基于模糊神經(jīng)網(wǎng)絡(luò)分類器的精餾塔溫度控制器設(shè)計

谷玉凱， 楊滁光， 王華強， 王健波

（1.合肥工業(yè)大學(xué) 電氣與自動化工程學(xué)院，安徽 合肥 230009；2.安徽安利合成革股份有限公司，安徽 合肥 231202）

二甲基甲酰胺（DMF）是工業(yè)濕法的合成革生產(chǎn)中最重要的材料之一，因其價格昂貴，又具有巨大的污染性，因此需要進行專門的回收處理［1］。DMF的回收采用多塔精餾工藝，屬于典型的化工精餾的過程。

在控制系統(tǒng)實際運行過程中，精餾塔的溫度控制在回收監(jiān)控系統(tǒng)中占有非常重要的地位。但精餾塔的溫度受精餾塔液位、進出料流量、塔內(nèi)壓力、塔頂回流流量等因素影響，工藝參數(shù)關(guān)聯(lián)度高，非線性程度高，被控對象的精確數(shù)學(xué)模型難以建立，常規(guī)的PID控制難以做到實時有效的控制。因此，針對這些特點，大部分企業(yè)暫時只能運用手動控制輸出來解決控制不穩(wěn)定的問題。

近年來，作為智能控制的重要組成部分，模糊神經(jīng)網(wǎng)絡(luò)控制得到了極大的發(fā)展，越來越多地被應(yīng)用在工業(yè)控制領(lǐng)域。模糊神經(jīng)網(wǎng)絡(luò)既具有神經(jīng)網(wǎng)絡(luò)的并行計算、分布式信息存儲、容錯能力強以及具備自適應(yīng)學(xué)習(xí)功能等一系列優(yōu)點，又具備模糊邏輯在處理不確定性、非線性和其他不適定問題上的優(yōu)勢，是解決上述問題的有效工具［2］。因此，本文在綜合分析精餾塔溫度控制特征的基礎(chǔ)上，實現(xiàn)了基于模糊神經(jīng)網(wǎng)絡(luò)分類器的精餾塔溫度控制器設(shè)計。

1 系統(tǒng)分析

精餾塔溫度控制子系統(tǒng)是項目控制的重點和難點。DMF廢液通過二級濃縮塔完成初步的濃縮后，在精餾塔完成精餾，DMF質(zhì)量分數(shù)達到99%，再通過脫酸等工藝得到產(chǎn)品純凈的DMF，實現(xiàn)回收過程［3］。

精餾塔工藝流程如圖1所示。

影響精餾塔溫度的因素有導(dǎo)熱油溫、導(dǎo)熱油閥門開度、精餾塔液位、進出料流量、塔內(nèi)壓力、塔頂回流流量等。導(dǎo)熱油溫度比較穩(wěn)定。因此，選擇導(dǎo)熱油閥門開度作為精餾塔溫度調(diào)節(jié)的輸出，通過增大、減小導(dǎo)熱油閥門開度來調(diào)節(jié)精餾塔的溫度。閥門的開度為0～100。在實際操作過程中，閥門是由氣動控制，閥門的開關(guān)不能過于頻繁，且閥門不能隨擾動抖動，以免造成對閥門的破壞，因此，人工操作時只選用整數(shù)值。本文應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)熟練工人的操作習(xí)慣，因此結(jié)合工人的操作習(xí)慣和系統(tǒng)的使用性，對閥門控制分類，見表1所列。

圖1 精餾塔的工藝流程

表1 閥門開度分類

精餾塔液位、進料流量與溫度耦合比較嚴重，影響非常大，可以作為精餾塔溫度調(diào)節(jié)的輸入條件。精餾塔的出料溫度比較恒定，其過程可以從液位的變化上來體現(xiàn)，屬于次要條件，可以不作為輸入。塔內(nèi)壓力自成閉環(huán)控制，對溫度的影響也不大，也不作為輸入條件。精餾塔的回流是回流到二級濃縮塔，對二級濃縮塔提供熱量，回流到精餾塔時的溫度與從二級濃縮塔進料的溫度相同。故輸入采取進料流量與回流流量之和記為流量作為輸入條件之一。精餾塔的實時溫度是溫度控制的重要參數(shù)。因此選擇精餾塔液位、流量、塔內(nèi)溫度作為系統(tǒng)的輸入，閥門的開度作為系統(tǒng)的輸出，輸出的值即為閥門的開度類別，工作原理如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)分類器工作原理

2 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法，是模糊神經(jīng)網(wǎng)絡(luò)分類器的基礎(chǔ)［4］。下面介紹其結(jié)構(gòu)和算法，同時，選取模糊神經(jīng)網(wǎng)絡(luò)分類器的各結(jié)點點數(shù)、隸屬度函數(shù)和學(xué)習(xí)率等，供模糊神經(jīng)網(wǎng)絡(luò)分類器實現(xiàn)時使用。

2.1 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

（1）第1層為輸入層。該層的各個結(jié)點直接與輸入向量的各分量xi連接，起著將輸入值x＝［x1x2…xn］T傳送到下一層的作用。綜上所述，本文輸入結(jié)點數(shù)n＝3。

（2）第2層的每個結(jié)點代表一個語言變量值，如NB、PS等。它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬度函數(shù)，即

其中，i＝1，2，…，n；j＝1，2，…，mi；n＝3；mi是xi的模糊分割數(shù)。為了同時兼顧控制精度和學(xué)習(xí)算法的實現(xiàn)難易程度，本次建模m1、m2、m3分別取為5、5、5。

本次建模采取高斯函數(shù)表示的鈴形函數(shù)作為隸屬函數(shù)，則有：

其中，cij和σij分別表示隸屬函數(shù)的中心和寬度，該層的結(jié)點數(shù)為：

（3）第3層的每個結(jié)點代表一條模糊規(guī)則，它的作用是匹配模糊規(guī)則的前件，計算出每條規(guī)則的適用度，即

其中，i1∈｛1，2，3，4，5｝；i2∈｛1，2，3，4，5｝；i3∈｛1，2，3，4，5｝；j＝1，2，…，m；m＝m1m2m3＝5×5×5＝125。

該層的結(jié)點總數(shù)N3＝m＝125。對于給定的輸入，只有在輸入點附近的那些語言變量值才有較大的隸屬度值，遠離輸入點的語言變量值的隸屬度很小。

（4）第4層的結(jié)點數(shù)與第3層相同，即N4＝N3＝m＝125，它實現(xiàn)歸一化計算，即

（5）第5層是輸出層，它所實現(xiàn)的是清晰化計算，即

其中，wij相當(dāng)于yi的第j個語言值隸屬函數(shù)的中心值［5］。

2.2 學(xué)習(xí)算法

由于輸入分量的模糊分割數(shù)已經(jīng)確定，需要學(xué)習(xí)的參數(shù)只有最后一層的連接權(quán)wij（i＝1，2，…，r；j＝1，2，…，m），以及第2層的隸屬函數(shù)的中心值cij和寬度σij（i＝1，2…，r；j＝1，2，…，m）。取誤差代價函數(shù)為

其中，ydi和yi分別表示輸出和期望輸出。利用誤差反傳算法計算，然后利用梯度尋優(yōu)算法來調(diào)節(jié)wij、cij和σij。最后給出的參數(shù)調(diào)整的學(xué)習(xí)算法為：

其中，i＝1，2，…，n；β＞0為學(xué)習(xí)率［6］。

2.3 模糊神經(jīng)網(wǎng)絡(luò)分類器

模糊神經(jīng)網(wǎng)絡(luò)分類器是基于數(shù)據(jù)的建模方法，該系統(tǒng)中的模糊隸屬函數(shù)及模糊規(guī)則是通過對大量已知數(shù)據(jù)的學(xué)習(xí)得到的，這對于那些特性還不被人們所完全了解或者特性非常復(fù)雜的系統(tǒng)尤為重要［7］。

給定輸入結(jié)點數(shù)、模糊分割數(shù)、隸屬度函數(shù)的種類以及處理過的樣本數(shù)據(jù)，通過以上的學(xué)習(xí)算法，分類器能計算出模糊隸屬函數(shù)和模糊規(guī)則，完成訓(xùn)練。訓(xùn)練完成后，給定輸入，分類器能計算出輸出的數(shù)值，通過輸出函數(shù)選定輸出的類別［7］。

3 分類器的設(shè)計、實現(xiàn)與驗證

模糊神經(jīng)網(wǎng)絡(luò)分類器的實現(xiàn)主要是依靠對熟練工人正確操作的學(xué)習(xí)，通過多次學(xué)習(xí)，使訓(xùn)練誤差趨近于0［8］。通過智能學(xué)習(xí)，分類器能代替人工做出判斷，完成對導(dǎo)熱油閥門開度的控制過程。

3.1 樣本的選取

樣本的選取對模糊神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計來說，最為重要。取正?？刂茣r液位的論域為［550，1 300］，溫度的論域為［108，184］，流量的論域為［2.0，5.2］，如果超出論域，將會顯示報警。

選取工人操作最正確、控制效果最穩(wěn)定、產(chǎn)品質(zhì)量最好、能覆蓋全部論域的110組數(shù)據(jù)。其中80組數(shù)據(jù)用于對模糊神經(jīng)網(wǎng)絡(luò)分類器進行訓(xùn)練，30組數(shù)據(jù)在訓(xùn)練完成后對設(shè)計結(jié)果進行驗證，檢驗分類器的學(xué)習(xí)效果。選取的部分樣本數(shù)據(jù)見表2所列，驗證數(shù)據(jù)見表3所列。

表2 部分樣本數(shù)據(jù)

表3 驗證樣本數(shù)據(jù)

3.2 樣本數(shù)據(jù)的標(biāo)準化

為了提高運算精度和誤差精度，需要對訓(xùn)練樣本及測試樣本進行數(shù)據(jù)的標(biāo)準化。樣本數(shù)據(jù)的標(biāo)準化只對樣本數(shù)據(jù)進行預(yù)處理，使其特征值反應(yīng)在［0，1］區(qū)間上。樣本每個指標(biāo)的平均值為：

標(biāo)準差為：

原始數(shù)據(jù)的標(biāo)準化為：

運用極值標(biāo)準化公式，將標(biāo)準化數(shù)據(jù)壓縮到［0，1］內(nèi)，即

則表2第3行經(jīng)過標(biāo)準化的數(shù)據(jù)為：

3.3 分類器的實現(xiàn)

本文使用MATLAB軟件的ANFIS編輯器進行建模。打開ANFIS編輯器，加載標(biāo)準化樣本數(shù)據(jù)生成的dat文件為Training data。通過上文的介紹，依次選取各輸入的模糊分割數(shù)為5、5、5，選擇高斯型函數(shù)作為隸屬度函數(shù)，選擇輸出為constant，編輯FIS結(jié)構(gòu)，即完成模糊神經(jīng)網(wǎng)絡(luò)分類器的 MATLAB建模［9］。

通過神經(jīng)網(wǎng)絡(luò)對生成的FIS進行訓(xùn)練，逼近均方誤差曲線圖如圖4所示。分析圖4可以發(fā)現(xiàn)，當(dāng)訓(xùn)練次數(shù)為6時，誤差已經(jīng)接近于0，結(jié)果收斂快且誤差較小，說明本文應(yīng)用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及各種參數(shù)比較合適。

圖4 FIS的訓(xùn)練誤差

3.4 分類器的驗證

將測試樣本的閥門開度作為檢測集，經(jīng)過標(biāo)準化處理的測試樣本經(jīng)過ANFIS后其輸出散點對比如圖5所示。除檢測樣本7和樣本23外，均檢測為正確。相對誤差＝（輸出開度－檢測開度）／檢測開度［10］，結(jié)合表1，計算出樣本7和23的相對誤差分別為0.015 2和0.015 4。可以看出，分類器實現(xiàn)了對人工操作經(jīng)驗的智能學(xué)習(xí)，智能學(xué)習(xí)的準確度很高。

圖5 分類器測試樣本輸出

4 結(jié)束語

本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)分類器控制精餾塔溫度的控制方案和MATLAB實現(xiàn)，解決了精餾塔溫度控制由于受到系統(tǒng)耦合性強、非線性高、數(shù)學(xué)模型難以建立等問題的影響而只能采取人工控制的問題，并驗證了其對人工操作智能學(xué)習(xí)的準確性，具有一定的工程應(yīng)用價值。

［1］ 孫一新，李宏光.DMF回收精餾塔開車過程控制任務(wù)的Pe－tri網(wǎng) 建 模 及 分 析 ［J］.化 工 自 動 化 及 儀 表，2008，35（5）：27－32.

［2］ 王華強，袁 浩，楊滁光.自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)在EPS中的應(yīng)用 ［J］.合 肥 工 業(yè) 大 學(xué) 學(xué) 報：自 然 科 學(xué) 版，2011，34（2）：188－191.

［3］ 何小陽，李 健，閔 力，等.精餾塔的機理－神經(jīng)網(wǎng)絡(luò)混合建模［J］.控制工程，2009，16（2）：211－213.

［4］ 喻海軍，劉翔宇，方 敏.基于ANFIS的汽車ESP控制方法研究［J］.合肥工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2010，33（7）：1015－1019.

［5］ 孫增圻，張再興，鄧志東.智能控制理論與技術(shù)［M］.北京：清華大學(xué)出版社，1997：16－227.

［6］ 胡 靜，高 雋，楊 靜.模糊神經(jīng)網(wǎng)絡(luò)分類器的主動學(xué)習(xí)方法［J］.中國科學(xué)技術(shù)大學(xué)學(xué)報，2008，38（3）：241－246.

［7］ 李國勇.智能預(yù)測控制及其MATLAB實現(xiàn)［M］.第2版.北京：中國電力出版社，2010：225－255.

［8］ Li M，Sethi I K.Confidence－based active learning［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，2005，28（8）：1251－1261.

［9］ 周潤景，張麗娜.基于 MATLAB與fuzzyTECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計［M］.北京：電子工業(yè)出版社，2010：188－211.

［10］ 范成洲，曹 鈞，尹曉利.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)的豎井井斜預(yù)測 ［J］.礦山機械，2011，39（4）：23－26.