模糊神经PID在空分液位控制中的应用

宋星星

（南京工业大学 电子与信息工程学院，南京 211816）

空分装置主要是为气化装置提供生产所需的中压高纯度氧气，同时为生产装置提供密封、吹扫所需的氮气。它的主要步骤为：空气在空冷塔遇冷，分子筛净化，精馏塔分馏，最后氮气氧气出冷箱。整个过程常见的问题就是液位问题[1]。空气进入空冷塔遇冷涉及液位问题，空冷塔中的水位要保持在一定范围内，否则会影响后面步骤的准确实施。

液位调节存在非线性和时变性，传统的PID调节器关键在于比例、积分和微分系数的选取，整定这些参数会遇到很多问题，因此传统PID控制对复杂控制系统运用效果不是很理想。对于液位控制，当系统参数变化或工作条件变化时，传统PID控制很难得到理想效果。而运用模糊神经智能控制系统，模糊控制具有鲁棒性强和对参数变化不敏感等特点，但控制规则是由设计者和操作人员的经验获得，受设计者或操作人员经验的局限性。而神经系统具有学习能力和预测自适应能力，通过训练及时调整控制规则，两者结合不仅克服了常规PID控制的不足，而且达到了很好的控制效果，从而大大提高了产品产量。针对空分装置特点，使用了模糊神经控制，该系统具有自学习和自适应能力，并且在扰动环境下，具有良好的鲁棒性，可满足控制要求。

1 空冷塔液位模糊神经控制系统的结构

原料空气经过滤后再通过空压机压缩，从左方进入空气冷却塔进行遇冷，冷却水从空冷塔的右方分段进入空冷塔，空气自上而下经过空气冷却塔，在冷却的同时也被清洗。该系统的液位一般维持在1000 mm左右，在此空冷塔内部的下方有一个液位传感器，液位传感器上引出的线接到PLC的模拟输入点上，在PLC上可以读到液位值，调节阀101与传感器相连，通过调节阀101的开度，以调节出水流量的大小，当液位计测出实际液位高于设定值时，自调阀101的阀门开大，反之就开小，在空气流入量基本保持不变的情况下，调节出水量来保证空冷塔的液位维持在恒定的值。空冷塔液位控制方案如图1所示，模糊神经系统框图如图2所示。

图1 空冷塔液位控制图Fig.1 Chart of cooling tower level control

图2 液位调节系统结构图Fig.2 Structure of level adjustment system

2 模糊神经控制器的设计实现

把液位偏差 e（t）=s-sp 和液位偏差变化率 ec（t）=作为输入量，调节阀开度作为输出信号u，通过神经网络模糊推理机的知识和推理模型相对应，构造模糊控制规则的知识结构[2]，把液位偏差e对应的x1和液位偏差变化率ec对应的x2按照

如果x1=并且x2=那么输出

{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}

e和 ec将在正负方向变化，所以论域［-6，6］被分成7种语言变量值

［负大，负中，负小，零，正小，正中，正大］

用符号表示为

［NB，NM，NS，ZO，PS，PM，PB］

基于以前的经验知识和重复的实验，设定模糊控制规则表。其实现过程是在Matlab命令窗口中输入Fuzzy然后按回车键进入模糊规则的组建，规则表如表1所示。

表1 模糊控制规则表Tab.1 Rule table of fuzzy control

模糊神经网络的结构如图3所示。

图3 模糊神经网络结构Fig.3 Fuzzy neural network structure

第1层为输入层，液位偏差e和液位偏差变化率ec对应2个输入。

第2层为语言变量层，计算输入变量的隶属度。隶属函数采用高斯函数。

其中：ci，j为函数的中心值，ci，j的值取决于模糊子集的划分；δi，j为函数的宽度值。 式中 i=1，2； j=0～6。

第3层为规则层，计算出每条规则的适用度。该层对应的规则数为49条。

i=1～49；d=1～7；m=1～7； f（1，d）和 f（2，m）表示第2层的输入层。

第4层为归一化层，节点数与第3层相同，实现归一化计算。即

第5层为输出层，实现计算的归一化。

其中，wk为神经元的权值。

3 模糊神经控制器的学习算法

模糊神经控制器的学习目的是修正网络中的权系数wk以及对高斯函数的中心值 ci，j和宽度 δi，j进行参数调节的过程。

为了寻找参数 wk，ci，j，δi，j使得实际输出与期望输出的误差最小，这里采用梯度算法[3]表示

采用 Delta 规则计算 Δwi，Δci，j和 Δ δi，j。

更新之后的各个参数为

4 系统仿真

液位控制系统在石化企业中是被广泛应用的一种被控对象，为典型的一阶惯性纯延时系统，传递函数模型可近似为[4]

其中：采样时间为0.25 s；延时时间为4个采样时间，即τ=1；时间常数T=6.7；比例系数k=0.39。 空冷塔的液位设定值为1 m，采用S_function的M语言[5]进行Sinulink仿真PID和模糊神经PID的控制效果如图4所示。

图4 普通PID和模糊神经PID仿真图Fig.4 Normal PID and fuzzy neural PID simulation

由图4可知，模糊神经PID控制上升时间tr为161 s，延迟时间 td为 60 s，峰值时间 tp为 188 s，调节时间ts为234 s，超调量为1.02%；传统PID控制上升时间 tr为 180 s，延迟时间 td为77 s，峰值时间 tp为 240 s，调节时间 ts为 387 s，超调量为 4.82%；由系统的调节时间ts和峰值时间tp的对比可知，模糊神经PID控制较传统PID控制具有更短的控制时间，由td和上升时间tr可知，模糊神经PID控制具有更快的响应速度，由超调量可知，模糊神经PID控制具有更好的稳定性。因此，与传统PID控制相比较，模糊神经PID对空冷塔液位进行控制具有更好的响应速度、控制时间和稳定性。具体的控制指标参数如表2所示。

表2 普通PID和模糊神经PID性能指标Tab.2 Performance indicators of normal PID and fuzzy neural PID

在实际生产中生产周期是一个重要指标，超调量模糊神经控制相比于普通PID明显变小，调节时间也大大减短。投入实际生产后，减少了成本。空分装置是整个石化企业生产的关键，因此控制的改进将大大提高该企业的经济效益。

5 实时监测画面

空冷塔液位控制系统由上位机和下位机控制器2部分组成，下位机用西门子的S7-400完成现场采点及主要逻辑编程，上位机用监控组态软件Intouch对现场数据的监控。Intouch利用Wonderware I/O Server的驱动程序，通过以太网卡与下位机S7-400进行数据通讯，包括数据采集和发送数据指令。通过这种方式建立了一个完整的组态软件和通讯程序通讯系统，以便对现场数据进行实时了解，确保系统的高效运行。

将模糊神经控制运用到此控制中的效果图如图5所示。

图5 液位控制实际生产效果图Fig.5 Actual production renderings of level control

图5 为预冷系统的监控画面，模糊神经PID回路控制LICA101B来控制空冷塔的液位，主要记录了液位的设定值SP，实际液位值PV，和101阀的开度MV，当SP值增大时，调节阀的开度会自动减小。在运用模糊神经PID控制后与之前普通PID在相隔相同时间产品氧氮的产量相对比后，有了明显的提高，流量累计是指在一段时间内流量的累积量，如表3所示。

表3 普通PID和模糊神经PID产品流量累计Tab.3 Cumulative product flow of normal PID and fuzzy neural PID

6 结语

本文分析了空分装置非线性、大时滞和时变性等特点，针对以上特点，设计了控制方案，并使用了模糊神经网络PID控制。通过Simulink进行仿真，仿真结果证明，与传统PID控制相比较，模糊神经PID对空冷塔液位进行控制具有更好的响应速度、控制时间和稳定性。在理论分析的基础上，将模糊神经网络PID控制应用到图5的LICA101B PID控制回路中，结果表明，使用模糊神经网络PID后，空分装置明显提高了效率，增加了产量，为企业提高了一定的经济效益。

[1] 张备.空冷塔液位控制的优化[J].化工自动化及仪表，2012，39（6）：807-809.

[2] 王艳红.模糊控制在油脂工业液位自动调节系统中的应用[J].河南工业大学学报：自然科学版，2006，27（4）：73-75.

[3] 韩春宇，王涛，鲍成磊.模糊神经系统的设计与应用研究[J].辽宁工业大学学报：自然科学版，2013，33（5）：347-350.

[4] 罗庚兴.基于PLC和Wincc的水箱液位模糊控制研究与应用[J].工业仪表与自动化装置，2011（5）：77-81.

[5] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013：337-350.