模糊神經PID在空分液位控制中的應用

宋星星

（南京工業大學 電子與信息工程學院，南京 211816）

空分裝置主要是為氣化裝置提供生產所需的中壓高純度氧氣，同時為生產裝置提供密封、吹掃所需的氮氣。它的主要步驟為：空氣在空冷塔遇冷，分子篩凈化，精餾塔分餾，最后氮氣氧氣出冷箱。整個過程常見的問題就是液位問題[1]。空氣進入空冷塔遇冷涉及液位問題，空冷塔中的水位要保持在一定范圍內，否則會影響后面步驟的準確實施。

液位調節存在非線性和時變性，傳統的PID調節器關鍵在于比例、積分和微分系數的選取，整定這些參數會遇到很多問題，因此傳統PID控制對復雜控制系統運用效果不是很理想。對于液位控制，當系統參數變化或工作條件變化時，傳統PID控制很難得到理想效果。而運用模糊神經智能控制系統，模糊控制具有魯棒性強和對參數變化不敏感等特點，但控制規則是由設計者和操作人員的經驗獲得，受設計者或操作人員經驗的局限性。而神經系統具有學習能力和預測自適應能力，通過訓練及時調整控制規則，兩者結合不僅克服了常規PID控制的不足，而且達到了很好的控制效果，從而大大提高了產品產量。針對空分裝置特點，使用了模糊神經控制，該系統具有自學習和自適應能力，并且在擾動環境下，具有良好的魯棒性，可滿足控制要求。

1 空冷塔液位模糊神經控制系統的結構

原料空氣經過濾后再通過空壓機壓縮，從左方進入空氣冷卻塔進行遇冷，冷卻水從空冷塔的右方分段進入空冷塔，空氣自上而下經過空氣冷卻塔，在冷卻的同時也被清洗。該系統的液位一般維持在1000 mm左右，在此空冷塔內部的下方有一個液位傳感器，液位傳感器上引出的線接到PLC的模擬輸入點上，在PLC上可以讀到液位值，調節閥101與傳感器相連，通過調節閥101的開度，以調節出水流量的大小，當液位計測出實際液位高于設定值時，自調閥101的閥門開大，反之就開小，在空氣流入量基本保持不變的情況下，調節出水量來保證空冷塔的液位維持在恒定的值。空冷塔液位控制方案如圖1所示，模糊神經系統框圖如圖2所示。

圖1 空冷塔液位控制圖Fig.1 Chart of cooling tower level control

圖2 液位調節系統結構圖Fig.2 Structure of level adjustment system

2 模糊神經控制器的設計實現

把液位偏差 e（t）=s-sp 和液位偏差變化率 ec（t）=作為輸入量，調節閥開度作為輸出信號u，通過神經網絡模糊推理機的知識和推理模型相對應，構造模糊控制規則的知識結構[2]，把液位偏差e對應的x1和液位偏差變化率ec對應的x2按照

如果x1=并且x2=那么輸出

{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}

e和 ec將在正負方向變化，所以論域［-6，6］被分成7種語言變量值

［負大，負中，負小，零，正小，正中，正大］

用符號表示為

［NB，NM，NS，ZO，PS，PM，PB］

基于以前的經驗知識和重復的實驗，設定模糊控制規則表。其實現過程是在Matlab命令窗口中輸入Fuzzy然后按回車鍵進入模糊規則的組建，規則表如表1所示。

表1 模糊控制規則表Tab.1 Rule table of fuzzy control

模糊神經網絡的結構如圖3所示。

圖3 模糊神經網絡結構Fig.3 Fuzzy neural network structure

第1層為輸入層，液位偏差e和液位偏差變化率ec對應2個輸入。

第2層為語言變量層，計算輸入變量的隸屬度。隸屬函數采用高斯函數。

其中：ci，j為函數的中心值，ci，j的值取決于模糊子集的劃分；δi，j為函數的寬度值。 式中 i=1，2； j=0～6。

第3層為規則層，計算出每條規則的適用度。該層對應的規則數為49條。

i=1～49；d=1～7；m=1～7； f（1，d）和 f（2，m）表示第2層的輸入層。

第4層為歸一化層，節點數與第3層相同，實現歸一化計算。即

第5層為輸出層，實現計算的歸一化。

其中，wk為神經元的權值。

3 模糊神經控制器的學習算法

模糊神經控制器的學習目的是修正網絡中的權系數wk以及對高斯函數的中心值 ci，j和寬度 δi，j進行參數調節的過程。

為了尋找參數 wk，ci，j，δi，j使得實際輸出與期望輸出的誤差最小，這里采用梯度算法[3]表示

采用 Delta 規則計算 Δwi，Δci，j和 Δ δi，j。

更新之后的各個參數為

4 系統仿真

液位控制系統在石化企業中是被廣泛應用的一種被控對象，為典型的一階慣性純延時系統，傳遞函數模型可近似為[4]

其中：采樣時間為0.25 s；延時時間為4個采樣時間，即τ=1；時間常數T=6.7；比例系數k=0.39。 空冷塔的液位設定值為1 m，采用S_function的M語言[5]進行Sinulink仿真PID和模糊神經PID的控制效果如圖4所示。

圖4 普通PID和模糊神經PID仿真圖Fig.4 Normal PID and fuzzy neural PID simulation

由圖4可知，模糊神經PID控制上升時間tr為161 s，延遲時間 td為 60 s，峰值時間 tp為 188 s，調節時間ts為234 s，超調量為1.02%；傳統PID控制上升時間 tr為 180 s，延遲時間 td為77 s，峰值時間 tp為 240 s，調節時間 ts為 387 s，超調量為 4.82%；由系統的調節時間ts和峰值時間tp的對比可知，模糊神經PID控制較傳統PID控制具有更短的控制時間，由td和上升時間tr可知，模糊神經PID控制具有更快的響應速度，由超調量可知，模糊神經PID控制具有更好的穩定性。因此，與傳統PID控制相比較，模糊神經PID對空冷塔液位進行控制具有更好的響應速度、控制時間和穩定性。具體的控制指標參數如表2所示。

表2 普通PID和模糊神經PID性能指標Tab.2 Performance indicators of normal PID and fuzzy neural PID

在實際生產中生產周期是一個重要指標，超調量模糊神經控制相比于普通PID明顯變小，調節時間也大大減短。投入實際生產后，減少了成本。空分裝置是整個石化企業生產的關鍵，因此控制的改進將大大提高該企業的經濟效益。

5 實時監測畫面

空冷塔液位控制系統由上位機和下位機控制器2部分組成，下位機用西門子的S7-400完成現場采點及主要邏輯編程，上位機用監控組態軟件Intouch對現場數據的監控。Intouch利用Wonderware I/O Server的驅動程序，通過以太網卡與下位機S7-400進行數據通訊，包括數據采集和發送數據指令。通過這種方式建立了一個完整的組態軟件和通訊程序通訊系統，以便對現場數據進行實時了解，確保系統的高效運行。

將模糊神經控制運用到此控制中的效果圖如圖5所示。

圖5 液位控制實際生產效果圖Fig.5 Actual production renderings of level control

圖5 為預冷系統的監控畫面，模糊神經PID回路控制LICA101B來控制空冷塔的液位，主要記錄了液位的設定值SP，實際液位值PV，和101閥的開度MV，當SP值增大時，調節閥的開度會自動減小。在運用模糊神經PID控制后與之前普通PID在相隔相同時間產品氧氮的產量相對比后，有了明顯的提高，流量累計是指在一段時間內流量的累積量，如表3所示。

表3 普通PID和模糊神經PID產品流量累計Tab.3 Cumulative product flow of normal PID and fuzzy neural PID

6 結語

本文分析了空分裝置非線性、大時滯和時變性等特點，針對以上特點，設計了控制方案，并使用了模糊神經網絡PID控制。通過Simulink進行仿真，仿真結果證明，與傳統PID控制相比較，模糊神經PID對空冷塔液位進行控制具有更好的響應速度、控制時間和穩定性。在理論分析的基礎上，將模糊神經網絡PID控制應用到圖5的LICA101B PID控制回路中，結果表明，使用模糊神經網絡PID后，空分裝置明顯提高了效率，增加了產量，為企業提高了一定的經濟效益。

[1] 張備.空冷塔液位控制的優化[J].化工自動化及儀表，2012，39（6）：807-809.

[2] 王艷紅.模糊控制在油脂工業液位自動調節系統中的應用[J].河南工業大學學報：自然科學版，2006，27（4）：73-75.

[3] 韓春宇，王濤，鮑成磊.模糊神經系統的設計與應用研究[J].遼寧工業大學學報：自然科學版，2013，33（5）：347-350.

[4] 羅庚興.基于PLC和Wincc的水箱液位模糊控制研究與應用[J].工業儀表與自動化裝置，2011（5）：77-81.

[5] 周品.MATLAB神經網絡設計與應用[M].北京：清華大學出版社，2013：337-350.