常用的一种是反向传播算法,该算法通过反向传递误差信号,计算每个神经元的梯度,然后根据梯度下降法,更新权重和偏置。
本实施例采用的神经网络为一种多层感知机,包括输入层、隐藏层和输出层,输入层的节点数为4,分别对应反应釜中的温度、压力、物料流量和硫化锌的质量,输出层的节点数也为4,分别对应原料供给装置、加热装置和冷却装置的工作参数,隐藏层的节点数为8,隐藏层和输出层的激活函数为sigmoid函数,为了表征神经网络的数学模型,使用以下公式:
设输入层的节点向量为x=(x1,x2,x3,x4)T,输出层的节点向量为y=(y1,y2,y3,y4)T,隐藏层的节点向量为h=(h1,h2,...,h8)T,则神经网络的前向传播过程表示为:
h=f(W1x+b1)
y=f(W2h+b2)
其中,f是sigmoid函数,W1和W2是输入层到隐藏层和隐藏层到输出层的权重矩阵,b1和b2是输入层到隐藏层和隐藏层到输出层的偏置向量;
神经网络的反向传播过程表示为:
e=y*-y
g2=f′(W2h+b2)⊙e
ΔW2=ηg2hT
Δb2=ηg2
ΔW1=ηg1xT
Δb1=ηg1
其中,y*是反应釜中的最优温度、压力、物料流量和硫化锌的质量,e是输出层的误差向量,g1和g2是隐藏层和输出层的梯度向量,ΔW1和ΔW2是输入层到隐藏层和隐藏层到输出层的权重矩阵的变化量,Δb1和Δb2是输入层到隐藏层和隐藏层到输出层的偏置向量的变化量,η是学习率,f′是sigmoid函数的导数,⊙是哈达玛积,T是矩阵的转置,即将矩阵的行和列互换;
神经网络的权重和偏置的更新过程表示为:
其中t和t+1表示更新前和更新后的值。
其中sigmoid函数是一种常用的非线性激活函数,它的数学表达式为:
它的导数为:
f′(x)=f(x)(1-f(x))
sigmoid函数的特点是它的输出值在0到1之间,它的导数在0到0.25之间,它的图像呈S形,它的输出值随着输入值的增大而增大,但是增长速度逐渐减小,当输入值趋于正无穷时,输出值趋于1,当输入值趋于负无穷时,输出值趋于0。
sigmoid函数实现的技术目的是将神经网络的输入信号转换为输出信号,同时引入非线性因素,使神经网络能够拟合复杂的非线性函数。sigmoid函数的优点是它的计算简单,它的输出值有界,它的导数易于求解,它的输出值具有概率意义,它的输出值可以表示神经元的激活程度。
sigmoid函数用于隐藏层和输出层的激活函数,它的作用是将反应釜中的温度、压力、物料流量和硫化锌的质量作为输入信号,经过神经网络的权重和偏置的加权和,转换为输出信号,即原料供给装置、加热装置和冷却装置的工作参数。sigmoid函数的非线性特性使神经网络能够逼近反应釜中的复杂的化学反应过程,sigmoid函数的输出值的概率意义使神经网络能够根据反应釜中的实际情况,调整原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的产量和质量达到预设的目标值。
sigmoid函数的推导过程如下:
反应釜中的温度、压力、物料流量和硫化锌的质量为x=(x1,x2,x3,x4)T,原料供给装置、加热装置和冷却装置的工作参数为y=(y1,y2,y3,y4)T,隐藏层的节点向量为h=(h1,h2,...,h8)T,输入层到隐藏层和隐藏层到输出层的权重矩阵为W1和W2,输入层到隐藏层和隐藏层到输出层的偏置向量为b1和b2,则神经网络的前向传播过程可以表示为:
h=f(W1x+b1)
y=f(W2h+b2)
其中,f是sigmoid函数,即:
将sigmoid函数代入上述公式,得到:
这样,就得到了sigmoid函数的前向传播过程,即将反应釜中的温度、压力、物料流量和硫化锌的质量转换为原料供给装置、加热装置和冷却装置的工作参数的过程。
神经网络的反向传播过程是根据输出层的误差向前传递,更新权重和偏置的过程。为了实现这一过程,需要求解sigmoid函数的导数,即:
f′(x)=f(x)(1-f(x))
将sigmoid函数的导数代入反向传播的公式,得到:
e=y*-y
g2=f′(W2h+b2)⊙e=y(1-y)⊙e
ΔW2=ηg2hT
Δb2=ηg2
ΔW1=ηg1xT
Δb1=ηg1
这样,就得到了sigmoid函数的反向传播过程,即根据输出层的误差,更新权重和偏置的过程。
结合具体的数值的实施例如下:
本实施例提供一种基于神经网络的自适应控制器,用于根据反应釜中的温度、压力、物料流量和硫化锌的质量,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的产量和质量达到预设的目标值,该控制器的具体参数如下:
输入层的节点数为4,分别对应反应釜中的温度、压力、物料流量和硫化锌的质量,输出层的节点数也为4,分别对应原料供给装置、加热装置和冷却装置的工作参数,隐藏层的节点数为8,隐藏层和输出层的激活函数为sigmoid函数;
输入层到隐藏层的权重矩阵W1的初始值为:
输入层到隐藏层的偏置向量b1的初始值为:
这是一个8×1的列向量,表示输入层的每个节点到隐藏层的每个节点的偏置值,即输入层的每个节点的输出值在经过权重矩阵W1的线性变换后,再加上这个偏置值,得到隐藏层的每个节点的输入值。这个偏置值可以增加神经网络的灵活性,避免过拟合或欠拟合的问题。这个偏置向量的初始值是随机生成的,可以通过反向传播算法进行实时调整,使神经网络的输出与期望的输出之间的误差最小化。
隐藏层到输出层的权重矩阵W2的初始值为:
隐藏层到输出层的偏置向量b2的初始值为:
学习率η的初始值为0.01;
反应釜中的温度、压力、物料流量和硫化锌的质量的预设目标值分别为800℃、0.5MPa、100g/min和99.5%。
原料供给装置、加热装置和冷却装置的工作参数的范围分别为0-200g/min、0-1000℃和0-1MPa。
本实施例的具体操作步骤如下:
1)启动原料供给装置,向反应釜中连续或间歇地供给锌粉和硫粉,其中锌粉和硫粉的摩尔比为1:1.5,每次供给的反应物料的质量为100g;
2)启动加热装置,对反应釜进行加热,使锌粉和硫粉在反应釜中发生化学反应,生成硫化锌,其中反应釜中的温度的初始值为500℃,反应时间为10min;
3)启动冷却装置,对反应釜进行冷却,使硫化锌从反应釜中排出,其中反应釜中的压力的初始值为0.3MPa,冷却时间为5min;
4)启动传感器,检测反应釜中的温度、压力、物料流量和硫化锌的质量,将检测信号发送给控制器;
5)启动控制器,根据传感器的检测结果,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的质量达到预设的目标值,其中控制器的控制步骤包括:
a)通过反向传播算法,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量,对神经网络的权重和偏置进行实时调整;
b)通过前向传播算法,根据神经网络的权重和偏置,计算出反应釜中的最优温度、压力、物料流量和硫化锌的质量;
c)通过比较算法,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量与最优温度、压力、物料流量和硫化锌的质量之间的差值,生成控制信号;
d)通过输出算法,根据控制信号,控制原料供给装置、加热装置和冷却装置的工作参数,使反应釜中的实际温度、压力、物料流量和硫化锌的质量逼近最优温度、压力、物料流量和硫化锌的质量。
本实施例的实验结果如下表所示:
表1
/>
由此可见,本实施例的基于神经网络的自适应控制器能够根据反应釜中的温度、压力、物料流量和硫化锌的质量,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的产量和质量达到预设的目标值,提高硫化锌的产量和质量,降低原料消耗和能耗。
Claims (8)
1.一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,所述控制系统包括:
原料供给装置,加热装置,冷却装置,传感器,控制器,所述传感器包括:
温度传感器,用于检测反应釜中的温度,将温度信号发送给控制器;
压力传感器,用于检测反应釜中的压力,将压力信号发送给控制器;
物料流量传感器,用于检测反应釜中的物料流量,将物料流量信号发送给控制器;
硫化锌质量传感器,用于检测反应釜中的硫化锌的质量,将硫化锌质量信号发送给控制器;
其中,所述硫化锌质量传感器为一种基于光谱分析的传感器,通过对反应釜中的硫化锌进行光谱分析,根据硫化锌的光谱特征,计算出硫化锌的纯度、晶体结构和粒度分布,将这些质量参数信号发送给控制器;其计算公式为:
,
,
,
其中,P是硫化锌的纯度,S是硫化锌的晶体结构参数,D是硫化锌的粒度分布参数,Iλi是硫化锌在波长为λi的光谱上的光强度,λ1到λ6是硫化锌的光谱特征波长,其数值由实验确定;
所述控制方法包括以下步骤:
1)启动原料供给装置,向反应釜中连续或间歇地供给锌粉和硫粉;
2)启动加热装置,对反应釜进行加热,使锌粉和硫粉在反应釜中发生化学反应,生成硫化锌;
3)启动冷却装置,对反应釜进行冷却,使硫化锌从反应釜中排出;
4)启动传感器,检测反应釜中的温度、压力、物料流量和硫化锌的质量;
5)启动控制器,根据传感器的检测结果,控制原料供给装置、加热装置和冷却装置的工作参数,使硫化锌的质量达到预设的目标值;
其中,所述控制器的控制步骤包括:
a)通过反向传播算法,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量,对神经网络的权重和偏置进行实时调整;
b)通过前向传播算法,根据神经网络的权重和偏置,计算出反应釜中的最优温度、压力、物料流量和硫化锌的质量;
c)通过比较算法,根据反应釜中的实际温度、压力、物料流量和硫化锌的质量与最优温度、压力、物料流量和硫化锌的质量之间的差值,生成控制信号;
d)通过输出算法,根据控制信号,控制原料供给装置、加热装置和冷却装置的工作参数,使反应釜中的实际温度、压力、物料流量和硫化锌的质量逼近最优温度、压力、物料流量和硫化锌的质量;
其中,所述神经网络为一种多层感知机,包括输入层、隐藏层和输出层,输入层的节点数为4,分别对应反应釜中的温度、压力、物料流量和硫化锌的质量,输出层的节点数为3,分别对应原料供给装置、加热装置和冷却装置的工作参数,隐藏层的节点数为8,隐藏层和输出层的激活函数为sigmoid函数。
2.根据权利要求1所述的一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,所述原料供给装置包括:
锌粉储罐,用于储存锌粉;
硫粉储罐,用于储存硫粉;
锌粉计量装置,用于根据控制器的控制信号,从锌粉储罐中取出一定量的锌粉;
硫粉计量装置,用于根据控制器的控制信号,从硫粉储罐中取出一定量的硫粉;
混合装置,用于将锌粉和硫粉混合成一定的摩尔比,形成反应物料;
输送装置,用于将反应物料输送到反应釜中。
3.根据权利要求1所述的一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,所述加热装置包括:
电炉,用于对反应釜进行加热,使反应物料在反应釜中发生化学反应,生成硫化锌;
温度调节装置,用于根据控制器的控制信号,调节电炉的加热功率,使反应釜中的温度达到预设的目标值。
4.根据权利要求1所述的一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,所述冷却装置包括:
冷却水箱,用于储存冷却水;
冷却水泵,用于将冷却水从冷却水箱中抽出;
冷却管道,用于将冷却水从冷却水泵输送到反应釜的外壁,使反应釜的外壁与冷却水接触,从而对反应釜进行冷却;
冷却水回收装置,用于将冷却管道中的冷却水回收到冷却水箱中;
压力调节装置,用于根据控制器的控制信号,调节冷却水泵的工作压力,使反应釜中的压力达到预设的目标值。
5.根据权利要求1所述的一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,神经网络模型使用以下公式:
设输入层的节点向量为,输出层的节点向量为/>,隐藏层的节点向量为/>,则神经网络的前向传播过程表示为:
,
,
其中,是sigmoid函数,/>和/>是输入层到隐藏层和隐藏层到输出层的权重矩阵,/>和/>是输入层到隐藏层和隐藏层到输出层的偏置向量;
神经网络的反向传播过程表示为:
,
,
,
,
,
,
,
其中,是反应釜中的最优温度、压力、物料流量和硫化锌的质量,/>是输出层的误差向量,/>和/>是隐藏层和输出层的梯度向量,/>和/>是输入层到隐藏层和隐藏层到输出层的权重矩阵的变化量,/>和/>是输入层到隐藏层和隐藏层到输出层的偏置向量的变化量,/>是学习率,/>是sigmoid函数的导数,/>是哈达玛积,T是矩阵的转置,即将矩阵的行和列互换;
神经网络的权重和偏置的更新过程表示为:
,
,
,
,
其中t和t+1表示更新前和更新后的值。
6.根据权利要求1所述的一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,所述控制方法的执行周期为1s,即每隔1s,控制器对反应釜中的温度、压力、物料流量和硫化锌的质量进行一次检测和控制。
7.根据权利要求1所述的一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,所述控制方法的执行方式为自动执行,即控制器在启动后,无需人工干预,自动根据反应釜中的温度、压力、物料流量和硫化锌的质量进行检测和控制。
8.根据权利要求1所述的一种硫化锌工业化生产过程的精准控制系统的控制方法,其特征在于,所述控制方法的执行过程为可视化过程,即控制器在执行后,能够通过显示器,显示反应釜中的温度、压力、物料流量和硫化锌的质量的实时变化曲线,以及原料供给装置、加热装置和冷却装置的工作参数的实时变化曲线,方便用户监测和分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536474.3A CN117339516B (zh) | 2023-11-17 | 2023-11-17 | 一种硫化锌工业化生产过程的精准控制系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536474.3A CN117339516B (zh) | 2023-11-17 | 2023-11-17 | 一种硫化锌工业化生产过程的精准控制系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117339516A CN117339516A (zh) | 2024-01-05 |
CN117339516B true CN117339516B (zh) | 2024-04-12 |
Family
ID=89371166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311536474.3A Active CN117339516B (zh) | 2023-11-17 | 2023-11-17 | 一种硫化锌工业化生产过程的精准控制系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117339516B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5477444A (en) * | 1992-09-14 | 1995-12-19 | Bhat; Naveen V. | Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process |
JP2002301359A (ja) * | 2001-04-04 | 2002-10-15 | Todoroki Industry Co Ltd | 化学反応装置における異常反応の制御システム |
CN1539743A (zh) * | 2003-04-25 | 2004-10-27 | 新加坡纳米材料科技有限公司 | 超重力反应结晶法制备纳米硫化锌 |
CN102507572A (zh) * | 2011-11-02 | 2012-06-20 | 核工业理化工程研究院华核新技术开发公司 | 一种五氟化锑产品纯度的检测方法 |
CN102671609A (zh) * | 2012-05-22 | 2012-09-19 | 苏州市金翔钛设备有限公司 | 反应釜自动控制系统 |
CN102923760A (zh) * | 2012-12-02 | 2013-02-13 | 桂林理工大学 | 超声波/微波协同作用下常压溶剂热合成立方结构和六方结构纳米ZnS半导体材料的方法 |
CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
CN113828264A (zh) * | 2021-09-30 | 2021-12-24 | 上海镁源动力科技有限公司 | 一种制备金属化合物的设备及方法 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
-
2023
- 2023-11-17 CN CN202311536474.3A patent/CN117339516B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5477444A (en) * | 1992-09-14 | 1995-12-19 | Bhat; Naveen V. | Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process |
JP2002301359A (ja) * | 2001-04-04 | 2002-10-15 | Todoroki Industry Co Ltd | 化学反応装置における異常反応の制御システム |
CN1539743A (zh) * | 2003-04-25 | 2004-10-27 | 新加坡纳米材料科技有限公司 | 超重力反应结晶法制备纳米硫化锌 |
CN102507572A (zh) * | 2011-11-02 | 2012-06-20 | 核工业理化工程研究院华核新技术开发公司 | 一种五氟化锑产品纯度的检测方法 |
CN102671609A (zh) * | 2012-05-22 | 2012-09-19 | 苏州市金翔钛设备有限公司 | 反应釜自动控制系统 |
CN102923760A (zh) * | 2012-12-02 | 2013-02-13 | 桂林理工大学 | 超声波/微波协同作用下常压溶剂热合成立方结构和六方结构纳米ZnS半导体材料的方法 |
CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
CN113828264A (zh) * | 2021-09-30 | 2021-12-24 | 上海镁源动力科技有限公司 | 一种制备金属化合物的设备及方法 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117339516A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9046882B2 (en) | Nonlinear model predictive control of a batch reaction system | |
Damour et al. | Nonlinear predictive control based on artificial neural network model for industrial crystallization | |
CN117339516B (zh) | 一种硫化锌工业化生产过程的精准控制系统及控制方法 | |
CN101962708B (zh) | 大型板材真空退火炉多温区均温性控制系统及其控制方法 | |
CN101995891B (zh) | 一种芳香酸生产中母固料回收系统水分在线分析方法 | |
Xu et al. | Multi-objective optimization of a continuous bio-dissimilation process of glycerol to 1, 3-propanediol | |
EP2778805B1 (en) | Advanced process control of a biodiesel plant | |
CN1150300C (zh) | 乙烯装置中裂解炉的智能控制方法 | |
Larsson et al. | Calorimetric control of fed-batch cultures of Saccharomyces cerevisiae | |
CN102455718A (zh) | 一种催化剂生产装置中的温度控制系统及其方法和应用 | |
US9593348B2 (en) | System and method for continuous enzyme addition to a fermentation process | |
Zhang et al. | Reliable multi-objective on-line re-optimisation control of a fed-batch fermentation process using bootstrap aggregated neural networks | |
CN114115144B (zh) | Rdf条件下水泥窑分解炉自动退煤控制方法及系统 | |
Hu et al. | Differential Evolution Algorithm Based Self-adaptive Control Strategy for Fed-batch Cultivation of Yeast. | |
CN116659251A (zh) | 一种判定连续石墨化、纯化炉内物料稳定性的系统及方法 | |
Pei et al. | Iterative Learning Control for Tricalcium Neutralization Process with Initial Disturbance | |
Zhou et al. | PID control in the reactor temperature control system based on BP neural network | |
Alli et al. | Adaptive optimal control of Baker’s yeast fermentation process with extreme learning machine and recursive least square technique | |
CN110045764B (zh) | 一种基于前馈-反应机理模型的反应器温度自动控制方法 | |
SU840046A1 (ru) | Способ регулировани процесса полу-чЕНи пОлибуТАдиЕНА | |
Polosin et al. | Mathematical modelling of MNUP-fuel production by the carbothermic synthesis process for fast neutron reactors | |
Gongxian et al. | Optimizing control of bio-dissimilation process of glycerol to 1, 3-propanediol | |
SU574388A1 (ru) | Способ автоматического регулировани газофазного процесса хлорировани | |
CN113641196A (zh) | 基于scl语言的单神经元psd算法在闪蒸罐压力控制中的应用方法 | |
CN101571713A (zh) | 一种全流程自动优化节能糠醛生产工艺 |
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 |