RBF神经网络在反应器温度控制系统的研究

引 言

反应器是目前化工生产过程中的关键设备，精确控制反应器的反应温度是实现化工流程稳定、优质和高效的重要途径。反应器温度控制的难点在于其是一个复杂的非线性系统同时具有强耦合、大滞后和时变等显著特点，尤其对于放热的化工反应来说，具有热危险性，温度控制不好将直接导致喷料反应器被破坏，甚至发生燃烧、爆炸等事故

传统的 PID 控制策略具有简单易实现的优点，一直被广泛应用于工业控制系统中。但对于复杂的反应器温度控制系统而言，考虑到其非线性和大滞后等特点，难以获取精确的数学模型，传统 PID 控制策略并不能根据过程对象参数的改变而实时修正自身参数，因此难以满足高精度的控制要求

目前，国内外众多专家针对复杂的非线性温度控制系统提出了许多新颖的控制策略，如专家 PID 控制和 BP 神经网络 PID 控制等。其中，BP 神经网络 PID 控制策略取得了一定的控制效果，但 BP 网络存在学习和收敛速率较为缓慢、训练时间过长等问题，不适用于化工过程中的反应器温度控制系统。相比 BP 神经网络，RBF 神经网络具有学习速率高、逼近能力强等优点。因此提出一种基于径向基函数网络（Radial Basis Function Network，RBF）PID 的反应器温度控制策略由RBF 神经网络在线进行系统辨识获取梯度信息，并根据实时获取的梯度信息不断调整 PID 的参数，以获取更理想的控制效果

1 案例分析

1.1 化工生产过程简述

图 1 所示为所选的仿真实例，其工艺核心是在催化剂 C的作用下，原料 A 与原料 B 反应生成主产物D 和副产物E 生产过程中，原料 A 过量，主产物D 为所需要的产物，副产物E 为杂质，主副反应均为强放热反应

正常工艺流程为 ：原料 A 和原料 B 进入混合罐内充分混合，混合物料经过预热器 E101 预热后进入反应器 R101，经过催化剂C 催化后开始反应。在整个反应过程中，反应放热剧烈因此采用夹套式冷却水控制反应器的温度。当反应器压力过高时，通入抑制剂F 使得催化剂C 中毒迅速失去活性，从而中止反应。在反应器下游设有闪蒸罐 V102，将反应器的混合生成物（D+E+C+A+B）中过量的原料 A 分离提纯以循环使用闪蒸罐底部混合生成物经过输送泵加压后，送到下游进行提纯精制，以分离出产物 D

1.2 反应器温度特性分析

由于该反应是放热过程，预热后的混合物料与催化剂同时加入反应器，并搅拌使其充分反应产生热量。该过程具有热危险性，反应温度控制的好坏不仅会影响产品 D 的转化率还直接关系到整个生产的安全

在反应器中，反应体系气相压力对温度敏感，当反应器温度控制不理想时会导致产生高温环境，过高的气相压力将使反应器有爆炸的风险。同时为了保证反应生成物的品质以及生产安全，当反应压力过高危及安全时，一般会通入抑制剂中止反应，但此举会给企业带来巨大的损失，造成原料浪费因此快速将反应器温度控制在工艺要求范围内显得尤为关键反应器温度控制由如下两部分组成

(1) 冷态开车阶段，即混合物料经过预热器加热后进入反应器，同时加入催化剂，温度逐渐上升，使用冷却水降温防止温度过高造成安全事故

(2) 稳态运行阶段，即反应器温度始终保持在 100℃，上下波动约 1%，停留一定时间并充分搅拌，以使反应充分进行提高产品转化率

2 反应器温度的传统 PID 控制

2.1 传统 PID控制方案设计

系统通过操作冷却水阀门（FV1201）控制冷却水流量的大小进而达到控制反应器温度（TI1103）的目的。冷却水阀门选择气关式，阀门流量特性选为等百分比特性。温度属于时间常数较大、惯性较大的变量，冷却水流量的变化随阀门的开关变化较快，时间常数较小。在工业现场，往往不能保证冷却水的压力恒定，因此即使阀位不变，冷却水流量也可能发生变化，从而影响反应温度。针对这种情况，采取“温度 - 流量”串级控制方式，具体如图 2 所示

2.2 传统 PID控制系统的半实物仿真实验

SMPT1000 是一款多功能半实物过程控制实训装置，它将半实物硬件实验装置和数字仿真技术相结合，能针对各种化工生产过程进行实验仿真。该装置提供了典型的 4 ～20 mA 电流和Profibus DP 等信号接口，能够与多种控制器互连

本文将西门子公司生产的 S7-400 系列 PLC 作为主控制器， 结合 SMPT1000 装置进行实例仿真， 采用 SCL 语言在PCS7 软件上进行控制策略算法的编写，利用 SFC 模块实现顺序开车功能。在仿真过程中，PID 控制参数 kp k 和 kd 分别取58.5，90 和 16.5

系统从冷态开车达到稳态时，传统 PID 控制策略仿真结果如图 3 所示

图 3 传统 PID 控制冷态开车时参数趋势曲线

在系统稳定运行时，引入负荷提升以及降低（负荷特指产物出口流量（FI1106）大小）外部干扰，传统 PID 控制策略仿真结果如图 4 所示

图 4 传统 PID 控制负荷扰动时参数趋势曲线

从图 3 可知，系统开车时间较长，反应器温度超调量大并且调节时间过长，无法满足工艺控制要求。从图 4 可知，反应器温度在受到负荷变化干扰时，温度的最大超调量较大调节时间过长，直接导致下游闪蒸罐压力（PI1103）有较大波动，间接影响了出口产物的浓度，对工厂的经济效益造成了影响，因此需要引入先进控制算法对反应器温度的动态指标进行优化

3 反应器温度的 RBF-PID控制

3.1 RBF-PID控制系统的半实物仿真验证参数选取

针对反应器温度控制系统， 选取 3-6-1 的 RBF 网络结构，其网络参数 η 为学习速率值 45 ηp η ηd 分别为 PID3 个参数的学习速率，值为 45，62.5 及10.5为动量因子，值为1.2

3.1 仿真结果与分析

系统从冷态开车达到稳态时，RBF-PID 控制策略仿真结果如图 5 所示。在系统稳定运行时，引入负荷提升并降低外部干扰，RBF-PID 控制策略的仿真结果如图 6 所示

图 5 RBF-PID 控制策略冷态开车时温度TI1103

压力PI1103 和流量FI1106 趋势曲线

图 6 RBF-PID 控制策略负荷扰动时温度TI1103

压力PI1103 和流量FI1106 趋势曲线

由上述仿真结果可得出两种控制策略分别在不同阶段的性能指标参数，见表 1 ～3 所列

通过对比可知，RBF-PID 控制策略对于反应器温度的控制效果更好，动态指标相比传统 PID 控制策略得到改善，更利于整个化工反应体系的稳定运行

4 结 语

本文提出了一种基于 RBF 神经网络 PID 的反应器温度控制策略，并在 SMPT1000 平台上针对特定的连续化工过程对象搭建了 RBF 神经网络模型，进行了实例验证仿真。仿真结果表明，相对于传统 PID 控制策略，本文所提出的 RBF-PID 控制策略能够明显提高化工过程中反应器温度控制系统的动态性能和抗干扰性能，为整个化工过程控制系统的安全、高效稳定运行提供了良好保障