RBF神经网络在反应器温度控制系统的研究

彭倩 黄冠

摘 要：对于化工生产过程中的放热反应来说，其反应器温度控制系统不仅具有强耦合、非线性等特点，同时还具有热危险性，传统的PID控制策略往往不能满足其稳定性要求。文章通过建立RBF神经网络模型，提出了一种基于径向基神经网络RBF-PID的反应器温度控制策略，同时结合高级多功能过程控制实验系统SMPT1000平台进行仿真验证。仿真结果表明，基于RBF-PID控制策略的反应器温度控制系统具有超调量小、动态性能好等特点，可实现反应器温度的稳定控制。

关键词：反应器；温度控制；RBF神经网络；SMPT1000

中图分类号：TP273.5 文献标识码：A 文章编号：2095-1302（2018）08-00-03

0 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點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，ki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。

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。

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，ηi，ηd分别为PID3个

参数的学习速率，值为45，62.5及10.5， α为动量因子，值为1.2。

3.2 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。

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。

參考文献

[1]刘金琨.RBF神经网络自适应控制MATLAB仿真[M].北京：清华大学出版社，2014.

[2]申超群，杨静.温室温度控制系统的RBF神经网络PID控制[J].控制工程，2017，24（2）：361-364.

[3]钱琳琳，朱博帆，何毅晨，等.基于PCS7的聚合反应器系统控制策略仿真实现[J].自动化与仪表，2017，32（6）：51-56.

[4]张宓.聚乙烯装置中反应器温度控制方案[J].中国仪器仪表，2012（s1）：114-117.

[5]麻丽明，白锐，高天生.基于PCS7的工业连续反应过程控制系统的设计与开发[J].辽宁工业大学学报（自然科学版），2016，36（5）：286-290，295.

[6]李坤. 基于PCS7的化工反应釜仿真系统研究[D].北京：北方工业大学，2015.

[7]张镐辛，张建民.基于PCS7的半实物仿真系统的实现[J].自动化技术与应用，2014，33（11）：62-66.

[8]苏家雨，任国强，王明富. EMCCD相机热电制冷温度控制系统研究与设计[J].物联网技术，2017，7（6）：64-66.