改進PSO-PID神經(jīng)網(wǎng)絡(luò)在精餾塔溫度控制中的應(yīng)用

肖帥兵　夏洋　周蘭江　明帥強

摘 要 為優(yōu)化精餾塔系統(tǒng)控制器的性能，提出一種添加正態(tài)分布函數(shù)的非線性遞減慣性權(quán)重和對加速因子進行異步時變調(diào)節(jié)的改進策略，優(yōu)化了粒子群算法的搜索效率和精度。并利用該算法對PID神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進行訓(xùn)練，提高其性能。設(shè)計控制器并進行仿真，結(jié)果表明：訓(xùn)練后的PID神經(jīng)網(wǎng)絡(luò)控制器性能有較大提升，控制器的抗干擾能力和反應(yīng)速度得到極大改善，有效提高了精餾塔的控制效果。

關(guān)鍵詞 改進粒子群算法 PID神經(jīng)網(wǎng)絡(luò) 精餾塔 解耦控制

中圖分類號 TP273? ?文獻標識碼 A? ?文章編號 1000-3932（2023）04-0447-06

精餾在現(xiàn)代石油化工生產(chǎn)中有著廣泛的應(yīng)用，是對混合物進行多次部分汽化和液化操作，使各種成分揮發(fā)冷凝，實現(xiàn)混合物高純度分離的一種方法。然而精餾過程有變量較多、機理復(fù)雜、輸入與輸出之間耦合效應(yīng)強等特點，控制難度較大。因此采取合適的解耦控制算法并應(yīng)用在精餾塔控制器中是十分必要的。提高精餾塔系統(tǒng)的控制性能，不僅能夠提高企業(yè)的經(jīng)濟效益，而且更加環(huán)保。

針對精餾塔系統(tǒng)的優(yōu)化控制，有自抗擾控制、模型預(yù)測控制（MPC）及模糊控制［1～3］等方法。近年來，隨著科學(xué)技術(shù)的不斷進步和計算機的快速發(fā)展，工業(yè)設(shè)備控制也趨向智能化、高精度的方向。智能控制應(yīng)運而生，并得到了廣泛的應(yīng)用［4，5］。而在智能控制中，神經(jīng)網(wǎng)絡(luò)是重要的組成部分，神經(jīng)網(wǎng)絡(luò)依靠其在線學(xué)習(xí)和任意精度逼近復(fù)雜函數(shù)的能力，被應(yīng)用到解耦控制中，如模糊神經(jīng)網(wǎng)絡(luò)解耦［6］、卷積神經(jīng)網(wǎng)絡(luò)解耦［7］及PID神經(jīng)網(wǎng)絡(luò)解耦［8］等。

而現(xiàn)代神經(jīng)網(wǎng)絡(luò)廣泛運用反向傳播作為訓(xùn)練方法，但這些算法對于網(wǎng)絡(luò)訓(xùn)練的初始權(quán)值十分敏感，不合理的初始權(quán)值很容易導(dǎo)致閉環(huán)系統(tǒng)不穩(wěn)定。針對這個缺點，很多學(xué)者利用進化算法對神經(jīng)網(wǎng)絡(luò)初始權(quán)值進行訓(xùn)練，以此優(yōu)化神經(jīng)網(wǎng)絡(luò)性能［9］。進化算法中，粒子群算法（PSO）作為一種易實現(xiàn)、搜索速度快的全局尋優(yōu)算法，對于神經(jīng)網(wǎng)絡(luò)訓(xùn)練有著較好的效果。

對于標準粒子群算法中存在的問題，當(dāng)前也存在許多改進策略，文獻［10］引入隨機動態(tài)響應(yīng)因子來優(yōu)化粒子群算法，但忽略了慣性權(quán)重和時變加速因子的影響。文獻［11］提出非線性遞減慣性權(quán)重因子改進粒子群算法用于路徑規(guī)劃，但該算法只針對慣性權(quán)重因子進行優(yōu)化，并未注意到對加速因子的調(diào)整。文獻［12］使用時變衰減函數(shù)實現(xiàn)慣性權(quán)重的非線性遞減取得了良好的效果，但這種方式并不能完全反映粒子群算法的搜索趨勢。

綜上所述，筆者提出了一種添加隨機因子非線性遞減慣性權(quán)重和改進時變加速因子的策略對粒子群算法進行優(yōu)化，并構(gòu)建了改進粒子群算法優(yōu)化PID神經(jīng)網(wǎng)絡(luò)控制器，以二元精餾塔為研究對象，實現(xiàn)了精餾塔系統(tǒng)優(yōu)化控制。

1 粒子群算法

1.1 標準粒子群算法

1.2 改進粒子群算法

2 精餾塔模型分析

2.1 精餾塔系統(tǒng)模型

精餾塔的主要組成部分有回流罐、冷凝器及再沸器等，經(jīng)典的精餾塔結(jié)構(gòu)如圖1所示。精餾塔的主要任務(wù)是滿足產(chǎn)品成分純度要求并在此前提下達到最佳的回收率與能耗搭配。

精餾塔控制過程中，若塔頂溫度超過給定值，此時需要回流液流出來降低塔頂溫度，那么塔頂控制器會加大回流量閥門開度，回流液流出使塔頂溫度降低，而這些回流液下降至塔底，塔底溫度受到影響降低，偏離設(shè)定值。此時塔底控制器試圖將塔底溫度回調(diào)至設(shè)定值，則會增加加熱蒸汽量，塔底溫度提高至設(shè)定值。而塔蒸汽上升至塔頂，導(dǎo)致塔頂溫度又一次超出設(shè)定，調(diào)節(jié)器重復(fù)上述調(diào)節(jié)過程，導(dǎo)致系統(tǒng)溫度調(diào)節(jié)時間長，反復(fù)振蕩，難以達到平衡，可見精餾塔塔板溫度存在嚴重的耦合現(xiàn)象。

精餾過程中用到的模型變量很多，例如物料溫度、物料成分、蒸汽量、回流量及塔板溫度等，機理模型十分復(fù)雜，直接測量產(chǎn)品的成分純度也比較困難。因此應(yīng)當(dāng)選取合適的變量作為間接質(zhì)量指標，保持一定的精度，建立精餾過程控制模型。而精餾原理和熱力學(xué)性質(zhì)表明，在壓力為定值時，溫度與成分之間存在獨立的函數(shù)關(guān)系，所以產(chǎn)品的純度通過對塔板溫度的檢測間接獲取。故選用塔頂回流量和塔底蒸汽量分別控制塔頂溫度和塔底溫度。

3 改進PSO-PID神經(jīng)網(wǎng)絡(luò)的精餾塔系統(tǒng)解耦控制

研究表明，神經(jīng)網(wǎng)絡(luò)初始權(quán)值的選取關(guān)系到網(wǎng)絡(luò)的學(xué)習(xí)和收斂速度，因此神經(jīng)網(wǎng)絡(luò)的初始化至關(guān)重要。通過改進的粒子群算法對PID神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到最優(yōu)初始權(quán)值，提高控制器的性能。

4 仿真分析

將提出的改進粒子群算法用于精餾塔解耦控制中，采用simulink構(gòu)建改進PSO-PID神經(jīng)網(wǎng)絡(luò)精餾塔控制系統(tǒng)。

為驗證改進算法的性能，從穩(wěn)定時間、超調(diào)量等方面與傳統(tǒng)PSO-PID神經(jīng)網(wǎng)絡(luò)控制進行比較。精餾塔運行時，塔頂溫度是低于塔底溫度的，根據(jù)此特點，在t=1 s時，塔頂和塔底溫度分別設(shè)置為50 ℃和80 ℃；在t=300 s時，在塔頂溫度輸出處加入幅值為10的階躍干擾；在t=500 s時，在塔底溫度輸出處加入幅值為-10的階躍干擾。算法采用的慣性權(quán)重取值范圍為［0.4，0.9］，粒子種群個數(shù)為100，迭代次數(shù)為50，圖5、6為兩種控制策略的仿真溫度曲線。

由圖5、6可以看出，改進PSO-PID神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)控制方法表現(xiàn)更好，塔頂和塔底溫度能迅速逼近設(shè)定值，面對階躍干擾時，改進后的算法被干擾的幅度也更小，且能夠更快地調(diào)節(jié)至穩(wěn)定值。通過仿真實驗，控制系統(tǒng)的性能指標對比見表1、2。

5 結(jié)束語

提出針對標準粒子群算法的一種新的改進策略，相比原算法，提高了收斂速度和搜索精度。在simulink下建立仿真模型，使用不同的策略對模型進行控制，對仿真結(jié)果對比分析，驗證了提出的改進算法優(yōu)化控制器的可行性和性能。仿真結(jié)果表明，筆者提出的控制策略具有一定的優(yōu)越性，控制器的調(diào)節(jié)時間更短、超調(diào)更小，有效降低了精餾塔塔頂和塔底溫度的耦合作用，為精餾塔的解耦控制提供新的方法，有一定現(xiàn)實意義。

參 考 文 獻

［1］? ?CHENG Y，CHEN Z，SUN M，et al.Decoupling control of high-purity heat integrated distillation column process via active disturbance rejection control and nonlinear wave theory［J］.Transactions of the Institute of Measurement and Control，2020，42（12）：2221-2233.

［2］? ?SHIN Y，SMITH R，HWANG S. Development of model predictive control system using an artificial neural network：A case study with a distillation column［J］.Journal of Cleaner Production，2020，277：124.

［3］? ?HAMDY M，RAMADAN A，ABOZALAM B. A novel inverted fuzzy decoupling scheme for MIMO systems with disturbance：A case study of binary distillation column［J］.Journal of Intelligent Manufacturing，2018，29（8）：1859-1871.

［4］? ?劉星偉，賈勝坤，羅祎青，等.基于信賴域算法的精餾塔優(yōu)化［J］.化工學(xué)報，2022，73（5）：2031-2038.

［5］? ?ZHAO N，LU J.Review of Neural Network Algorithm and Its Application in Temperature Control of Distillation Tower［J］.Journal of Engineering Research and Reports，2021，20（4）：50-61.

［6］? ?QIAO J F，HAN G T，HAN H G，et al.Decoupling control for wastewater treatment process based on recurrent fuzzy neural network［J］.Asian Journal of Control，2019，21（3）：1270-1280.

［7］? ?LI X，F(xiàn)ANG Y，LIU L.Decoupling predictive control of strip flatness and thickness of tandem cold rolling mills based on convolutional neural network［J］.IEEE Access，2019，8：3656-3667.

［8］? ?黃茹楠，丁寧.基于改進PID神經(jīng)網(wǎng)絡(luò)算法的AUV垂直面控制［J］.系統(tǒng)仿真學(xué)報，2020，32（2）：229-235.

［9］? ?ZENG G Q，XIE X Q，CHEN M R，et al.Adaptive population extremal optimization-based PID neural network for multivariable nonlinear control systems［J］. Swarm and Evolutionary Computation，2019，44：320-334.

［10］? ?WU X，QIN G，SUN M，et al. Using improved particle swarm optimization to tune PID controllers in cooperative collision avoidance systems［J］.Frontiers of Information Technology & Electronic Engineering，

2017，18（9）：1385-1395.

［11］? ?GAO Q.Intelligent vehicle global path planning based on improved particle swarm optimization［J］.Open Access Library Journal，2018，5（4）：1-8.

［12］? ?張淑芳，宋香明，朱彬華.結(jié)合改進PSO-BP神經(jīng)網(wǎng)絡(luò)的無刷直流電機控制［J］.南開大學(xué)學(xué)報（自然科學(xué)版），2021，54（4）：62-67.

［13］? ?KENNEDY J，EBERHART R.Particle swarm optimi-zation［C］//IEEE International Conference on Neural Networks.Piscataway，NJ：IEEE，1995：1942-1948.

［14］? ?喬俊飛，逄澤芳，韓紅桂.基于改進粒子群算法的污水處理過程神經(jīng)網(wǎng)絡(luò)優(yōu)化控制［J］.智能系統(tǒng)學(xué)報，2012，7（5）：429-436.

［15］? ?趙靜.精餾塔溫度模糊解耦控制系統(tǒng)的研究［J］.工業(yè)儀表與自動化裝置，2013（6）：50-54.

（收稿日期：2022-11-21，修回日期：2023-06-09）

Application of Improved PSO-PID Neural Network in

Distillation Tower Temperature Control

XIAO Shuai-bing XIA Yang ZHOU Lan-jiang MING Shuai-qiang

（1. Faculty of Information Engineering and Automation， Kunming University of Science and Technology；

2. Institute of Microelectronics， Chinese Academy of Sciences）

Abstract? ?For purpose of optimizing performance of the distillation columns controller， a nonlinear decreasing inertia weight with added normal distribution function and an improved strategy for the asynchronous time-varying adjustment to the learning factor were proposed to optimize both search efficiency and accuracy of the algorithm， including making use of this algorithm to train? initial weights of PID neural network and improve its performance. Designing and simulating the controller show that， the performance of the trained PID neural network controller is greatly improved； the controllers anti-interference ability and response speed can be greatly improved together with effectively improved control effect of the distillation column.

Key words? ?improved particle swarm optimization algorithm， PID neural network， distillation column， decoupling control