智能控制綜合實(shí)驗(yàn)教學(xué)設(shè)計(jì)

高宏巖，卞瑤瑤，韓 斌

（山東科技大學(xué)電氣與自動(dòng)化工程學(xué)院，山東青島 266590）

0 引 言

2018 年教育部印發(fā)的《高等學(xué)校人工智能創(chuàng)新行動(dòng)計(jì)劃》通知中，明確指出重視人工智能與計(jì)算機(jī)、控制、數(shù)學(xué)等學(xué)科專業(yè)教育的交叉融合，探索“人工智能＋X”的人才培養(yǎng)模式［1］。智能控制課程作為人工智能與控制技術(shù)結(jié)合的一門(mén)課程［2］，已經(jīng)成為自動(dòng)化相關(guān)本科專業(yè)和控制類研究生重要的專業(yè)課程。智能控制課程主要講授模糊控制、神經(jīng)網(wǎng)絡(luò)控制、專家控制以及優(yōu)化算法等知識(shí)［3］，具有理論強(qiáng)、應(yīng)用難的特點(diǎn)。在實(shí)際教學(xué)過(guò)程中，由于缺乏具有應(yīng)用背景的實(shí)踐環(huán)節(jié)，使得學(xué)生對(duì)課程理論知識(shí)掌握不透徹。此外，由于智能控制算法復(fù)雜，其工程實(shí)現(xiàn)上具有一定的難度。針對(duì)上述存在的問(wèn)題，利用SMPT-1000 高級(jí)過(guò)程控制實(shí)驗(yàn)裝置設(shè)計(jì)了智能控制綜合實(shí)驗(yàn)方案。通過(guò)實(shí)驗(yàn)研究，使學(xué)生加深對(duì)智能控制理論的理解，掌握智能控制在工程實(shí)際中的應(yīng)用方法。

1 實(shí)驗(yàn)設(shè)備和實(shí)驗(yàn)要求

1.1 實(shí)驗(yàn)設(shè)備

智能控制綜合實(shí)驗(yàn)采用高級(jí)過(guò)程控制實(shí)驗(yàn)裝置。該過(guò)程控制實(shí)驗(yàn)裝置由SMPT-1000 仿真對(duì)象、西門(mén)子S7-400PLC和工程師站組成［4］。SMPT-1000 仿真對(duì)象與S7-400PLC之間采用Profibus DP通信協(xié)議通信，S7-400PLC與工程師站之間采用以太網(wǎng)通信，工程師站采用PCS7 軟件進(jìn)行控制工程組態(tài)［5］。綜合實(shí)驗(yàn)以該裝置提供的聚合反應(yīng)過(guò)程為研究對(duì)象，該聚合反應(yīng)過(guò)程的工藝流程為：原料A與原料B分別由進(jìn)料泵輸送進(jìn)入混合罐，混合物料經(jīng)預(yù)熱器升溫后與催化劑C 按照一定比例進(jìn)入反應(yīng)器，反應(yīng)生成物進(jìn)入閃蒸罐分離提純。閃蒸罐頂部的混合生成物經(jīng)冷凝后再送回混合罐循環(huán)利用，閃蒸罐底部的混合生成物經(jīng)輸送泵加壓后送到下游工序分離提純，以分離出產(chǎn)品D［6］。

1.2 實(shí)驗(yàn)要求

綜合實(shí)驗(yàn)要求學(xué)生能夠靈活運(yùn)用自動(dòng)控制原理、過(guò)程控制、智能控制相關(guān)理論設(shè)計(jì)控制方案，并能夠在過(guò)程控制實(shí)驗(yàn)裝置上對(duì)所設(shè)計(jì)的控制方案加以實(shí)施。實(shí)驗(yàn)結(jié)果應(yīng)滿足以下性能指標(biāo)要求：①原料A、原料B和催化劑C進(jìn)料流量比約為9∶3∶1；②混合罐的液位、反應(yīng)器液位、閃蒸罐液位和冷凝罐液位控制在某一恒定液位值，穩(wěn)態(tài)誤差±1%之內(nèi)；③反應(yīng)器溫度控制在某一恒定溫度值，穩(wěn)態(tài)誤差±2 ℃之內(nèi)；④閃蒸罐壓力控制在某一恒定壓力值，穩(wěn)態(tài)誤差±1 kPa 之內(nèi)；⑤閃蒸罐底部出口產(chǎn)品D 的濃度大于80%。通過(guò)實(shí)驗(yàn)使學(xué)生掌握智能控制算法的原理和實(shí)現(xiàn)方法，提高學(xué)生解決自動(dòng)化領(lǐng)域復(fù)雜工程問(wèn)題的能力。

2 控制方案設(shè)計(jì)

根據(jù)性能指標(biāo)要求，設(shè)計(jì)如圖1 所示的控制方案，該控制方案中包括多個(gè)控制回路。①進(jìn)料流量比值控制回路：該控制回路以物料B 為主動(dòng)量、物料A 和催化劑C為從動(dòng)量設(shè)計(jì)比值控制回路，其設(shè)計(jì)目的是使物料A、物料B和催化劑C 進(jìn)料比約為9∶3∶1。②混合罐液位控制回路：以混合罐液位為被控量、混合罐物料出口流量為操縱量設(shè)計(jì)單回路控制方案。③預(yù)熱器物料出口溫度控制回路：混合物料經(jīng)過(guò)預(yù)熱器進(jìn)行加熱，加熱后的物料進(jìn)入反應(yīng)器進(jìn)行反應(yīng)，預(yù)熱環(huán)節(jié)對(duì)于物料的反應(yīng)至關(guān)重要［7］，設(shè)計(jì)以預(yù)熱器物料出口溫度為被控量，以熱水流量為操縱量的單回路控制方案，使預(yù)熱器混合物料出口溫度維持在恒定溫度。④反應(yīng)器液位控制回路：反應(yīng)器的液位高度影響反應(yīng)物停留時(shí)間，進(jìn)而影響反應(yīng)速率和反應(yīng)的全程轉(zhuǎn)化率，因此設(shè)計(jì)以反應(yīng)器液位為被控量、反應(yīng)器混合物料出口流量為操縱量的單回路控制方案。⑤反應(yīng)器溫度控制回路：反應(yīng)器溫度影響反應(yīng)速率和反應(yīng)的全程轉(zhuǎn)化率，因此設(shè)計(jì)以反應(yīng)器溫度為主被控量、冷卻水流量為副被控量、冷卻水流量為操縱量的串級(jí)控制回路。⑥閃蒸罐液位控制回路：以閃蒸罐液位為被控量、閃蒸罐底部物料出口流量為操縱量設(shè)計(jì)單回路控制方案。⑦閃蒸罐壓力控制回路：閃蒸罐壓力對(duì)產(chǎn)品濃度影響較大，因此設(shè)計(jì)以閃蒸罐壓力為被控量、閃蒸罐頂部真空泵頻率為操縱量的單回路控制方案。⑧冷凝器物料出口溫度控制回路：以冷凝器物料出口溫度為被控量、冷卻水流量為操縱量設(shè)計(jì)單回路控制方案。⑨冷凝罐液位控制回路：以冷凝罐液位為被控量、冷凝罐物料出口流量為操縱量設(shè)計(jì)單回路控制方案。

圖1 聚合反應(yīng)過(guò)程控制方案

3 智能控制算法

3.1 BP-PID控制

在上述設(shè)計(jì)的控制回路中，控制器常常采用經(jīng)典PID控制規(guī)律。經(jīng)典PID控制規(guī)律表示為

式中：Kp、Ki和Kd為PID控制規(guī)律中需要整定的3 個(gè)參數(shù)，稱之為比例、積分和微分系數(shù)；e（k）為k時(shí)刻的給定值r（k）與實(shí)際輸出值y（k）的偏差，即e（k）＝r（k）－y（k）；u（k）為k時(shí)刻的控制量。

PID 3 個(gè)參數(shù)通常由人工按照衰減曲線法、臨界比例度法等進(jìn)行整定，但是人工整定過(guò)程具有耗時(shí)長(zhǎng)、參數(shù)不能在線調(diào)整等缺點(diǎn)，因此出現(xiàn)了具有優(yōu)化調(diào)整PID參數(shù)功能的模糊PID、神經(jīng)網(wǎng)絡(luò)PID等智能控制算法。神經(jīng)網(wǎng)絡(luò)PID是在經(jīng)典PID 控制規(guī)律基礎(chǔ)上，神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，通過(guò)自身學(xué)習(xí)、加權(quán)系數(shù)調(diào)整來(lái)尋找某種性能指標(biāo)最優(yōu)的PID參數(shù)。若將Kp、Ki和Kd視為依賴于系統(tǒng)運(yùn)行狀態(tài)的可調(diào)參數(shù)時(shí)，可以將式（1）描述為［8］：

式中，f（·）是與Kp、Ki、Kd、u（k－1）、e（k）、e（k－1）、e（k－2）等有關(guān)的非線性函數(shù)，由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，因此可以利用神經(jīng)網(wǎng)絡(luò)自身訓(xùn)練和學(xué)習(xí)在線整定PID 3 個(gè)參數(shù)。本實(shí)驗(yàn)對(duì)閃蒸罐壓力控制回路采用BP-PID 控制，其結(jié)構(gòu)示意如圖2 所示，采用3 層網(wǎng)絡(luò)結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò)，其輸入層節(jié)點(diǎn)分別為k時(shí)刻的設(shè)定值r（k）、實(shí)際輸出值y（k）、誤差e（k）和外部偏置值；隱含層設(shè)定為5 個(gè)節(jié)點(diǎn)；輸出層為3 個(gè)節(jié)點(diǎn)，分別為PID控制器的比例系數(shù)Kp、積分系數(shù)Ki和微分系數(shù)Kd。BP神經(jīng)網(wǎng)絡(luò)在線整定PID的步驟為［9］：①初始化神經(jīng)網(wǎng)絡(luò)權(quán)值ωij（0）、ωli（0）和相關(guān)參數(shù)，k＝1；②采集閃蒸罐壓力設(shè)定值r（k）和實(shí)際輸出值y（k），計(jì)算誤差e（k）；③由神經(jīng)網(wǎng)絡(luò)計(jì)算Kp（k）、Ki（k）和Kd（k）；④由式（1）計(jì)算u（k）作為真空泵頻率控制信號(hào)；⑤在線調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值ωij（k）和ωli（k）；⑥令k＝k＋1，返回步驟②，直至性能指標(biāo)E（k）滿足要求。

圖2 閃蒸罐壓力BP-PID控制結(jié)構(gòu)示意圖

3.2 PID神經(jīng)網(wǎng)絡(luò)解耦控制

通過(guò)實(shí)驗(yàn)研究表明，反應(yīng)器液位、反應(yīng)器溫度變化對(duì)閃蒸罐壓力產(chǎn)生影響［10］，即3 個(gè)控制回路之間存在耦合關(guān)系。為了削弱回路之間的耦合作用，分別采用PID神經(jīng)網(wǎng)絡(luò)解耦控制和無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制對(duì)3 個(gè)回路進(jìn)行解耦控制設(shè)計(jì)。

反應(yīng)器液位、反應(yīng)器溫度和閃蒸罐壓力控制回路構(gòu)成3 輸入3 輸出控制系統(tǒng)，設(shè)計(jì)如圖3 所示的PID神經(jīng)網(wǎng)絡(luò)解耦控制方案［11］。圖3 中PID 神經(jīng)網(wǎng)絡(luò)控制器由3 個(gè)PID神經(jīng)子網(wǎng)絡(luò)組成，每個(gè)神經(jīng)子網(wǎng)絡(luò)是一個(gè)具有3 層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡(luò)，輸入層有2 個(gè)節(jié)點(diǎn)，分別為設(shè)定值和系統(tǒng)實(shí)際輸出值，隱含層有3 個(gè)節(jié)點(diǎn)，分別為比例神經(jīng)元、積分神經(jīng)元和微分神經(jīng)元，輸出層有1 個(gè)節(jié)點(diǎn)，為控制量。3 個(gè)PID 神經(jīng)子網(wǎng)絡(luò)的輸入層與隱含層各自單獨(dú)連接，隱含層與輸出層之間相互連接。由PID神經(jīng)網(wǎng)絡(luò)控制器計(jì)算輸出的控制量u1（k）作用于冷卻水進(jìn)水管線閥門(mén)，u2（k）作用于變頻真空泵，u3（k）作用于反應(yīng)器底部物料出口管線閥門(mén)。

圖3 聚合反應(yīng)過(guò)程PID神經(jīng)網(wǎng)絡(luò)解耦控制

3.3 無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制

無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制無(wú)需已知對(duì)象數(shù)學(xué)模型，通過(guò)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)補(bǔ)償器實(shí)現(xiàn)解耦。通過(guò)實(shí)驗(yàn)研究可知，反應(yīng)器液位、反應(yīng)器溫度對(duì)閃蒸罐壓力產(chǎn)生單向耦合關(guān)系，設(shè)計(jì)聚合反應(yīng)過(guò)程無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制如圖4 所示，圖4 中ND1、ND2 是神經(jīng)網(wǎng)絡(luò)解耦補(bǔ)償器。無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制設(shè)計(jì)分為兩部分：各回路無(wú)模型自適應(yīng)控制器設(shè)計(jì)和神經(jīng)網(wǎng)絡(luò)解耦補(bǔ)償器設(shè)計(jì)。

圖4 聚合反應(yīng)過(guò)程無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制

（1）無(wú)模型自適應(yīng)控制器設(shè)計(jì)。無(wú)模型自適應(yīng)控制無(wú)需建立對(duì)象數(shù)學(xué)模型，利用被控系統(tǒng)的I／O 數(shù)據(jù)在線估計(jì)系統(tǒng)偽偏導(dǎo)數(shù)（Pseudo Partial Derivative，PPD），設(shè)計(jì)加權(quán)一步向前的控制器，實(shí)現(xiàn)基于數(shù)據(jù)驅(qū)動(dòng)的無(wú)模型自適應(yīng)控制［12］。針對(duì)聚合反應(yīng)過(guò)程的3個(gè)控制回路設(shè)計(jì)無(wú)模型自適應(yīng)控制器時(shí)，依據(jù)單回路設(shè)計(jì)原則，不考慮變量之間的耦合作用。以圖4 中反應(yīng)器溫度單回路控制系統(tǒng)設(shè)計(jì)為例說(shuō)明設(shè)計(jì)過(guò)程，該非線性系統(tǒng)可以表示為：

式中，f（·）表示非線性函數(shù)。當(dāng)滿足一定約束條件時(shí)，式（3）表示的非線性系統(tǒng)的緊格式動(dòng)態(tài)線性化數(shù)據(jù)模型為［13］：

式中，φ1（k）稱為PPD的時(shí)變參數(shù)，實(shí)際應(yīng)用時(shí)需要利用被控系統(tǒng)的I／O數(shù)據(jù)對(duì)參數(shù)φ1（k）進(jìn)行在線估計(jì)，得到φ1（k）的估計(jì)值（k）。由此得到反應(yīng)器溫度控制器表達(dá)式：

式中：ρ∈（0，1）為步長(zhǎng)因子；λ ＞0 為權(quán)重因子。

（2）神經(jīng)網(wǎng)絡(luò)解耦補(bǔ)償器設(shè)計(jì)。ND1、ND2 神經(jīng)網(wǎng)絡(luò)解耦補(bǔ)償器都采用動(dòng)態(tài)時(shí)延神經(jīng)網(wǎng)絡(luò)，以ND1 解耦補(bǔ)償器設(shè)計(jì)為例加以說(shuō)明。采用4-6-1 結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，輸入層有4 個(gè)節(jié)點(diǎn)，分別為控制量u1（k）、延遲信號(hào)u1（k－1）、神經(jīng)網(wǎng)絡(luò)解耦器輸出量延遲信號(hào)q1（k－1）、q1（k－2）；隱含層有6 個(gè)節(jié)點(diǎn)；輸出層的輸出為q1（k）。采用BP 算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。ND2 解耦補(bǔ)償器設(shè)計(jì)與ND1 相類似。經(jīng)解耦補(bǔ)償后得到作用于真空泵的頻率控制量

4 智能控制算法實(shí)施

4.1 基于OPC技術(shù)的實(shí)施方案

基于OPC 技術(shù)的實(shí)施方案是將智能控制算法在Matlab中編程實(shí)現(xiàn)。該方案采用OPC 作為PCS7 和Matlab之間的通信接口，將PCS7 作為OPC 服務(wù)器、Matlab作為OPC客戶端［14］，實(shí)現(xiàn)PCS7 和Matlab之間數(shù)據(jù)的傳輸。

（1）AS 站硬件配置。①在PCS7 軟件中啟動(dòng)SIMATIC Manager 軟件，新建工程并在新工程下面建立SIMATIC 400 自動(dòng)化站，然后對(duì)自動(dòng)化站進(jìn)行硬件配置。②在HW-Config視圖中組建機(jī)架，根據(jù)設(shè)備型號(hào)和訂貨號(hào)將電源模塊、CPU、通信模塊配置到機(jī)架的相應(yīng)卡槽。③新建Profibus DP 總線并在總線上組態(tài)PM125 模塊。④根據(jù)實(shí)際I／O 點(diǎn)數(shù)組態(tài)I／O 模塊的起始地址、字或字節(jié)長(zhǎng)度。

（2）OPC 服務(wù)器配置。①在SIMATIC Manager軟件的組件視圖中，添加OS 站，即新建SIMATIC PC Station。②在虛擬機(jī)架相應(yīng)卡槽上插入監(jiān)控軟件WinCC Application、通信模塊IE General 和OPC Server。③配置PC 站后，在站管理器SCE（Station Configuration Editor）中出現(xiàn)上述3 個(gè)組件。④建立AS站和OS站之間的通信連接。

使用OPC Scout工具檢測(cè)數(shù)據(jù)通信是否成功。在OPC Scout找到需要檢測(cè)通信的變量地址，如圖5 所示。如果“Quality”顯示“good”，則代表通信成功，“Value”中會(huì)顯示檢測(cè)變量的數(shù)值。

圖5 OPC通信測(cè)試

（3）OPC 客戶端配置。本實(shí)驗(yàn)在Matlab 中編寫(xiě)如下程序建立Matlab與OPC Server通信：

Obj ＝opcda（′localhost′，′OPC.SimaticNET′）；%構(gòu)造OPC數(shù)據(jù)訪問(wèn)對(duì)象Obj

connect（Obj）；%使用connect 函數(shù)將Obj 連接到服務(wù)器

當(dāng)建立PCS7 和Matlab 之間的OPC 通信后，在Matlab中編寫(xiě)程序讀取傳感器數(shù)據(jù)：

grp ＝addgroup（Obj）；%建立數(shù)組讀取數(shù)值

detectp1 ＝additem（grp，′SIMATIC 400（1）.CPU 412-5 H PNDP.PI1103′）；%讀取OPC Server 的閃蒸罐壓力數(shù)據(jù)到Matlab

detectValuep1 ＝read（detectp1）；%將數(shù)據(jù)轉(zhuǎn)化到本地中

因?yàn)镻CS7 采集的數(shù)據(jù)為十六進(jìn)制，所以在Matlab中需要編寫(xiě)程序進(jìn)行數(shù)值轉(zhuǎn)換，轉(zhuǎn)換后的壓力數(shù)值與給定值比較得到偏差e，在Matlab中編寫(xiě)神經(jīng)網(wǎng)絡(luò)PID控制算法程序，在線整定PID 參數(shù)并根據(jù)式（1）計(jì)算控制量u，用writeasync語(yǔ)句把控制量u寫(xiě)入OPC服務(wù)器，在PCS7 軟件中設(shè)置DB 數(shù)據(jù)塊，在CFC 程序中通過(guò)DB數(shù)據(jù)塊將控制量u傳輸給變頻真空泵作為其頻率控制信號(hào)。

4.2 基于SCL編程的實(shí)施方案

SCL（Structured Control Language）是結(jié)構(gòu)化控制語(yǔ)言，具有PLC 典型元素和高級(jí)編程語(yǔ)言的特點(diǎn)，適用于實(shí)現(xiàn)復(fù)雜運(yùn)算和過(guò)程優(yōu)化，因此可以采用SCL 編寫(xiě)程序?qū)崿F(xiàn)智能控制算法。以實(shí)施BP-PID控制為例，說(shuō)明程序編寫(xiě)過(guò)程。

（1）在所建工程的S7 Program Source下插入SCL Source。

（2）雙擊SCL Source進(jìn)入SCL編程環(huán)境，插入FB塊后出現(xiàn)FB塊的基本編程模板界面。

（3）在FB塊的模板中，首先將塊編號(hào)為FB1，將FB1 塊命名為BP-PID，然后定義FB1 塊的輸入、輸出和中間變量。FB1 塊中定義輸入變量的部分程序?yàn)椋?5］：

由于定義中間變量的程序較多，在此不再一一列出。

（4）根據(jù)3.1 節(jié)所述的神經(jīng)網(wǎng)絡(luò)PID 整定過(guò)程，采用IF、FOR等高級(jí)編程語(yǔ)言的方式編寫(xiě)B(tài)P-PID 程序，限于篇幅，僅列出隱含層到輸出層權(quán)值調(diào)整程序：

（5）程序編譯無(wú)誤后生成FB1 塊，在CFC中直接調(diào)用FB1 塊，編寫(xiě)CFC 程序?qū)崿F(xiàn)閃蒸罐壓力BP-PID控制，如圖6 所示。

圖6 閃蒸罐壓力BP-PID控制程序

5 實(shí)驗(yàn)結(jié)果與分析

5.1 BP-PID控制實(shí)驗(yàn)

為了對(duì)比BP-PID控制效果，首先進(jìn)行所有控制回路PID控制實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖7（a）所示。然后進(jìn)行閃蒸罐壓力單回路BP-PID實(shí)驗(yàn)研究，其他控制回路仍采用PID控制，采用SCL語(yǔ)言編寫(xiě)B(tài)P-PID 程序，實(shí)驗(yàn)結(jié)果如圖7（b）所示。圖7 中TI1103 表示反應(yīng)器溫度，AI1101 表示產(chǎn)品D 的濃度；LI1102 表示反應(yīng)器液位，PI1103 表示閃蒸罐壓力。由圖7 可知，閃蒸罐壓力在PID控制下的最大偏差約為41 kPa，從開(kāi)車(chē)到進(jìn)入穩(wěn)態(tài)（60 kPa）的時(shí)間約為600 s；閃蒸罐壓力在BPPID控制下的最大偏差約為13 kPa，從開(kāi)車(chē)到進(jìn)入穩(wěn)態(tài)的時(shí)間約為390 s。由此可見(jiàn)：與閃蒸罐壓力PID控制相比，BP-PID控制使控制系統(tǒng)超調(diào)量減小，過(guò)渡過(guò)程比較平穩(wěn)，進(jìn)入穩(wěn)態(tài)時(shí)間減小。

圖7 閃蒸罐壓力PID和BP-PID控制實(shí)驗(yàn)結(jié)果

5.2 神經(jīng)網(wǎng)絡(luò)解耦控制實(shí)驗(yàn)

采用OPC 技術(shù)進(jìn)行PID 神經(jīng)網(wǎng)絡(luò)解耦控制和無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制實(shí)驗(yàn)研究，兩種解耦控制算法均采用Matlab 編程實(shí)現(xiàn)。實(shí)驗(yàn)首先設(shè)置反應(yīng)器溫度TI1103 的設(shè)定值為95 ℃、反應(yīng)器液位LI1102的設(shè)定值為50%、閃蒸罐壓力PI1103 的設(shè)定值為60 kPa。在各個(gè)變量控制在穩(wěn)態(tài)后，分別進(jìn)行4 次設(shè)定值階躍實(shí)驗(yàn)。實(shí)驗(yàn)1：反應(yīng)器液位正向設(shè)定值階躍實(shí)驗(yàn)，將反應(yīng)器液位設(shè)定值由50%變?yōu)?0%。實(shí)驗(yàn)2：反應(yīng)器液位反向設(shè)定值階躍實(shí)驗(yàn)：將反應(yīng)器液位設(shè)定值由60%變?yōu)?0%。實(shí)驗(yàn)3：反應(yīng)器溫度正向設(shè)定值階躍實(shí)驗(yàn)：將反應(yīng)器溫度設(shè)定值由95 ℃變?yōu)?00 ℃。實(shí)驗(yàn)4：反應(yīng)器溫度反向設(shè)定值階躍實(shí)驗(yàn)：將反應(yīng)器溫度設(shè)定值由100 ℃變?yōu)?5 ℃。不同控制方案下設(shè)定值階躍實(shí)驗(yàn)結(jié)果如圖8 所示，以下對(duì)4 次實(shí)驗(yàn)結(jié)果進(jìn)行分析。

圖8 解耦控制實(shí)驗(yàn)結(jié)果

（1）實(shí)驗(yàn)1。反應(yīng)器液位設(shè)定值由50%變?yōu)?0%時(shí)，無(wú)解耦控制下，閃蒸罐壓力在25.33～77.40 kPa之間波動(dòng)，經(jīng)155 s后恢復(fù)到設(shè)定值60 kPa；PID 神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力在28.50～68.55 kPa 之間波動(dòng)，經(jīng)155 s后恢復(fù)到設(shè)定值60 kPa；無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力在47.68～66.23 kPa之間波動(dòng)，經(jīng)150 s后恢復(fù)到設(shè)定值60 kPa。

（2）實(shí)驗(yàn)2。反應(yīng)器液位設(shè)定值由60%變?yōu)?0%時(shí)，無(wú)解耦控制下，閃蒸罐壓力在65.91～58.80 kPa之間波動(dòng)，經(jīng)240 s后恢復(fù)到設(shè)定值60 kPa；PID 神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力在65.13～59.32 kPa 之間波動(dòng)，經(jīng)240 s后恢復(fù)到設(shè)定值60 kPa；無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力在64.33～59.32 kPa之間波動(dòng)，經(jīng)210 s后恢復(fù)到設(shè)定值60 kPa。由此可見(jiàn)，解耦控制使反應(yīng)器液位變化對(duì)閃蒸罐壓力的影響減小。

（3）實(shí)驗(yàn)3。反應(yīng)器溫度設(shè)定值由95 ℃變?yōu)?00℃時(shí)，無(wú)解耦控制下，閃蒸罐壓力偏離設(shè)定值的最大偏差為7.24 kPa，經(jīng)440 s后恢復(fù)到設(shè)定值60 kPa；PID神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力偏離設(shè)定值的最大偏差為6.94 kPa，經(jīng)440 s后恢復(fù)到設(shè)定值60 kPa；無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力偏離設(shè)定值的最大偏差為3.89 kPa，經(jīng)265 s 后恢復(fù)到設(shè)定值60 kPa。

（4）實(shí)驗(yàn)4。反應(yīng)器溫度設(shè)定值由100 ℃變?yōu)?5℃時(shí)，無(wú)解耦控制下，閃蒸罐壓力偏離設(shè)定值的最大偏差絕對(duì)值為5.12 kPa，經(jīng)580 s 后恢復(fù)到設(shè)定值60 kPa；PID 神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力偏離設(shè)定值的最大偏差絕對(duì)值為4.87 kPa，經(jīng)575 s 后恢復(fù)到設(shè)定值60 kPa；無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制下，閃蒸罐壓力偏離穩(wěn)態(tài)值的最大偏差絕對(duì)值為3.82 kPa，經(jīng)340 s后恢復(fù)到設(shè)定值60 kPa。由此可見(jiàn)，解耦控制削弱了反應(yīng)器溫度控制回路對(duì)閃蒸罐壓力控制回路的耦合作用。

上述分析可知，解耦控制能在一定程度上減小控制回路之間的耦合作用，兩種智能解耦控制算法相比，無(wú)模型自適應(yīng)神經(jīng)網(wǎng)絡(luò)解耦控制比PID神經(jīng)網(wǎng)絡(luò)解耦控制取得更好的解耦控制效果。

6 結(jié) 語(yǔ)

本文設(shè)計(jì)的智能控制綜合實(shí)驗(yàn)將復(fù)雜控制算法與工程應(yīng)用緊密結(jié)合，為智能控制算法應(yīng)用于工程實(shí)踐提供了實(shí)施方法。學(xué)生通過(guò)實(shí)驗(yàn)研究，可以提高學(xué)生解決自動(dòng)化領(lǐng)域復(fù)雜工程問(wèn)題的能力。