基于模糊神经网络分类器的精馏塔温度控制器设计

谷玉凯， 杨滁光， 王华强， 王健波

（1.合肥工业大学 电气与自动化工程学院，安徽 合肥 230009；2.安徽安利合成革股份有限公司，安徽 合肥 231202）

二甲基甲酰胺（DMF）是工业湿法的合成革生产中最重要的材料之一，因其价格昂贵，又具有巨大的污染性，因此需要进行专门的回收处理［1］。DMF的回收采用多塔精馏工艺，属于典型的化工精馏的过程。

在控制系统实际运行过程中，精馏塔的温度控制在回收监控系统中占有非常重要的地位。但精馏塔的温度受精馏塔液位、进出料流量、塔内压力、塔顶回流流量等因素影响，工艺参数关联度高，非线性程度高，被控对象的精确数学模型难以建立，常规的PID控制难以做到实时有效的控制。因此，针对这些特点，大部分企业暂时只能运用手动控制输出来解决控制不稳定的问题。

近年来，作为智能控制的重要组成部分，模糊神经网络控制得到了极大的发展，越来越多地被应用在工业控制领域。模糊神经网络既具有神经网络的并行计算、分布式信息存储、容错能力强以及具备自适应学习功能等一系列优点，又具备模糊逻辑在处理不确定性、非线性和其他不适定问题上的优势，是解决上述问题的有效工具［2］。因此，本文在综合分析精馏塔温度控制特征的基础上，实现了基于模糊神经网络分类器的精馏塔温度控制器设计。

1 系统分析

精馏塔温度控制子系统是项目控制的重点和难点。DMF废液通过二级浓缩塔完成初步的浓缩后，在精馏塔完成精馏，DMF质量分数达到99%，再通过脱酸等工艺得到产品纯净的DMF，实现回收过程［3］。

精馏塔工艺流程如图1所示。

影响精馏塔温度的因素有导热油温、导热油阀门开度、精馏塔液位、进出料流量、塔内压力、塔顶回流流量等。导热油温度比较稳定。因此，选择导热油阀门开度作为精馏塔温度调节的输出，通过增大、减小导热油阀门开度来调节精馏塔的温度。阀门的开度为0～100。在实际操作过程中，阀门是由气动控制，阀门的开关不能过于频繁，且阀门不能随扰动抖动，以免造成对阀门的破坏，因此，人工操作时只选用整数值。本文应用模糊神经网络学习熟练工人的操作习惯，因此结合工人的操作习惯和系统的使用性，对阀门控制分类，见表1所列。

图1 精馏塔的工艺流程

表1 阀门开度分类

精馏塔液位、进料流量与温度耦合比较严重，影响非常大，可以作为精馏塔温度调节的输入条件。精馏塔的出料温度比较恒定，其过程可以从液位的变化上来体现，属于次要条件，可以不作为输入。塔内压力自成闭环控制，对温度的影响也不大，也不作为输入条件。精馏塔的回流是回流到二级浓缩塔，对二级浓缩塔提供热量，回流到精馏塔时的温度与从二级浓缩塔进料的温度相同。故输入采取进料流量与回流流量之和记为流量作为输入条件之一。精馏塔的实时温度是温度控制的重要参数。因此选择精馏塔液位、流量、塔内温度作为系统的输入，阀门的开度作为系统的输出，输出的值即为阀门的开度类别，工作原理如图2所示。

图2 模糊神经网络分类器工作原理

2 模糊神经网络的结构和学习算法

模糊神经网络的结构和学习算法，是模糊神经网络分类器的基础［4］。下面介绍其结构和算法，同时，选取模糊神经网络分类器的各结点点数、隶属度函数和学习率等，供模糊神经网络分类器实现时使用。

2.1 模糊神经网络的结构

模糊神经网络的结构如图3所示。

图3 模糊神经网络的结构

（1）第1层为输入层。该层的各个结点直接与输入向量的各分量xi连接，起着将输入值x＝［x1x2…xn］T传送到下一层的作用。综上所述，本文输入结点数n＝3。

（2）第2层的每个结点代表一个语言变量值，如NB、PS等。它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数，即

其中，i＝1，2，…，n；j＝1，2，…，mi；n＝3；mi是xi的模糊分割数。为了同时兼顾控制精度和学习算法的实现难易程度，本次建模m1、m2、m3分别取为5、5、5。

本次建模采取高斯函数表示的铃形函数作为隶属函数，则有：

其中，cij和σij分别表示隶属函数的中心和宽度，该层的结点数为：

（3）第3层的每个结点代表一条模糊规则，它的作用是匹配模糊规则的前件，计算出每条规则的适用度，即

其中，i1∈｛1，2，3，4，5｝；i2∈｛1，2，3，4，5｝；i3∈｛1，2，3，4，5｝；j＝1，2，…，m；m＝m1m2m3＝5×5×5＝125。

该层的结点总数N3＝m＝125。对于给定的输入，只有在输入点附近的那些语言变量值才有较大的隶属度值，远离输入点的语言变量值的隶属度很小。

（4）第4层的结点数与第3层相同，即N4＝N3＝m＝125，它实现归一化计算，即

（5）第5层是输出层，它所实现的是清晰化计算，即

其中，wij相当于yi的第j个语言值隶属函数的中心值［5］。

2.2 学习算法

由于输入分量的模糊分割数已经确定，需要学习的参数只有最后一层的连接权wij（i＝1，2，…，r；j＝1，2，…，m），以及第2层的隶属函数的中心值cij和宽度σij（i＝1，2…，r；j＝1，2，…，m）。取误差代价函数为

其中，ydi和yi分别表示输出和期望输出。利用误差反传算法计算，然后利用梯度寻优算法来调节wij、cij和σij。最后给出的参数调整的学习算法为：

其中，i＝1，2，…，n；β＞0为学习率［6］。

2.3 模糊神经网络分类器

模糊神经网络分类器是基于数据的建模方法，该系统中的模糊隶属函数及模糊规则是通过对大量已知数据的学习得到的，这对于那些特性还不被人们所完全了解或者特性非常复杂的系统尤为重要［7］。

给定输入结点数、模糊分割数、隶属度函数的种类以及处理过的样本数据，通过以上的学习算法，分类器能计算出模糊隶属函数和模糊规则，完成训练。训练完成后，给定输入，分类器能计算出输出的数值，通过输出函数选定输出的类别［7］。

3 分类器的设计、实现与验证

模糊神经网络分类器的实现主要是依靠对熟练工人正确操作的学习，通过多次学习，使训练误差趋近于0［8］。通过智能学习，分类器能代替人工做出判断，完成对导热油阀门开度的控制过程。

3.1 样本的选取

样本的选取对模糊神经网络分类器的设计来说，最为重要。取正常控制时液位的论域为［550，1 300］，温度的论域为［108，184］，流量的论域为［2.0，5.2］，如果超出论域，将会显示报警。

选取工人操作最正确、控制效果最稳定、产品质量最好、能覆盖全部论域的110组数据。其中80组数据用于对模糊神经网络分类器进行训练，30组数据在训练完成后对设计结果进行验证，检验分类器的学习效果。选取的部分样本数据见表2所列，验证数据见表3所列。

表2 部分样本数据

表3 验证样本数据

3.2 样本数据的标准化

为了提高运算精度和误差精度，需要对训练样本及测试样本进行数据的标准化。样本数据的标准化只对样本数据进行预处理，使其特征值反应在［0，1］区间上。样本每个指标的平均值为：

标准差为：

原始数据的标准化为：

运用极值标准化公式，将标准化数据压缩到［0，1］内，即

则表2第3行经过标准化的数据为：

3.3 分类器的实现

本文使用MATLAB软件的ANFIS编辑器进行建模。打开ANFIS编辑器，加载标准化样本数据生成的dat文件为Training data。通过上文的介绍，依次选取各输入的模糊分割数为5、5、5，选择高斯型函数作为隶属度函数，选择输出为constant，编辑FIS结构，即完成模糊神经网络分类器的 MATLAB建模［9］。

通过神经网络对生成的FIS进行训练，逼近均方误差曲线图如图4所示。分析图4可以发现，当训练次数为6时，误差已经接近于0，结果收敛快且误差较小，说明本文应用的神经网络结构及各种参数比较合适。

图4 FIS的训练误差

3.4 分类器的验证

将测试样本的阀门开度作为检测集，经过标准化处理的测试样本经过ANFIS后其输出散点对比如图5所示。除检测样本7和样本23外，均检测为正确。相对误差＝（输出开度－检测开度）／检测开度［10］，结合表1，计算出样本7和23的相对误差分别为0.015 2和0.015 4。可以看出，分类器实现了对人工操作经验的智能学习，智能学习的准确度很高。

图5 分类器测试样本输出

4 结束语

本文提出了一种基于模糊神经网络分类器控制精馏塔温度的控制方案和MATLAB实现，解决了精馏塔温度控制由于受到系统耦合性强、非线性高、数学模型难以建立等问题的影响而只能采取人工控制的问题，并验证了其对人工操作智能学习的准确性，具有一定的工程应用价值。

［1］ 孙一新，李宏光.DMF回收精馏塔开车过程控制任务的Pe－tri网 建 模 及 分 析 ［J］.化 工 自 动 化 及 仪 表，2008，35（5）：27－32.

［2］ 王华强，袁 浩，杨滁光.自适应模糊神经网络在EPS中的应用 ［J］.合 肥 工 业 大 学 学 报：自 然 科 学 版，2011，34（2）：188－191.

［3］ 何小阳，李 健，闵 力，等.精馏塔的机理－神经网络混合建模［J］.控制工程，2009，16（2）：211－213.

［4］ 喻海军，刘翔宇，方 敏.基于ANFIS的汽车ESP控制方法研究［J］.合肥工业大学学报：自然科学版，2010，33（7）：1015－1019.

［5］ 孙增圻，张再兴，邓志东.智能控制理论与技术［M］.北京：清华大学出版社，1997：16－227.

［6］ 胡 静，高 隽，杨 静.模糊神经网络分类器的主动学习方法［J］.中国科学技术大学学报，2008，38（3）：241－246.

［7］ 李国勇.智能预测控制及其MATLAB实现［M］.第2版.北京：中国电力出版社，2010：225－255.

［8］ Li M，Sethi I K.Confidence－based active learning［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，2005，28（8）：1251－1261.

［9］ 周润景，张丽娜.基于 MATLAB与fuzzyTECH的模糊与神经网络设计［M］.北京：电子工业出版社，2010：188－211.

［10］ 范成洲，曹 钧，尹晓利.基于自适应神经网络模糊推理系统的竖井井斜预测 ［J］.矿山机械，2011，39（4）：23－26.