基于LabVIEW多效逆流蒸發(fā)工藝液位控制的研究

李 菊 張 雷

(西南石油大學(xué)油氣藏地質(zhì)及開(kāi)發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室)

基于LabVIEW多效逆流蒸發(fā)工藝液位控制的研究

李 菊 張 雷

(西南石油大學(xué)油氣藏地質(zhì)及開(kāi)發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室)

針對(duì)多效逆流蒸發(fā)工藝中液位非線性、大慣性和時(shí)滯性的特點(diǎn)，將BP神經(jīng)網(wǎng)絡(luò)與增量式PID算法相結(jié)合，以LabVIEW為開(kāi)發(fā)平臺(tái)，實(shí)現(xiàn)了多效逆流蒸發(fā)過(guò)程液位控制的動(dòng)態(tài)仿真。基于物料衡算和熱量衡算，建立三效逆流蒸發(fā)液位的數(shù)學(xué)模型，通過(guò)液位仿真證明基于LabVIEW實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)在多效蒸發(fā)液位控制中具有良好的自適應(yīng)性和魯棒性。

液位控制 BP神經(jīng)網(wǎng)絡(luò)PID控制 LabVIEW 多效蒸發(fā)

氯堿工業(yè)主要采用三效逆流強(qiáng)制循環(huán)工藝制備50%液堿，這種方法蒸發(fā)汽耗低、各效傳熱系數(shù)較高且成本低[1]。液位控制是生產(chǎn)NaOH常見(jiàn)的問(wèn)題，但具有非線性、滯后及時(shí)變性等特性[2]。經(jīng)典的PID控制算法具有直觀、實(shí)現(xiàn)簡(jiǎn)單等優(yōu)點(diǎn)，在很多領(lǐng)域被廣泛使用，但用于非線性的液位控制中魯棒性不強(qiáng)。BP神經(jīng)網(wǎng)絡(luò)方法具有信息分布式存儲(chǔ)和自組織自學(xué)習(xí)功能，故處理多輸入、非線性、耦合復(fù)雜的對(duì)象有廣泛應(yīng)用[3～5]，如溫度控制[6～9]、液位控制[10,11]和溶液濃度控制[12]。因此將BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與PID算法相結(jié)合引入多效蒸發(fā)液位控制，利用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行在線調(diào)整PID控制的3個(gè)參數(shù)，使控制效果達(dá)到最優(yōu)。劉斌等研究了基于BP神經(jīng)網(wǎng)絡(luò)的連續(xù)攪拌反應(yīng)釜PID自校正控制[13]，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)PID超調(diào)量小，且控制器具有較小的輸出量。

LabVIEW虛擬儀器是由美國(guó)NI公司提出的圖形編程環(huán)境，用戶可以在LabVIEW環(huán)境下編寫應(yīng)用程序，通過(guò)交互式的圖形化前面板來(lái)控制系統(tǒng)，可實(shí)現(xiàn)數(shù)據(jù)采集、運(yùn)動(dòng)控制及監(jiān)視等功能，并能直觀地顯示所得結(jié)果，減輕了編程工作量[14]。因此，LabVIEW不斷地應(yīng)用于化工過(guò)程控制中。宋鋒和劉瑞歌基于LabVIEW實(shí)現(xiàn)了鍋爐溫度的控制[15]，閆金銀等基于 LabVIEW實(shí)現(xiàn)了帶夾套反應(yīng)釜溫度的控制[16]。除此，LabVIEW還廣泛地應(yīng)用于化工蒸餾過(guò)程[17～23]、浸取過(guò)程[24]和吸附過(guò)程[25～27]。根據(jù)文獻(xiàn)調(diào)研，基于LabVIEW的BP神經(jīng)網(wǎng)絡(luò)PID用于多效逆流蒸發(fā)液位控制的研究幾乎沒(méi)有，因此筆者基于LabVIEW設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)，通過(guò)對(duì)比傳統(tǒng)PID和BP神經(jīng)網(wǎng)絡(luò)PID對(duì)蒸發(fā)液位的控制效果，證明了BP神經(jīng)網(wǎng)絡(luò)PID響應(yīng)速度快且超調(diào)量小，是實(shí)現(xiàn)多效逆流蒸發(fā)液位控制的有效方法，故筆者將BP神經(jīng)網(wǎng)絡(luò)PID用于三效逆流蒸發(fā)液位的控制，使蒸發(fā)器液位控制在相應(yīng)的理想液位。

1 數(shù)學(xué)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)PID數(shù)學(xué)模型

BP神經(jīng)網(wǎng)絡(luò)PID控制由經(jīng)典PID控制和BP神經(jīng)網(wǎng)絡(luò)組成，經(jīng)典PID控制器直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制，并且對(duì)Kp、Ki、Kd在線調(diào)整；神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)整PID參數(shù)達(dá)到性能指標(biāo)最優(yōu)化，使輸出層對(duì)應(yīng)的3個(gè)參數(shù)通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和加權(quán)系數(shù)調(diào)整達(dá)到最優(yōu)[28]。增量式數(shù)字PID的控制算法如下：

u(k)=u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+

Kd[e(k)-2e(k-1)+e(k-2)]

(1)

采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為理想液位、實(shí)際液位、液位誤差和常數(shù)1，并對(duì)輸入樣本進(jìn)行歸一化處理， BP神經(jīng)網(wǎng)絡(luò)PID控制結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)PID控制結(jié)構(gòu)

網(wǎng)絡(luò)輸入層的輸入為：

Oj=x(j),j=1,2,…,M

(2)

網(wǎng)絡(luò)隱含層的輸入、輸出為：

(3)

Oi(k)=f(neti(k)),i=1,2,…,Q

(4)

隱層神經(jīng)元的活化函數(shù)取為正負(fù)對(duì)稱的Sigmoid函數(shù)：

(5)

網(wǎng)絡(luò)輸出層的輸入、輸出為：

(6)

Ol(k)=g(netl(k)),l=1,2,3

(7)

O1(k)=Kp

O2(k)=Ki

(8)

O3(k)=Kd

輸出層輸出節(jié)點(diǎn)對(duì)應(yīng)3個(gè)可調(diào)節(jié)的Kp、Ki、Kd，由于3個(gè)參數(shù)不能為負(fù)，所以輸出層神經(jīng)元的活化函數(shù)取非負(fù)的Sigmoid函數(shù)：

(9)

性能指標(biāo)函數(shù)為：

(10)

網(wǎng)絡(luò)輸出層加權(quán)系數(shù)的學(xué)習(xí)算法：

Δvli(k)=aΔvli(k-1)+bδlOi(k)

(11)

(12)

隱含層加權(quán)系數(shù)的學(xué)習(xí)算法：

Δwij(k)=aΔwij(k-1)+bδiOj(k)

(13)

(14)

1.2 蒸發(fā)液位模型

1.2.1 物料衡算和熱量衡算

為建立三效逆流蒸發(fā)工藝數(shù)學(xué)模型，主要的假設(shè)條件如下[29]：過(guò)程為穩(wěn)定狀態(tài)；忽略熱損失；忽略蒸汽的引入和引出；溶液沸點(diǎn)進(jìn)料?；贚abVIEW的三效逆流蒸發(fā)界面如圖2所示，三效逆流原理如圖3所示，三效逆流蒸發(fā)工藝中的設(shè)計(jì)參數(shù)如下：

原料濃度 32%

完成液產(chǎn)量 5×107kg

完成液濃度 50%

生蒸汽壓力 800kPa

生蒸汽溫度 170.44℃

第1效壓力 200kPa

第1效二次蒸汽溫度 120.240℃

第2效壓力 50kPa

第2效二次蒸汽溫度 81.339℃

第3效壓力 10kPa

第3效二次蒸汽溫度 45.799℃

工作時(shí)間 300×24h

圖2 基于LabVIEW三效逆流蒸發(fā)的界面

圖3 三效逆流蒸發(fā)原理示意圖

物料衡算熱量衡算為：

(15)

(16)

式中Cpi——料液的比熱容，kJ/(kg·℃)，Cpi=4.187(1-xi)+1.31xi；

D——蒸汽量，kg/h；

F——原料流量，kg/h；

r0——生蒸汽的汽化潛熱；

ri——各效蒸汽的汽化潛熱，kJ/kg；

ti——各效料液溫度，℃；

W——總的蒸發(fā)水量，kg/h；

Wi——各效蒸發(fā)水量，kg/h；

x0——原料液的濃度；

xi——各效出料液的濃度。

通過(guò)計(jì)算W1=0.140F，W2=0.112F和W3=0.108F。

1.2.2 液位模型

對(duì)于第3效蒸發(fā)器，液位模型如下[30]：

(17)

式中A——蒸發(fā)器面積，m2；

F——進(jìn)料流量，kg/s；

F3——出料流量，kg/s，F(xiàn)3=K3u3，K3和u3分別為電磁閥放大系數(shù)和電磁閥的控制電壓。

因此，有：

h3(t)=0.892F/A-K3u3/A+h3(t-1)

(18)

h2(t)=F3/A-0.112F/A-K2u2/A+h2(t-1)

(19)

h1(t)=F2/A-0.140F/A-K1u1/A+h1(t-1)

(20)

2 仿真結(jié)果與討論

2.1 BP神經(jīng)網(wǎng)絡(luò)PID算法中參數(shù)對(duì)控制的影響分析

根據(jù)式(11)和式(13)可知，加權(quán)系數(shù)a和b影響閾值w和v，從而影響B(tài)P神經(jīng)網(wǎng)絡(luò)PID的控制效果，分別選取5個(gè)不同的系數(shù)a和b，響應(yīng)曲線及其局部圖分別如圖4所示。圖4a隨著參數(shù)值a的增大，BP神經(jīng)網(wǎng)絡(luò)PID的控制達(dá)到理想液位所需的時(shí)間逐漸變長(zhǎng)，但振動(dòng)幅度相對(duì)減小。圖4b隨著參數(shù)b的增大，除了b=100，其他控制效果基本沒(méi)明顯變化。因此，加權(quán)系數(shù)a是影響B(tài)P神經(jīng)網(wǎng)絡(luò)PID控制效果的主要因素。

a. 參數(shù)a

b. 參數(shù)b

2.2 BP神經(jīng)網(wǎng)絡(luò)PID與傳統(tǒng)PID比較

以第3效液位模型為例，理想液位取0.5，基于LabVIEW的傳統(tǒng)PID和BP神經(jīng)網(wǎng)絡(luò)PID控制的響應(yīng)曲線如圖5所示。可以看出，BP神經(jīng)網(wǎng)絡(luò)PID控制達(dá)到理想液位所需的時(shí)間短，即t=3s左右，液位達(dá)到理想液位。傳統(tǒng)PID控制效果比BP神經(jīng)網(wǎng)絡(luò)PID控制效果差，達(dá)到理想液位所需時(shí)間更長(zhǎng)，液位曲線振蕩次數(shù)多、幅度大。因此，BP神經(jīng)網(wǎng)絡(luò)PID控制器辨識(shí)精度高、響應(yīng)速度快、超調(diào)量小，是實(shí)現(xiàn)多效逆流蒸發(fā)液位控制的有效方法。

圖5 BP神經(jīng)網(wǎng)絡(luò)PID和傳統(tǒng)PID液位響應(yīng)曲線

2.3 BP神經(jīng)網(wǎng)絡(luò)PID對(duì)三效逆流蒸發(fā)液位控制的仿真分析

蒸發(fā)室允許的最低液位為：

L=(p2-p1)/(ρig)

式中g(shù)——重力加速度，取9.81m/s2；

p1——蒸發(fā)室內(nèi)蒸汽壓力，kPa；

p2——p1壓力下蒸汽溫度t+2℃對(duì)應(yīng)的壓力，kPa；

ρi——溶液的平均密度，kg/m3。

代入數(shù)據(jù)得三效最低液位分別為1.17、0.36、0.09m，三效理想液位分別為1.37、0.56、0.29m。

3個(gè)蒸發(fā)器的液位曲線如圖6所示。從曲線可知，第2效和第1效蒸發(fā)器的液位具有滯后性，當(dāng)t=0.7s時(shí)，第3效蒸發(fā)器液位達(dá)到理想值，第2效蒸發(fā)器的液位開(kāi)始上升；當(dāng)t=2.2s時(shí)，第2效蒸發(fā)器液位達(dá)到理想值，此時(shí)第1效蒸發(fā)器的液位開(kāi)始上升。當(dāng)3個(gè)蒸發(fā)器液位逐漸達(dá)到理想液位值時(shí)，誤差逐漸趨于0，液位隨時(shí)間的變化曲線逐漸趨于恒定。

圖6 3個(gè)蒸發(fā)器的液位隨時(shí)間的變化曲線

三效蒸發(fā)器液位曲線如圖7a～c。三效蒸發(fā)器到達(dá)理想液位所需的時(shí)間分別為20、14、12s，即第3效蒸發(fā)器最先達(dá)到理想液位值，第2效、第1效依次逐漸達(dá)到穩(wěn)定。三效蒸發(fā)器的最高液位值分別為1.448、0.623、0.359m，分別高于理想液位的5.69%、 11.25%、23.79%，即第3效液位曲線振幅大于第2效液位曲線振幅，第1效液位曲線振幅最小。除此，根據(jù)液位曲線可知，3個(gè)蒸發(fā)器的液位低于報(bào)警液位，故BP神經(jīng)網(wǎng)絡(luò)PID控制對(duì)三效逆流蒸發(fā)液位具有很好的控制效果。圖8為PID 3個(gè)參數(shù)Kp、Ki和Kd隨時(shí)間的變化曲線，第1效和第2效的3個(gè)參數(shù)通過(guò)調(diào)整在很短時(shí)間內(nèi)達(dá)到穩(wěn)定值，而第3效的3個(gè)參數(shù)通過(guò)調(diào)整達(dá)到穩(wěn)定值所需時(shí)間較長(zhǎng)，且曲線變化幅度大。

圖7 蒸發(fā)器液位曲線

圖8 PID 3個(gè)參數(shù) Kp、Ki和Kd的變化曲線

3 結(jié)束語(yǔ)

對(duì)比了傳統(tǒng)PID和BP神經(jīng)網(wǎng)絡(luò)PID對(duì)蒸發(fā)液位的控制效果，仿真結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)PID控制的蒸發(fā)液位能在短時(shí)間內(nèi)達(dá)到理想液位，并且液位振動(dòng)幅度小。因此，在多效蒸發(fā)液位的控制中BP神經(jīng)網(wǎng)絡(luò)PID控制效果優(yōu)于傳統(tǒng)PID控制效果。通過(guò)基于LabVIEW對(duì)BP神經(jīng)網(wǎng)絡(luò)PID在三效逆流蒸發(fā)液位的控制仿真結(jié)果可以看出，第2效和第1效蒸發(fā)器的液位控制具有滯后性，誤差曲線顯示第3效蒸發(fā)器的液位最先達(dá)到理想液位，但其液位變化幅度最大，其控制液位超過(guò)理想液位高達(dá)23.79%。通過(guò)三效蒸發(fā)器的液位曲線可以看出，3個(gè)蒸發(fā)器的液位均低于其報(bào)警液位。因此，BP神經(jīng)網(wǎng)絡(luò)PID控制對(duì)三效逆流蒸發(fā)液位具有很好的控制效果。

[1] 張守特. 三效逆流降膜蒸發(fā)工藝生產(chǎn)50%燒堿的探討[J]. 天津化工, 2010, 24(6): 45～47.

[2] Al-Mutaz I S, Wazeer I.Comparative Performance Evaluation of Conventional Multi-effect Evaporation Desalination Processes[J]. Applied Thermal Engineering, 2014, 73(1): 1194～1203.

[3] 匡芬芳. 基于LabVIEW的液位神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)[J]. 微計(jì)算機(jī)信息, 2010 ，26(19): 60～62.

[4] He J, Yang W, Wang J. Fast HEVC Coding Unit Decision Based on BP-Neural Network[J]. International Journal of Grid and Distributed Computing, 2015, 8(4): 289～300.

[5] Kang J, Meng W, Abraham A, et al. An Adaptive PID Neural Network for Complex Nonlinear System Control[J]. Neurocomputing, 2014, 135(8): 79～85.

[6] 于海南,鄭榮進(jìn),步文月,等. 基于BP神經(jīng)網(wǎng)絡(luò)PID控制器在水產(chǎn)溫室溫度控制中的應(yīng)用[J].安徽農(nóng)業(yè)科學(xué),2016, (3): 312～315.

[7] 劉斌,孫久強(qiáng),崔洋洋,等.基于BP神經(jīng)網(wǎng)絡(luò)的連續(xù)攪拌反應(yīng)釜PID自校正控制[J].化工自動(dòng)化及儀表,2015,42(8): 860～862 ,934.

[8] 張根寶,謝曉靜,劉曉勇.基于L-BFGS算法BP神經(jīng)網(wǎng)絡(luò)在溫度補(bǔ)償中的應(yīng)用[J].儀表技術(shù)與傳感器,2016,(4):98～100.

[9] 王澤歡,吳學(xué)華,李文濤,等. 神經(jīng)網(wǎng)絡(luò)算法在反應(yīng)釜溫度控制中的應(yīng)用[J].中國(guó)儀器儀表,2016,(8):60～62.

[10] 朱麗娟.神經(jīng)網(wǎng)絡(luò)在水箱液位控制中的應(yīng)用及Matlab實(shí)現(xiàn)[J]. 唐山師范學(xué)院學(xué)報(bào),2015,(5):35～38.

[11] 鄧肖,劉宗玲,楊朝,等. 改進(jìn)的PID神經(jīng)網(wǎng)絡(luò)在黑液液位控制中的應(yīng)用[J].中國(guó)造紙學(xué)報(bào),2014,29(2):58～62.

[12] 許令峰,郭輝,吳衛(wèi)東,等. 基于BP神經(jīng)網(wǎng)絡(luò)的電解液濃度預(yù)測(cè)系統(tǒng)[J].化工自動(dòng)化及儀表, 2013, 40(12): 1458～1461.

[13] 劉斌,孫久強(qiáng),崔洋洋,等.基于BP神經(jīng)網(wǎng)絡(luò)的連續(xù)攪拌反應(yīng)釜PID自校正控制[J].化工自動(dòng)化及儀表,2015,42(8):860～862,934.

[14] 楊智,陳雨琴. 基于LabVIEW的PID自整定控制器設(shè)計(jì)[J].化工自動(dòng)化及儀表,2015,42(11):1188～1191.

[15] 宋鋒,劉瑞歌. 基于LabVIEW的鍋爐溫度過(guò)程控制系統(tǒng)仿真[J].化工自動(dòng)化及儀表, 2015,42 (2): 183～185.

[16] 閆金銀,王亞剛,孫會(huì)兵. 帶夾套的反應(yīng)釜溫度控制器及LabVIEW實(shí)現(xiàn)[J].化工自動(dòng)化及儀表, 2011,38(11): 1291～1293.

[17] Barroso J, Borges J, Oliveira P, et al. Nonlinear Modeling of a Real Pilot Scale Continuous Distillation Process[J].Computer Aided Chemical Engineering, 2009, 28: 1733～1738.

[18] Chambel A J S, Pinheiro C I C, Borges J, et al. Methodologies for Input-Output Data Exchange between LabVIEW and MATLAB/Simulink Software for Real Time Control of a Pilot Scale Distillation Process[J]. Computer Aided Chemical Engineering, 2011, 29: 708～712.

[19] De Canete J F, del Saz-Orozco P, Gonzalez S, et al. Dual Composition Control and Soft Estimation for a Pilot Distillation Column Using a Neurogenetic Design[J]. Computers & Chemical Engineering, 2012, 40: 157～170.

[20] De Canete J F, del Saz-Orozco P, García-Moral I, et al. Indirect Adaptive Structure for Multivariable Neural Identification and Control of a Pilot Distillation Plant[J]. Applied Soft Computing, 2012, 12(9): 2728～2739.

[21] 楊亞茹,劉登峰,徐國(guó)強(qiáng),等. 基于LabVIEW的白酒自動(dòng)化裝甑蒸餾監(jiān)控系統(tǒng)[J]. 釀酒科技, 2016,(5): 92～95.

[22] 李冬輝,許弋慧.基于模糊控制的蒸餾管路壓力系統(tǒng)研究[J]. 儀表技術(shù)與傳感器, 2014， (3): 49～51.

[23] 李樂(lè)斌,趙智,孫爾雁,等. 基于LabVIEW的低溫與真空度測(cè)量系統(tǒng)設(shè)計(jì)[J]. 化工自動(dòng)化及儀表,2016,43(11):1166～1168,1226.

[24] Song J, Gao L, Lin J Q, et al. Kinetics and Modeling of Chemical Leaching of Sphalerite Concentrate Using Ferric Iron in a Redox-controlled Reactor[J]. Chinese Journal of Chemical Engineering, 2013, 21(8): 933～936.

[25] Cheng H H, Li W B, Chen W, et al. Development of Hydrogen Absorption Edesorption Experimental Test Bench for Hydrogen Storage Material[J]. Int J Hydrogen Energy, 2014, 39(25):13596～13602.

[26] Cheng H H, Deng X X, Li S L, et al. Design of PC Based High Pressure Hydrogen Absorption/Desorption Apparatus[J]. International Journal of Hydrogen Energy, 2007, 32(14): 3046～3053.

[27] Vashpanov Y, Choo H, Kim D S. Dynamic Control of Adsorption Sensitivity for Photo-EMF-based Ammonia Gas Sensors Using a Wireless Network[J]. Sensors, 2011, 11(11): 10930～10939.

[28] Kang J, Meng W, Abraham A, et al. An Adaptive PID Neural Network for Complex Nonlinear System Control[J]. Neurocomputing, 2014, 135: 79～85.

[29] Al-Mutaz I S, Wazeer I. Comparative Performance Evaluation of Conventional Multi-effect Evaporation Desalination Processes[J]. Applied Thermal Engineering, 2014, 73(1): 1194～1203.

[30] 匡芬芳. 基于LabVIEW的神經(jīng)網(wǎng)絡(luò)PID控制算法在液位控制系統(tǒng)中的仿真研究[D].長(zhǎng)沙: 中南大學(xué), 2009.

TheLiquidLevelControlofMulti-effectCountercurrentEvaporationProcessBasedonLabVIEW

LI Ju, ZHANG Lei
(StateKeyLaboratoryofOilandGasReservoirGeologyandExploitation,SouthwestPetroleumUniversity)

Aiming at liquid level control’s non-linearity, large delay and time lag of the multi-effect countercurrent evaporation process, having back propagation neural network(BPNN) combined with incremental PID

TH865

A

1000-3932(2017)07-0667-07

2017-01-05，

2017-05-17)

(Continued on Page 692)

李菊(1990-)，碩士研究生，從事化工過(guò)程控制的研究。

聯(lián)系人張雷(1967-)，教授，從事理論與計(jì)算機(jī)化學(xué)、應(yīng)用化學(xué)、化學(xué)工程與技術(shù)等的研究，zgc166929@sohu.com。