CN101598927A - 一种基于神经网络的纯碱碳化工艺控制***及其控制方法 - Google Patents
一种基于神经网络的纯碱碳化工艺控制***及其控制方法 Download PDFInfo
- Publication number
- CN101598927A CN101598927A CNA2009100394977A CN200910039497A CN101598927A CN 101598927 A CN101598927 A CN 101598927A CN A2009100394977 A CNA2009100394977 A CN A2009100394977A CN 200910039497 A CN200910039497 A CN 200910039497A CN 101598927 A CN101598927 A CN 101598927A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- network identifier
- carbonators
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于神经网络的纯碱碳化工艺控制***及其控制方法,包括神经网络控制器、神经网络辨识器、模型库、微粒群优化器、数据采集通道和碳化塔;数据采集通道实时采集碳化塔的工艺参数值,进行数据预处理,将处理后的数据传递给神经网络辨识器,神经网络辨识器进行建模,建模后的模型经过仿真修正后,神经网络控制器即可读取修正后的模型参数,生成控制参数,同时微粒群优化器对控制量进行寻优,得到一组最优控制量后,控制执行机构动作,完成对碳化塔的建模与优化控制。模型库用于存储神经网络辨识器建立的纯碱碳化塔内流量与温度模型。本发明可以对碳化塔进行建模与优化控制,提高单元的自动化水平,增加生产过程钠转换率,降低消耗。
Description
技术领域
本发明涉及纯碱行业工艺过程以及自动控制领域,特别涉及一种基于神经网络的纯碱碳化工艺控制***及其控制方法。
背景技术
纯碱(Na2CO3)是一种重要的基本化工原料,也是一种具有多年生产和使用历史的传统化工产品,它广泛地应用于化工、医药、玻璃、冶金以及造纸等诸多行业中,每年的需求量很大,在国民经济建设中占有重要的基础地位,纯碱工业的发展好坏直接关系到国民经济的发展和人民生活水平的提高。
纯碱碳化过程是制碱工艺的中心环节,机理较为复杂。碳化塔是整个纯碱生产的核心单元,既有化学反应、传热、传质、结晶等多种过程,又有气、液、固三相物质的存在,并且每塔又分为清洗和制碱两种状态,是既有连续,又有间歇的复杂生产过程。其各项操作指标完成的好坏直接关系到产品产量和质量,从而影响产品的成本和经济效益。因此改善塔内各个关键工艺参数的控制品质,提高产品的质量和产量是纯碱厂的一个重要课题。目前,国内各碱厂碳化过程虽然大多已经采用计算机控制***,如DCS和PLC等,但基本上还停留在常规仪表的手/自动控制水平,对于控制点仍采用单回路的手/自动控制,控制品质取决于连续操作水平及操作员的人工经验,控制精度较为粗糙,使得***的控制精度不高,且由于操作员频繁的人工干扰使得***的波动较大,从而难以保证满负荷生产及产品的质量,原料的利用率、钠的利用率、碳的转化率等普遍不高。
因此,对纯碱碳化过程的关键工艺参数的建模与优化,是为了能够是碳化塔的生产更平稳,波动少,降低设备损耗,降低工人的劳动强度,增加纯碱的产量,其最终目标是为了能够提高碳的转化率、钠的利用率,提高纯碱的产量和质量,提高负荷的利用率,降低成本,减少能耗,从而增加经济效益。
发明内容
本发明的目的在于克服现有技术的不足,设计一种能对纯碱碳化过程的关键工艺参数的建模与优化,并降低成本,减少能耗,从而增加经济效益的基于神经网络的纯碱碳化工艺控制***,本发明还包括该***的控制方法。
为了实现上述技术目的,本发明包括如下技术特征:一种基于神经网络的纯碱碳化工艺控制***,包括神经网络控制器、神经网络辨识器、模型库、微粒群优化器、数据采集通道和碳化塔;
所述碳化塔的输出端通过数据采集通道与神经网络辨识器输入端连接;神经网络辨识器输出端与神经网络控制器的输入端连接,并且神经网络辨识器输出端通过模型库与神经网络控制器的输入端连接;神经网络控制器输出端与微粒群优化器输入端连接,并且神经网络控制器输出端通过数据采集通道与微粒群优化器输入端连接;微粒群优化器的输出端与碳化塔的输入端连接。
更进一步的,为了实现对建模过程的仿真修正,所述神经网络辨识器包括神经网络建模模块、模型仿真模块、模型编辑模块;数据采集通道的输出端与神经网络建模模块的输入端连接;数据采集通道与模型仿真模块连接;模型仿真模块输出端与神经网络建模模块连接;神经网络建模模块输出端与模型编辑模块的输入端和模型库的输入端连接。
更进一步,所述数据采集通道包括依次连接的采集模块、数据预处理模块。
本发明还涉及一种基于神经网络的纯碱碳化工艺控制***的控制方法,包括如下步骤:a、数据采集通道实时采集碳化塔的工艺参数值,进行数据预处理;
b、处理后的数据传递给神经网络辨识器,由神经网络辨识器进行建模,建模后的模型经过仿真修正;
c、神经网络控制器读取模型参数,生成控制参数,微粒群优化器对控制量进行寻优,得到一组最优控制量后,控制执行机构动作。
更进一步的,所述步骤b包括如下步骤:
b1、神经网络辨识器的神经网络建模依据获得的数据建立数学模型;模型仿真器利用获得的数据对神经网络建模建立的模型进行有效性验证;
b2、模型编辑模块依据仿真结果对神经网络建模模块建立的非线性模型进行修正;
b3、神经网络建模模块将模型数据存储入模型库中。
更进一步的,所述步骤c包括在线工作方式和离线工作方式,当在线工作方式时,神经网络控制器根据神经网络辨识器实时建立的模型参数生成控制量,控制量在微粒群优化器进行寻优,优化的结果实时控制塔的执行机构动作;
当为离线工作方式时,神经网络辨识器不工作,神经网络控制器根据模型库中的模型参数生成控制量,微粒群优化器根据模型库存储的模型对控制量进行寻优,优化的结果控制塔的执行机构动作。
本发明与现有技术相比,具有如下有益效果:本发明控制***包括神经网络辨识器、神经网络控制器和微粒群优化器,充分利用了控制理论、最优化理论,神经网络、***辨识、微粒群算法、智能搜索算法等,对碳化工艺过程实现检测、控制、建模、优化、调度、管理和决策,达到增加产量、提高质量、降低消耗等目的的综合性技术。
附图说明
附图1是本建模与优化控制***的原理框图;
附图2是本***中的神经网络辨识器结构图。
具体实施方式
本发明的工作原理在于通过对碳化塔反应机理的分析,以黑箱建模原理,应用神经网络建模算法,根据碳化塔运行的历史数据,建立碳化塔特征(温度与流量)的非线性模型。依据建立的网络模型,应用微粒群优化算法,对输出温度寻优,得到一组流量的最优值,并将此最优值作为控制器的设定值,控制执行机构动作,实现对碳化过程的优化控制。
附图1是本***的原理框图,包括神经网络控制器1、神经网络辨识器2、模型库3、微粒群优化器4、数据采集通道5和碳化塔6;所述碳化塔6的输出端通过数据采集通道5与神经网络辨识器2输入端连接;神经网络辨识器2输出端与神经网络控制器1的输入端连接,并且神经网络辨识器2输出端通过模型库3与神经网络控制器1的输入端连接;神经网络控制器1输出端与微粒群优化器4输入端连接,并且神经网络控制器1输出端通过数据采集通道5与微粒群优化器4输入端连接;微粒群优化器4的输出端与碳化塔6的输入端连接。
***的工作过程为:数据采集通道5实时采集碳化塔6的工艺参数值,进行数据预处理,包括即进行滤波和归一化处理,将处理后的数据传递给神经网络辨识器2,神经网络辨识器2进行建模,建模后的模型经过仿真修正后,神经网络控制器1即可读取修正后的模型参数,生成控制参数,同时微粒群优化器4对控制量进行寻优,得到一组最优控制量后,控制执行机构动作,完成对碳化塔的建模与优化控制。模型库3内部存储的是用神经网络辨识器2建立的纯碱碳化塔内流量与温度模型。
附图2是本***中的神经网络辨识器结构图,包括神经网络建模模块22、模型仿真模块23、模型编辑模块24;数据采集通道5的输出端与神经网络建模模块22的输入端连接;数据采集通道5与模型仿真模块23连接;模型仿真模块23输出端与神经网络建模模块22连接;神经网络建模模块22输出端与模型编辑模块24的输入端和模型库3的输入端连接。
其工作原理为:神经网络辨识器2主要用于非线性模型的建立、仿真和校正。数据采集通道5实时获取碳化工艺中的中段气流量、下段气流量、出碱流量、中和水流量、塔中部温度(12圈温度、17圈温度、23圈温度)等的实测数据,剔出异常数据,再进行预处理,按照1∶1比例把样本数据和测验数据分组;基于样本数据,神经网络辨识器2中的神经网络建模模块22运用神经网络建模算法建立非线性数学模型;基于测验数据,利用模型仿真模块23对神经网络建立的模型进行仿真;模型编辑模块24利用仿真的结果对模型进行修正。
本发明还包括了该控制***的控制方法,包括如下步骤:
a、数据采集通道5实时采集碳化塔6的工艺参数值,进行数据预处理;
b、处理后的数据传递给神经网络辨识器2,由神经网络辨识器2进行建模,建模后的模型经过仿真修正;
c、神经网络控制器1读取模型参数,生成控制参数,微粒群优化器4对控制量进行寻优,得到一组最优控制量后,控制执行机构动作。
更进一步的,所述步骤b包括如下步骤:
b1、神经网络辨识器2的神经网络建模22依据获得的数据建立数学模型;模型仿真器23利用获得的数据对神经网络建模22建立的模型进行有效性验证;
b2、模型编辑模块24依据仿真结果对神经网络建模模块22建立的非线性模型进行修正;
b3、神经网络建模模块22将模型数据存储入模型库3中。
更进一步的,本***有两种工作方式,即步骤c包括在线工作方式和离线工作方式。
当在线工作方式时,神经网络控制器1根据神经网络辨识器2实时建立的模型参数生成控制量,控制量在微粒群优化器4进行寻优,优化的结果实时控制塔的执行机构动作。该实时建立的模型为确定控制器的参数,同时,由采集获取生产过程中的实际运行参数,利用微粒群优化算法寻优最优的流量工艺参数值,作为控制器的控制量设定值,控制执行机构动作,动态调节碳化过程的流量工艺参数。每次计算后,仅输出当前的控制量并施加给实际过程。至下一个时刻,根据新的测量数据重新计算控制量。
当为离线工作方式时,神经网络辨识器2不工作,神经网络控制器1根据模型库3中的模型参数生成控制量,微粒群优化器4根据模型库3存储的模型对控制量进行寻优,将寻优得到的最优控制量作为神经网络控制的设定值,控制碳化塔的执行机构动作,从而实现离线优化控制。
本***提供的纯碱碳化工艺过程的建模与优化控制***可以对纯碱生产的核心单元-碳化塔进行建模与优化控制,提高单元的自动化水平,稳定生产工况,增加生产过程钠转换率,降低消耗。
Claims (6)
1、一种基于神经网络的纯碱碳化工艺控制***,其特征在于:包括神经网络控制器(1)、神经网络辨识器(2)、模型库(3)、微粒群优化器(4)、数据采集通道(5)和碳化塔(6);
所述碳化塔(6)的输出端通过数据采集通道(5)与神经网络辨识器(2)输入端连接;神经网络辨识器(2)输出端与神经网络控制器(1)的输入端连接,并且神经网络辨识器(2)输出端通过模型库(3)与神经网络控制器(1)的输入端连接;神经网络控制器(1)输出端与微粒群优化器(4)输入端连接,并且神经网络控制器(1)输出端通过数据采集通道(5)与微粒群优化器(4)输入端连接;微粒群优化器(4)的输出端与碳化塔(6)的输入端连接。
2、根据权利要求1所述的基于神经网络的纯碱碳化工艺控制***,其特征在于:所述神经网络辨识器(2)包括神经网络建模模块(22)、模型仿真模块(23)、模型编辑模块(24);数据采集通道(5)的输出端与神经网络建模模块(22)的输入端连接;数据采集通道(5)与模型仿真模块(23)连接;模型仿真模块(23)输出端与神经网络建模模块(22)连接;神经网络建模模块(22)输出端与模型编辑模块(24)的输入端和模型库(3)的输入端连接。
3、根据权利要求2所述的基于神经网络的纯碱碳化工艺控制***,其特征在于:所述数据采集通道(5)包括依次连接的采集模块、数据预处理模块。
4、一种基于神经网络的纯碱碳化工艺控制***的控制方法,包括如下步骤:a、数据采集通道(5)实时采集碳化塔(6)的工艺参数值,进行数据预处理;
b、处理后的数据传递给神经网络辨识器(2),由神经网络辨识器(2)进行建模,建模后的模型经过仿真修正;
c、神经网络控制器(1)读取模型参数,生成控制参数,微粒群优化器(4)对控制量进行寻优,得到一组最优控制量后,控制执行机构动作。
5、根据权利要求4所述的基于神经网络的纯碱碳化工艺控制***的控制方法,其特征在于:所述步骤b包括如下步骤:
b1、神经网络辨识器(2)的神经网络建模(22)依据获得的数据建立数学模型;模型仿真器(23)利用获得的数据对神经网络建模(22)建立的模型进行有效性验证;
b2、模型编辑模块(24)依据仿真结果对神经网络建模模块(22)建立的非线性模型进行修正;
b3、神经网络建模模块(22)将模型数据存储入模型库(3)中。
6、根据权利要求4所述的基于神经网络的纯碱碳化工艺控制***的控制方法,其特征在于:所述步骤c包括在线工作方式和离线工作方式,当在线工作方式时,神经网络控制器(1)根据神经网络辨识器(2)实时建立的模型参数生成控制量,控制量在微粒群优化器(4)进行寻优,优化的结果实时控制塔的执行机构动作;
当为离线工作方式时,神经网络辨识器(2)不工作,神经网络控制器(1)根据模型库(3)中的模型参数生成控制量,微粒群优化器(4)根据模型库(3)存储的模型对控制量进行寻优,优化的结果控制塔的执行机构动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100394977A CN101598927B (zh) | 2009-05-15 | 2009-05-15 | 一种基于神经网络的纯碱碳化工艺控制***及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100394977A CN101598927B (zh) | 2009-05-15 | 2009-05-15 | 一种基于神经网络的纯碱碳化工艺控制***及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101598927A true CN101598927A (zh) | 2009-12-09 |
CN101598927B CN101598927B (zh) | 2011-03-30 |
Family
ID=41420396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100394977A Active CN101598927B (zh) | 2009-05-15 | 2009-05-15 | 一种基于神经网络的纯碱碳化工艺控制***及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101598927B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998973A (zh) * | 2012-11-28 | 2013-03-27 | 上海交通大学 | 一种非线性***的多模型自适应控制器及控制方法 |
CN103336433A (zh) * | 2013-04-25 | 2013-10-02 | 常州大学 | 基于反步法的混合自适应预测控制***及其预测控制方法 |
CN107544286A (zh) * | 2017-08-30 | 2018-01-05 | 浙江力太科技有限公司 | 一种蒸发工序中的***辨识方法 |
CN109520069A (zh) * | 2018-09-29 | 2019-03-26 | 珠海格力电器股份有限公司 | 电子设备控制方法、装置、电子设备及存储介质 |
CN112692147A (zh) * | 2020-12-07 | 2021-04-23 | 广东石油化工学院 | 一种轧制差厚板盒形件智能拉深控制***及方法 |
CN113435067A (zh) * | 2021-08-26 | 2021-09-24 | 阿里云计算有限公司 | 数据处理***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201449529U (zh) * | 2009-05-15 | 2010-05-05 | 广东工业大学 | 一种基于神经网络的纯碱碳化工艺控制*** |
-
2009
- 2009-05-15 CN CN2009100394977A patent/CN101598927B/zh active Active
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998973A (zh) * | 2012-11-28 | 2013-03-27 | 上海交通大学 | 一种非线性***的多模型自适应控制器及控制方法 |
CN102998973B (zh) * | 2012-11-28 | 2016-11-09 | 上海交通大学 | 一种非线性***的多模型自适应控制器及控制方法 |
CN103336433A (zh) * | 2013-04-25 | 2013-10-02 | 常州大学 | 基于反步法的混合自适应预测控制***及其预测控制方法 |
CN103336433B (zh) * | 2013-04-25 | 2016-10-19 | 常州大学 | 基于反步法的混合自适应预测控制***及其预测控制方法 |
CN107544286A (zh) * | 2017-08-30 | 2018-01-05 | 浙江力太科技有限公司 | 一种蒸发工序中的***辨识方法 |
CN109520069A (zh) * | 2018-09-29 | 2019-03-26 | 珠海格力电器股份有限公司 | 电子设备控制方法、装置、电子设备及存储介质 |
CN112692147A (zh) * | 2020-12-07 | 2021-04-23 | 广东石油化工学院 | 一种轧制差厚板盒形件智能拉深控制***及方法 |
CN112692147B (zh) * | 2020-12-07 | 2022-12-02 | 广东石油化工学院 | 一种轧制差厚板盒形件智能拉深控制***及方法 |
CN113435067A (zh) * | 2021-08-26 | 2021-09-24 | 阿里云计算有限公司 | 数据处理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101598927B (zh) | 2011-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101598927B (zh) | 一种基于神经网络的纯碱碳化工艺控制***及其控制方法 | |
CN102360181B (zh) | 基于ga-sqp混合优化策略的低温热实时优化*** | |
CN109185917B (zh) | 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及*** | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN102809928A (zh) | 一种工业企业热力设备能耗的控制优化方法 | |
CN102637020B (zh) | 一种轧钢加热炉集成型控制*** | |
CN211179084U (zh) | 一种在线粒度分析*** | |
CN105259827A (zh) | 一种固态发酵过程状况的实时监控***与监控方法 | |
CN102156496A (zh) | 一种反应釜温度混合控制方法 | |
CN109858125B (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
CN107942873A (zh) | 一种家具制造生产线的运营成本智能化核算及监控方法 | |
CN106950824A (zh) | 基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制***及方法 | |
CN201449529U (zh) | 一种基于神经网络的纯碱碳化工艺控制*** | |
CN112094050A (zh) | 光纤预制棒棒尾拉丝控制***及方法 | |
CN112023650A (zh) | 一种全工况自适应的pH调节*** | |
CN202600429U (zh) | 一种中药提取的自动控制*** | |
CN114881207A (zh) | 基于lstm深度循环神经网络的蒸汽压力预测方法及装置 | |
CN112668751B (zh) | 一种机组优化调度模型的建立方法及装置 | |
CN103439964A (zh) | 一种ocsvm监控模型的在线更新***及方法 | |
CN111639742A (zh) | 一种脱硫脱硝循环泵状态故障诊断***及方法 | |
CN101604420A (zh) | 煤气平衡模型的建立方法 | |
CN108154281A (zh) | 一种天然气净化厂能源消耗评价方法及装置 | |
CN111461449A (zh) | 一种用电负荷预测方法及计算机程序产品 | |
CN116705211B (zh) | 基于数字孪生的富氧铜熔池铜损失率在线预测方法及*** | |
CN201307225Y (zh) | 一种碳化工序优化控制器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |