[发明专利]一种石油炼化过程中分馏塔液位自适应控制方法

说明书

本发明公开了一种石油炼化过程中分馏塔液位自适应控制方法。该方法采用了反向误差神经网络和极值优化方法作为自适应工具，再结合实际操作过程的输入和输出量设计预测PI控制策略。本发明先利用数据采集装置收集系统过去的输入量和输出量，再设计极值优化算法作为求解器在线调整神经网络权重，从而高效且精准的训练神经网络；在满足设定的误差约束之后，将训练得到的神经网络权重作为系统的辨识参数，建立出接近实际情况的系统模型，最后设计预测PI控制对石油炼化过程中的分馏塔液位进行控制。采用本发明方法可有效地缓解了模型失配对系统的干扰，提高了控制性能，同时也促进了先进控制在工业过程控制中的应用。

技术领域

本发明涉及一种石油炼化过程中分馏塔自适应控制方法，属于工业自动化技术领域。

背景技术

工业技术的不断发展，生产流程变得更加复杂和紧凑，这就意味着传统的 PID控制器难以满足工业生产流程的需求，为满足复杂工业过程的控制，应用先进控制方法具有重要的实际意义。分馏塔是石油炼化中的一个重要部分，不同的石油由于自身的沸点不一样会在分馏塔中分离出来从而进行下一步处理。而分馏塔的液位将严重影响石油的品质以及生产的安全性。过去由于硬件、成本、实施难度等方面的约束，对于分馏塔液位控制主要采用PI控制。预测PI控制器作为先进控制的一种，在分馏塔液位控制中，拥有比PI控制器更优的性能。

发明内容

本发明的目的是：将先进控制方法中的预测PI控制应用到分馏塔液位控制中，从而推动先进控制在实际工业中的应用，同时获得更好的控制性能。

为了达到上述目的，本发明的技术方案是提供了一种石油炼化过程中分馏塔液位自适应控制方法，其特征在于，包括以下步骤：

步骤1、将石油炼化过程中的分馏塔作为被控对象，选择FOPDT模型作为被控对象模型G(s)：

式中，K_m、T、τ分别为被控对象模型G(s)的增益、时间常数及滞后时间，通过基于极值优化算法神经网络辨识被控对象模型G(s)的K_m、 T、τ，s表示拉普拉斯算子；

步骤2、将辨识得到的被控对象模型G(s)的K_m、T、τ分别定义为T^*、τ^*，根据T^*、τ^*设计预测PI控制器，包括以下步骤：

步骤201、根据T^*、τ^*得到被控对象模型G(s)，计算闭环传递函数G_p，则有：

式中，K_p表示比例放大系数；λ为可调参数，λ＝1，开环与闭环的时间常数一致，λ＞1，开环响应比闭环响应要快，λ＜1，闭环响应比开环响应要慢；L表示滞后时间；

步骤202、根据闭环传递函数G_p，得到系统传递函数G_c(s)：

步骤203、将系统传递函数G_c(s)化简之后得到控制器的控制律：

式中，U(s)表示预测PI控制器的输出，E(s)表示误差传递函数；

根据上述控制器的控制律得到具有传统的PI控制结构的控制器G_C1及基于过去输入量预测当前输出的控制器G_C2，则有：

优选地，在步骤1中，通过基于极值优化算法神经网络辨识被控对象模型 G(s)的K_m、T、τ包括以下步骤：