[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

说明书

本发明提供了一种基于RBF神经网络的精馏塔塔顶温度控制方法，通过学习曲线确定RBF神经网络隐含层的维数、通过聚类算法确定隐含层的中心向量、通过粒子群优化算法确定隐含层的基宽函数，能够根据实际工况快速精确地更新隐含层维数、中心向量和基宽函数，实现精确控制精馏塔塔顶温度，达到高性能的控制效果，能够对不同精馏场景进行适应性调整，具有很好的自适应控制特性，保证控制过程的高精度和高效性，解决了传统PID控制方法的塔顶温度控制器整定效果不良、控制性能不佳，对运行工况的适应性很差等问题。

技术领域

本发明涉及流程工业自动控制技术领域，具体但不限于涉及一种基于RBF神经网络的精馏塔塔顶温度控制方法。

背景技术

在流程工业企业的精馏制造过程中，对精馏产品浓度的控制为“卡边”控制。针对精馏产品主要从精馏塔塔顶采出的精馏过程，在塔顶压力保持一定的情况下，塔顶温度通常就代表了产物的浓度，所以实现精馏塔塔顶温度的精确控制直接影响着精馏产品的质量。现有精馏制造过程广泛采用以PID控制算法为主用于精馏塔控制领域，但是由于实际精馏过程的被控对象含有非线性和时变特性，常规PID控制往往难以保证塔顶温度的控制精度，并且常规PID控制参数整定方法繁杂，实际工程应用时往往呈现整定效果不良、控制性能不佳，对运行工况的适应性很差等问题。

而RBF神经网络具有很强的非线性映射能力，将其用于精馏塔塔顶温度控制系统调整PID控制参数可以提高控制精度和反馈调节速度，从而提升系统整体控制效率。该RBF神经网络控制算法以轮廓系数作为聚类算法的评价指标，得到隐含层的中心向量；利用粒子群优化算法得到最优的基宽函数。这样，即使面对不同类型的精馏产品和复杂的控制过程也能根据实际工况快速精确地更新中心向量和基宽函数，达到高性能的控制效果，实现对不同精馏场景的适应性调整，具有很好的自适应控制特性。

发明内容

针对现有技术中的一个或多个问题，本发明提出了一种基于RBF神经网络的精馏塔塔顶温度控制方法，结合聚类算法和粒子群优化算法快速精确地更新RBF神经网络隐含层的中心向量和基宽函数，实现了对精馏塔塔顶温度的高效率高精度控制，解决了传统PID控制方法精馏塔塔顶温度控制精度差、参数整定困难等问题。

实现本发明目的的技术解决方案为：

一种基于RBF神经网络的精馏塔塔顶温度控制方法，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。

进一步的，本发明的基于RBF神经网络的精馏塔塔顶温度控制方法，步骤1中RBF神经网络的径向基函数为：