一种基于模糊神经网络的氯乙烯精馏温度控制方法
阅读说明：本技术 一种基于模糊神经网络的氯乙烯精馏温度控制方法 (Chloroethylene rectification temperature control method based on fuzzy neural network ) 是由 于现军 吕伟军 陆晟波 于 2019-10-25 设计创作，主要内容包括：本发明公开了一种基于模糊神经网络的氯乙烯精馏温度控制方法,涉及氯乙烯精馏生产控制领域。首先通过信号采集模块对传感器信号进行离散采集,并对其进行滤波处理。其次,根据信号采集模块输出进行模糊神经网络控制,分别依次进行模糊化、模糊推理、模糊决策、解模糊化输出得到所需控制参数值,直接对执行器进行非线性解耦控制。最后通过BP学习算法,对控制器中的连接权值、高斯函数中心值和宽度值进行学习修正,使控制器输出后,精馏塔温度误差收敛,提高控制精度的基础上,提高系统的稳定性。(The invention discloses a chloroethylene rectification temperature control method based on a fuzzy neural network, and relates to the field of chloroethylene rectification production control. Firstly, discrete acquisition is carried out on the sensor signals through a signal acquisition module, and filtering processing is carried out on the sensor signals. Secondly, fuzzy neural network control is carried out according to the output of the signal acquisition module, fuzzification, fuzzy reasoning, fuzzy decision and defuzzification are respectively carried out in sequence to obtain required control parameter values, and nonlinear decoupling control is directly carried out on the actuator. And finally, learning and correcting the connection weight, the Gaussian function central value and the width value in the controller through a BP learning algorithm, so that the temperature error of the rectifying tower is converged after the controller outputs, and the stability of the system is improved on the basis of improving the control precision.)
技术领域
本发明涉及一种基于模糊神经网络的氯乙烯精馏温度控制方法，特别是对氯乙烯精馏高沸塔温度控制方法。
背景技术
氯乙烯单体（VCM）是化工行业中极其重要的原材料之一，目前用以生产聚氯乙烯（PVC）的VCM单体占世界总产量的96%以上。氯乙烯单体纯度与最终PVC聚合生产的氯乙烯转换率存在直接关系，且对PVC聚合产品质量具有重要影响。而氯乙烯单体在生成反应过后的提纯工艺主要还是通过精馏的方式，低沸塔将粗氯乙烯原料液加热至氯乙烯沸点以下，使低沸杂质从原料液中分离，再通过高沸塔加热至氯乙烯沸点将其从塔顶冷凝分离出，得到高纯度氯乙烯单体。
在氯乙烯精馏过程中，塔内存在气液两相互为传热传质，过程复杂，是一个典型的多输入多输出系统，具有较大的输入滞后性、慢动态响应、高阶数学模型，且耦合性强，非线性响应严重，难以对其精馏过程进行精确测量与数学建模。同时，对精馏塔的控制也提出了较高的要求，进料组分波动或不合理的操作调节易造成塔况波动，造成产品质量的不稳定。而精馏塔的控制指标中，温度指标尤为重要，直接影响最终氯乙烯单体中杂质含量。
以往对氯乙烯精馏塔的控制中，通常采用单回路PID控制,或带有前馈的解耦控制，甚至有些地方仍然依赖操作人员的经验进行手动操作，导致控制水平仍停留在维持生产的一般正常运行上，难以达到满意的提纯效果。因此，如何消除系统耦合与非线性响应对控制精度与稳定性的影响，是氯乙烯精馏系统控制中急待解决的问题。
发明内容
为了克服现有氯乙烯精馏系统多变量耦合与非线性响应的影响，本发明提供了一种基于模糊神经网络的氯乙烯精馏温度控制方法，该方法采用模糊控制与神经网络控制相结合的方法，在神经网络进行非线性解耦控制提高控制精度的基础上，模糊控制降低调节的频率与幅度，提高系统的稳定性。
为实现上述目的，本发明采用以下技术方案：一种基于模糊神经网络的氯乙烯精馏温度控制方法，所述控制方法包括信号采集器、模糊神经网络控制器、学习算法。
所述信号采集器，是控制过程中通过设定的采样时间对进料流量、塔顶温度、中部温度、塔釜温度、塔顶回流量进行离散采样，并进行滤波处理，减小干扰信号对控制器的影响，其输出送入控制器。
所述模糊神经网络控制器，是使用Mamdani模型通过对输入信号进行模糊化、模糊推理、模糊决策、解模糊化输出得到所需控制参数值，其结构框架采用多层神经网络进行搭建，各层连接权值由学习算法进行修正，其输出直接控制执行器。
所述学习算法，是通过BP误差反向传递的方法对模糊神经网络控制器中的参数进行调整，从而使系统误差收敛。
本发明由于采取以上技术方案，其具有以下优点 ：1、实现系统各变量的解耦控制；2、提高控制精度及系统的稳定性。
附图说明
图1为本发明的控制流程图；
图2为基于Mandani模型的模糊神经网络结构图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于模糊神经网络的氯乙烯精馏温度控制方法，包括以下步骤：（1）信号采集；（2）.模糊神经网络控制；（3）学习算法。
所述步骤（1）中的信号采集，是通过信号采集器间隔10秒（一个采样周期）对进料流量、塔顶温度、中部温度、塔釜温度、塔顶回流量进行离散采样，并对当前采样值与过去5个连续采样值进行滑动平均滤波，将连续采样的5个值剔除最大值与最小值，对剩余3个值进行求和平均计算得出滤波值。
所述步骤（2）中的模糊神经网络控制，其模糊神经网络共有5层，如图2所示，包括输入层、模糊化层、模糊推理层、模糊决策层、解模糊化输出层。
输入层将进料流量
模糊化层分别将输入层各参数进行模糊化，每个变量可根据现场设备特性进行不同等级的模糊分割，可分为正大、正中、正小、零、负小、负中、负大，并计算其相应的隶属度函数
其中，
模糊推理层中每个神经元节点代表传统模糊控制中的一条模糊规则，其输出值对应了当前输入与每条模糊规则的匹配程度，为方便数学计算与表达，采用公式：
模糊决策即为参数归一化计算，该层神经元节点个数与模糊推理层相同，计算公式为：
解模糊化输出层实现对控制器模型的精确输出，其表达式为
所述步骤（3）中的学习算法，是对控制器参数进行学习修正，当各输入的模糊分割等级确定时，则控制器中所需要学习的参数为模糊决策层与解模糊化输出层之间的连接权值
其中
其中
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种耐磨纸生产过程中的温度恒定系统