[发明专利]一种基于RBF神经网络的精馏塔塔顶温度控制方法

权利要求书

1.一种基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，包括：

步骤1：从工业数据库中获取由精馏塔塔顶实际温度T_D和温度控制量u组成的二维历史精馏数据集，输入到RBF神经网络中进行离线训练，所述RBF神经网络的输入为精馏塔塔顶实际温度和温度控制量，输出为精馏塔塔顶温度的预测值，并获得RBF神经网络隐含层的径向基函数，确定RBF神经网络隐含层的维数l、中心向量C和基宽函数b；

步骤2：实时采集精馏塔塔顶温度T_D(k)，将实时的精馏塔塔顶温度与预设的目标温度值T_sp进行比较，得到当前采样时刻的温度误差err(k)，并将该温度误差输入至精馏塔塔顶温度控制器T₁C；

步骤3：塔顶温度控制器基于温度误差err(k)，根据PID控制算法的温度比例系数k_p(k)、温度积分系数k_i(k)和温度微分系数k_d(k)调整温度控制量u，所述温度控制量u为精馏塔塔顶回流量；

步骤4：将当前采样时刻的温度误差的绝对值|err(k)|与预设的温度误差阈值ε进行比较，若|err(k)|＞ε，则采用训练好的RBF神经网络模型获得整定的温度控制器的比例系数、积分系数和微分系数，转步骤2；

若|err(k)|≤ε，则无需精馏塔塔顶温度进行控制，精馏塔塔顶回流量保持不变，控制结束。

2.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤1中RBF神经网络的径向基函数为：

式中，X＝[u,T_D]^T为2维输入向量，C_j＝[c_j1,c_j2]^T表示隐含层第j个神经元的中心向量，b_j表示隐含层第j个神经元的基宽函数，l表示RBF神经网络隐含层的维数。

3.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤1中所述RBF神经网络隐含层的维数l采用绘制学习曲线确定：

将隐含层的维数从1依次取值到100，通过训练得到在不同维数l下精馏塔塔顶温度从实际温度变化到目标温度附近所消耗的时间，所述附近是指实际温度与目标温度的差值的绝对值小于ε；

以维数l的取值为横坐标，以精馏塔塔顶温度从实际温度变化到目标温度所消耗的时间为纵坐标，绘制学习曲线；

获取学习曲线的转折点的横坐标，作为隐含层的维数l的取值。

4.根据权利要求1所述的基于RBF神经网络的精馏塔塔顶温度控制方法，其特征在于，步骤1中所述RBF神经网络隐含层的中心向量C采用聚类算法确定：

将精馏塔塔顶实际温度T_D和温度控制量u组成的二维历史精馏数据集作为聚类算法的样本集，初始化若干个聚类中心，聚类中心的个数与隐含层的维数l相同；

计算每一个样本点到聚类中心的距离，距离某一聚类中心近的点被划分为同一个簇，将簇内的样本点的中心作为新的聚类中心；

以轮廓系数作为聚类算法的评价指标，不断循环更新聚类中心，直至轮廓系数接近于1，所述轮廓系数s为：

式中，a表示测试样本与同一簇中其他所有样本之间的算术平均距离，b表示测试样本到其他簇中的所有样本之间的算术平均距离，所述距离为欧氏距离；s的范围是(-1,1)，其中值越接近1表示样本与同一簇中的样本的相似度越高，并且与其他簇中的样本越不相似。