1 引言
中和反应广泛的存在于各种工业生产过程中,尤其在化工、食品、环保等行业。中和反应过程中最重要的问题是对pH值的控制,将pH值控制在期望的范围内才能保证工业生产的正常进行。但是pH值控制问题是过程控制中的难题之一,主要是因为中和反应过程中酸碱滴定曲线具有高度的非线性,同时中和反应一般在大容器和循环管路中进行,使得系统反应带有很大的时滞性。非线性和时滞性给pH值控制带来极大困难,传统的PID控制在实际过程中难以取得良好的控制效果。
随着控制理论的发展, 对pH值控制给出了一些有效解决方法,如非线性控制、Wiener 模型辨识与预测控制、模糊控制等[1-3]。由于过程控制中对稳定性和快速性的要求和设备本身的限制,较复杂的控制算法难以在实际的pH控制中得到应用。在PID控制的基础上,本文将神经网络学习算法与传统的PID控制相结合,设计单神经元自适应控制器,提高酸碱中和反应过程中pH值控制的动态性能和抗干扰性。
2 中和反应过程中pH值的动态模型
一般化工过程中,酸碱中和反应是在反应池(CSTR)中进行的,系统如图1所示。图中流入物是酸液(被调液体),本文不考虑液位和温度变化等方面的问题,假设溶液被充分的搅拌和混合,溶液中密度是均衡的,所有的离子完全融解,中和反应正常进行,通过控制加入的中和液(碱液)流量,使得流出生成液的 pH 值达到设定值。
中和反应过程中pH值变化的动态模型[4]
式中,
分别为未发生化学反应时中和池内的酸碱浓度;
为被调液的流量;
为被调液的氢离子浓度;
为中和液的流量，
为氢氧跟离子浓度;
为平衡常数,在25℃时,
;y为生成液中氢离子浓度。
系统的干扰主要来源于被调液,被调液的氢离子浓度在中和反应过程中可能发生变化,为了保证中和反应正常进行,以中和液的流量
为控制量,生成液的pH值为输出量,设计控制器使得生成液的pH值稳定于设定值。
3 单神经元自适应控制器
神经网络具有优良特性,它可以任意逼近线性或非线性系统,可以实现几乎所有的常规非线性与不确定系统的控制。由不同个数的单神经元可以组成不同层数、不同结构的神经网络。但神经网络层数越多,结构越复杂,权值学习时间越长,越不利于实时控制。神经网络的单个神经元就具有自学习与任意函数逼近的能力[5]。鉴于单神经元控制器适宜于作为多输入单输出的非线性处理单元,具有自学习与自适应性、结构简单、计算量小、权值学习时间短、易于实现等优点,将其与传统的PID控制相结合,提高中和反应过程中pH值控制效果。单神经元自适应控制的结构如图2所示。
神经元自适应控制器通过对加权系数的调整来实现自适应、自组织功能, 故可大大提高控制系统的鲁棒性[6]。加权系数的调整采用有监督的Hebb学习算法
为保证上述单神经元自适应控制器学习算法式(3)和式(4)的收敛性和鲁棒性, 对上述学习算法进行规范化处理[7]
（6）
4 仿真实验
本文对pH值控制进行Matlab仿真实验,并与PID 控制效果进行对比,检验单神经元自适应控制器的控制性能。中和反应仿真模型参数设定为:被调液的流量
中和液的
中和反应池的容积
生成液的pH值设定为7。在中和反应中,要求生成液的pH值尽快达到设定值,同时系统超调量要小;在被调液突加扰动的情况下,系统具有一定的抗干扰性。
4.1 系统动态性能研究
首先,用传统PID 控制器对式(1)动态模型进行控制仿真,pH值响应曲线如图3中虚线所示。在相同仿真条件下,用单神经元自适应控制器代替PID控制器进行实验,pH值响应曲线如图3中实线所示。
从图中可以看出,中和反应以设定参数进行时,在PID控制下生成液的pH值曲线超调大,响应时间较长。而在相同仿真条件下,单神经元自适应控制响应快,pH值曲线上升时间短,超调较小,动态性能较好。
4.2 系统抗干扰性研究
设定被调液的流量
保持不变,被调液的氢离子浓度
在3s处出现扰动,当被调液扰动的幅度为1%时,分别采用单神经元自适应控制器和PID控制器的pH值响应曲线(实线为自适应控制,虚线为PID控制)如图4所示。
图中可以看出系统输出均能恢复到设定值,但自适应控制器的响应曲线波动较小,过渡时间短,表现出很强的适应性与鲁棒性。
在相同的仿真条件下,当被调液扰动的幅度为时,pH值响应曲线(实线为自适应控制,虚线为PID控制)如图5所示。
从图中可以看出采用 PID 控制时,pH值曲线超调量大,调整时间长;而采用自适应控制,pH值曲线的超调量略微增大,并且保持较小的过渡时间。实验结果表明相对于PID控制,单神经元自适应控制器具有良好的抗干扰性能。
5 结束语
本文针对酸碱中和反应中pH值的控制问题,做如下研究:
1) 根据酸碱中和反应中pH值变化的动态数学模型设计单神经元自适应控制器;
2) 利用神经网络的学习算法,与工业生产过程中广泛使用的PID控制相结合,改善PID控制的动态性能;
3) 通过与PID控制对比实验,验证单神经元自适应控制器对非线性pH值控制具有较强的抗干扰性。
参考文献:
[1] J C Go MEZ,A JUTAN,E BAEYENS.Wiener model identification and predictive control of a pH neutralization process[J].IEEE Proc-Control Theory Appl,2004,151(3):329-338.
[2] HUANG G S,DEXTER A L.Realization of robust nonlinear model predictive control by offline optimization[J].Journal of Process Control,2008,18(5):431-438.
[3] 何术利,周海燕,洪厚胜.智能模糊自调整PID控制器在发酵过程pH值控制中的应用[J].河北科技大学学报,2008,29(1):36-37.
[4] 王树青,戴连奎,于玲.过程控制工程(第二版)[M].北京: 化学工业出版社,2008.
[5] 潘庭龙,纪志成.DC/DC变换单神经元自适应PID控制器仿真研究[J].控制工程,2008,15(6):559-660.
[6] 王秀君,胡协和.一种改进的单神经元PID控制策略[J].浙江大学(工学版),2011,45(8):1499-1500.
[7] 杨友林.基于神经网络的PID参数自整定控制及其Matlab仿真研究[J].甘肃联合大学学报(自然科学版),2011,25(4):62-63.
作者简介:杨友林(1978-),男,讲师,研究方向:智能控制。