RBF神經網絡在反應器溫度控制系統的研究

彭倩 黃冠

摘 要：對于化工生產過程中的放熱反應來說，其反應器溫度控制系統不僅具有強耦合、非線性等特點，同時還具有熱危險性，傳統的PID控制策略往往不能滿足其穩定性要求。文章通過建立RBF神經網絡模型，提出了一種基于徑向基神經網絡RBF-PID的反應器溫度控制策略，同時結合高級多功能過程控制實驗系統SMPT1000平臺進行仿真驗證。仿真結果表明，基于RBF-PID控制策略的反應器溫度控制系統具有超調量小、動態性能好等特點，可實現反應器溫度的穩定控制。

關鍵詞：反應器；溫度控制；RBF神經網絡；SMPT1000

中圖分類號：TP273.5 文獻標識碼：A 文章編號：2095-1302（2018）08-00-03

0 引 言

反應器是目前化工生產過程中的關鍵設備，精確控制反應器的反應溫度是實現化工流程穩定、優質和高效的重要途徑。反應器溫度控制的難點在于其是一個復雜的非線性系統，同時具有強耦合、大滯后和時變等顯著特點，尤其對于放熱的化工反應來說，具有熱危險性，溫度控制不好將直接導致噴料，反應器被破壞，甚至發生燃燒、爆炸等事故。

傳統的PID控制策略具有簡單易實現的優點，一直被廣泛應用于工業控制系統中。但對于復雜的反應器溫度控制系統而言，考慮到其非線性和大滯后等特點，難以獲取精確的數學模型，傳統PID控制策略并不能根據過程對象參數的改變而實時修正自身參數，因此難以滿足高精度的控制

要求。

目前，國內外眾多專家針對復雜的非線性溫度控制系統提出了許多新穎的控制策略，如專家PID控制和BP神經網絡PID控制等。其中，BP神經網絡PID控制策略取得了一定的控制效果，但BP網絡存在學習和收斂速率較為緩慢、訓練時間過長等問題，不適用于化工過程中的反應器溫度控制系統。相比BP神經網絡，RBF神經網絡具有學習速率高、逼近能力強等優點。因此提出一種基于徑向基函數網絡（Radial Basis Function Network，RBF）PID的反應器溫度控制策略。由RBF神經網絡在線進行系統辨識獲取梯度信息，并根據實時獲取的梯度信息不斷調整PID的參數，以獲取更理想的控制效果。

1 案例分析

1.1 化工生產過程簡述

圖1所示為所選的仿真實例，其工藝核心是在催化劑C的作用下，原料A與原料B反應生成主產物D和副產物E。生產過程中，原料A過量，主產物D為所需要的產物，副產物E為雜質，主副反應均為強放熱反應。

正常工藝流程為：原料A和原料B進入混合罐內充分混合，混合物料經過預熱器E101預熱后進入反應器R101，經過催化劑C催化后開始反應。在整個反應過程中，反應放熱劇烈，因此采用夾套式冷卻水控制反應器的溫度。當反應器壓力過高時，通入抑制劑F使得催化劑C中毒迅速失去活性，從而中止反應。在反應器下游設有閃蒸罐V102，將反應器的混合生成物（D+E+C+A+B）中過量的原料A分離提純以循環使用。閃蒸罐底部混合生成物經過輸送泵加壓后，送到下游進行提純精制，以分離出產物D。

1.2 反應器溫度特性分析

由于該反應是放熱過程，預熱后的混合物料與催化劑同時加入反應器，并攪拌使其充分反應產生熱量。該過程具有熱危險性，反應溫度控制的好壞不僅會影響產品D的轉化率，還直接關系到整個生產的安全。

在反應器中，反應體系氣相壓力對溫度敏感，當反應器溫度控制不理想時會導致產生高溫環境，過高的氣相壓力將使反應器有爆炸的風險。同時為了保證反應生成物的品質以及生產安全，當反應壓力過高危及安全時，一般會通入抑制劑中止反應，但此舉會給企業帶來巨大的損失，造成原料浪費。因此快速將反應器溫度控制在工藝要求范圍內顯得尤為關鍵。反應器溫度控制由如下兩部分組成：

（1）冷態開車階段，即混合物料經過預熱器加熱后進入反應器，同時加入催化劑，溫度逐漸上升，使用冷卻水降溫，防止溫度過高造成安全事故；

（2）穩態運行階段，即反應器溫度始終保持在100℃，上下波動約1%，停留一定時間并充分攪拌，以使反應充分進行，提高產品轉化率。

2 反應器溫度的傳統PID控制

2.1 傳統PID控制方案設計

系統通過操作冷卻水閥門（FV1201）控制冷卻水流量的大小進而達到控制反應器溫度（TI1103）的目的。冷卻水閥門選擇氣關式，閥門流量特性選為等百分比特性。溫度屬于時間常數較大、慣性較大的變量，冷卻水流量的變化隨閥門的開關變化較快，時間常數較小。在工業現場，往往不能保證冷卻水的壓力恒定，因此即使閥位不變，冷卻水流量也可能發生變化，從而影響反應溫度。針對這種情況，采取“溫度-流量”串級控制方式，具體如圖2所示。

2.2 傳統PID控制系統的半實物仿真實驗

SMPT1000是一款多功能半實物過程控制實訓裝置，它將半實物硬件實驗裝置和數字仿真技術相結合，能針對各種化工生產過程進行實驗仿真。該裝置提供了典型的4～20 mA電流和Profibus DP等信號接口，能夠與多種控制器互連。

本文將西門子公司生產的S7-400系列PLC作為主控制器，結合SMPT1000裝置進行實例仿真，采用SCL語言在PCS7軟件上進行控制策略算法的編寫，利用SFC模塊實現順序開車功能。在仿真過程中，PID控制參數kp，ki和kd分別取58.5，90和16.5。

系統從冷態開車達到穩態時，傳統PID控制策略仿真結果如圖3所示。

在系統穩定運行時，引入負荷提升以及降低（負荷特指產物出口流量（FI1106）大?。┩獠扛蓴_，傳統PID控制策略仿真結果如圖4所示。

從圖3可知，系統開車時間較長，反應器溫度超調量大，并且調節時間過長，無法滿足工藝控制要求。從圖4可知，反應器溫度在受到負荷變化干擾時，溫度的最大超調量較大，調節時間過長，直接導致下游閃蒸罐壓力（PI1103）有較大波動，間接影響了出口產物的濃度，對工廠的經濟效益造成了影響，因此需要引入先進控制算法對反應器溫度的動態指標進行優化。

3 反應器溫度的RBF-PID控制

3.1 RBF-PID 控制系統的半實物仿真驗證參數選取

針對反應器溫度控制系統，選取3-6-1的RBF網絡結構，其網絡參數η為學習速率值45，ηp，ηi，ηd分別為PID3個

參數的學習速率，值為45，62.5及10.5， α為動量因子，值為1.2。

3.2 仿真結果與分析

系統從冷態開車達到穩態時，RBF-PID控制策略仿真結果如圖5所示。在系統穩定運行時，引入負荷提升并降低外部干擾，RBF-PID控制策略的仿真結果如圖6所示。

由上述仿真結果可得出兩種控制策略分別在不同階段的性能指標參數，見表1～3所列。

通過對比可知，RBF-PID控制策略對于反應器溫度的控制效果更好，動態指標相比傳統PID控制策略得到改善，更利于整個化工反應體系的穩定運行。

4 結 語

本文提出了一種基于RBF神經網絡PID的反應器溫度控制策略，并在SMPT1000平臺上針對特定的連續化工過程對象搭建了RBF神經網絡模型，進行了實例驗證仿真。仿真結果表明，相對于傳統PID控制策略，本文所提出的RBF-PID控制策略能夠明顯提高化工過程中反應器溫度控制系統的動態性能和抗干擾性能，為整個化工過程控制系統的安全、高效、穩定運行提供了良好保障。

參考文獻

[1]劉金琨.RBF神經網絡自適應控制MATLAB仿真[M].北京：清華大學出版社，2014.

[2]申超群，楊靜.溫室溫度控制系統的RBF神經網絡PID控制[J].控制工程，2017，24（2）：361-364.

[3]錢琳琳，朱博帆，何毅晨，等.基于PCS7的聚合反應器系統控制策略仿真實現[J].自動化與儀表，2017，32（6）：51-56.

[4]張宓.聚乙烯裝置中反應器溫度控制方案[J].中國儀器儀表，2012（s1）：114-117.

[5]麻麗明，白銳，高天生.基于PCS7的工業連續反應過程控制系統的設計與開發[J].遼寧工業大學學報（自然科學版），2016，36（5）：286-290，295.

[6]李坤. 基于PCS7的化工反應釜仿真系統研究[D].北京：北方工業大學，2015.

[7]張鎬辛，張建民.基于PCS7的半實物仿真系統的實現[J].自動化技術與應用，2014，33（11）：62-66.

[8]蘇家雨，任國強，王明富. EMCCD相機熱電制冷溫度控制系統研究與設計[J].物聯網技術，2017，7（6）：64-66.