基于Mamdani模糊神經網絡漿液pH值控制研究

程換新，張國慶

(青島科技大學 自動化與電子工程學院，山東 青島 266061)

基于Mamdani模糊神經網絡漿液pH值控制研究

程換新，張國慶

(青島科技大學 自動化與電子工程學院，山東 青島 266061)

在熱電廠石灰石/石膏濕法煙氣脫硫系統中，漿液pH值對脫硫效率影響較大。針對漿液pH值的控制過程具有非線性、大滯后和變增益的特點，從脫硫效率的方向出發對漿液pH值控制進行分析與研究。選用了Mamdani模糊神經網絡來建立控制器并用于漿液pH值控制中，進一步提高網絡的尋優能力以達到更好的控制效果。通過對基于Mamdani模糊神經網絡漿液pH值控制進行Matlab設計和仿真，并與常規的PID控制對比，結果證明了該方法的有效性。

模糊控制 神經網絡 漿液 pH值控制

煤炭作為中國的主要能源之一，所產生的SO2對環境的污染比較嚴重，目前采用較多的脫硫方式是石灰石/石膏濕法煙氣脫硫。通過對漿液pH控制過程的研究將模糊控制并結合神經網絡應用到控制過程中[1-2],將兩者各自的優點結合用于控制系統，能提高系統的知識表達能力和自學習能力，在控制系統中將會表現出一定的優勢[3]。

1 石灰石/石膏濕法煙氣脫硫系統

1.1 石灰石/石膏濕法煙氣脫硫基本原理

1) 吸收反應：

2) 中和反應：

3) 氧化反應：

CaSO4·2H2O+CO2

1.2 濕法煙氣脫硫工藝流程

石灰石/石膏濕法煙氣脫硫中所用的脫硫劑主要為石灰石，脫硫系統的工藝流程如圖1所示。

皮帶給料機將石灰石倉中的石灰石送到濕式球磨機中，同時加入一定比例的工業用水后，用濕式球磨機磨制成石灰石漿液，并送入漿液罐中。旋流泵將漿液送至漿液旋流器中，經水力旋流循環分選后，不合格的漿液重新送入濕式球磨機中，合格的漿液被儲存在石灰石漿液儲罐中，再根據需要通過石灰石漿液供漿泵將漿液送至吸收塔中，用于系統需要。通常設置漿液循環泵和攪拌器來防止漿液的沉淀。

從鍋爐出來的煙氣先通過入口擋板后經增壓風機增壓和煙氣換熱器降溫后被送入到吸收塔的底部[4]。吸收塔中的煙氣由下而上運動，并與漿液循環泵輸送的石灰石液體往下流時所形成的噴淋層進行接觸，吸收掉煙氣中的SO2，此時低溫的煙氣又經過換熱器升溫后，將煙溫升到高于80℃后，通過煙道將煙氣釋放到空氣中[5]。

圖1 石灰石/石膏煙氣脫硫工藝流程示意

2 基于Mamdani模糊神經網絡漿液pH值控制回路的設計

2.1 pH值對脫硫效率的影響

在脫硫系統中漿液里的OH-濃度較高時，堿液更容易吸收SO2。pH<7時漿液呈酸性，pH值越小，說明H+的濃度越高，酸性越強，漿液吸收SO2的能力就越弱，不利于SO2的吸收。過低的pH值會促進石灰石的溶解，但是卻阻礙了SO2的吸收，必然會造成脫硫效率的降低；過高的pH值雖促進了SO2的吸收，但是同時會抑制石灰石的溶解，造成石灰石的浪費，提高了成本，同時也容易造成管道結垢和腐蝕等問題，并且影響了生成物石膏的品質[6]。在石灰石/石膏濕法煙氣脫硫中一般把漿液pH值控制在5～6。

吸收塔中漿液pH值控制一般是通過調節吸收塔中的石灰石的流量來實現，利用合理的控制方式實現石灰石較高的利用率，提高SO2脫除率。在脫硫控制中要合理控制漿液的pH值，當pH值增大時降低石灰石漿液的流量，相反就提高其漿液的流量，以保證所需要的pH值。

2.2 基于Mamdani模糊神經網絡pH值控制器設計與仿真

2.2.1 FNN控制器設計

在控制pH值時為了提高系統的精度和質量，采用模糊神經網絡對控制器進行了設計，設計時依據模糊系統的結構來確定神經網絡，目的是確保神經網絡的每一層和每個節點都和模糊系統每一部分相對應，算法上采用BP算法，最終完成對pH值的控制。

在該設計中采用了1個5層神經網絡結構： 輸入層、模糊化層、模糊推理層、歸一化層和解模糊化層。x1和x2分別表示輸入誤差e和誤差變化ec，其進行尺度變化后的值為E和EC，e為pH值期望值和實際值之間的差值，ec是兩者的變化率，網絡的輸出u為控制器的輸出，表示輸出漿液流量。輸入變量采用7個模糊語言變量值{PB,PM,PS,ZE,NS,NB},共形成49條規則，隸屬度函數采用高斯函數：u(x)=exp[-(x-m)2/σ2],其中m和σ為隸屬函數的中心和寬度。pH控制系統的模糊神經網絡的結構如圖2所示。

圖2 模糊神經網絡結構示意

1) 第1層： 輸入層。該層神經元的個數等于輸入變量的個數，且輸入變量的值是利用激勵函數傳遞給下一層神經元，該層共有2個神經元分別是偏差e和偏差的變化量ec。

(1)

2) 第2層： 模糊化層。該層有14個節點，首先對輸入的變量模糊子集進行定義，通過相應的模糊隸屬度函數，將輸入變量轉化到模糊子集論域中。神經元主要是模擬隸屬度函數，采用高斯隸屬度函數，則有

(2)

3) 第3層： 模糊規則層。該層有49個節點，該層中需要計算模糊規則的適用度aj，且神經元數目等于模糊規則的個數，其主要是完成模糊“與”的運算，在這里采用乘積運算完成“與”運算。

(3)

4) 第4層： 歸一化層。該層中也有49個節點，主要是完成歸一化的運算。

(4)

5) 第5層： 解模糊化層。該層主要是完成清晰化運算，該層有1個節點。

(5)

式中：wj——第4層和第5層之間的權值系數。

2.2.2 FNN控制算法

文中采用的誤差反向傳播算法即BP算法，該種算法首先根據大量的樣本進行網絡訓練，調整得到合適的網絡權值以及隸屬度函數，從而實現了模糊推理的控制方法，將其用于被控對象，從而達到最佳的控制效果。

(6)

設η為學習速率，可以得到各個權值的迭代公式為

(7)

所以第k層第j個神經元產生的誤差及權值修正為

(8)

(9)

(10)

因此，可以計算每一層的誤差和權值的修正值。

隸屬度函數的中心值和寬度的修正公式為

(11)

mi j(t+1)=mi j(t)+Δmi j

(12)

(13)

σi j(t+1)=σi j(t)+Δσi j

(14)

經過上述公式對參數的調整，并進行大量的訓練后，目標函數能達到期望值的要求。

3 仿真研究

選定系統的E，EC，U的論域范圍均為[-3,3],實測的pH值的偏差和偏差變化范圍為[-1,1]和[-1,1] ，控制輸出范圍為[0,20]。利用Matlab將控制器輸入量模糊化為7級，分別為正大(PB)、正中(PM)、正小(PS)、零(Z0)、負小(NS)、負中(NM)、負大(NB)，從而可以得到量化因子Ke=3，Kec=3，Ku=6。現場采集的數據需要經過歸一化處理，然后對模糊神經網絡的隸屬度參數和權值進行訓練，利用收集到數據進行訓練。

下面以傳統的PID控制方法為參考，與模糊神經網絡設計的控制器進行仿真對比。PID主調節器無擾動和有擾動的仿真與研究如圖3和圖4所示；FNN主調節器無擾動和有擾動的仿真與研究如圖5和圖6所示。

圖3 PID無擾動仿真示意

圖3所示，系統無擾動用PID進行調節時，延遲時間為15 s，峰值時間為143 s，調節時間為250 s，而系統的超調量達到25%以上。圖4所示，在750 s時，加入干擾信號，仿真曲線出現很大的波動，大約需要經過150 s系統才能達到穩定狀態，所以系統達到穩定需要比較長的時間。

圖4 PID有擾動仿真示意

圖5 FNN無擾動仿真示意

圖6 FNN有擾動仿真示意

圖5所示，在無擾動情況用FNN調節時，延遲時間為20 s，峰值時間為140 s，調節時間約為200 s，而系統的超調量為10%左右。圖6所示，在750 s時，加入干擾信號，通過仿真可看出曲線出現了波動，大約需要經過100 s系統便能達到穩定狀態。

通過以上的仿真可以得出： 系統無擾動情況下，PID控制時調節時間比較長，系統進入穩態的時間也比較長；而采用FNN控制時，調節時間明顯減少，系統相對較快地進入穩定狀態。當給系統加入擾動時，PID控制器出現較大的波動，而FNN控制器波動的幅度相對比較小，進入穩定的時間也明顯比PID控制時要短。由此看出常規PID控制響應相對慢，超調大，調節時間長；而FNN控制動態性能優于常規的PID控制，響應度快，超調小，調節時間短，并且控制比較平穩。

4 結束語

筆者采用模糊神經網絡設計了pH值控制器，最終通過PID控制和FNN仿真對比，FNN控制在反應時間、抗干擾性、魯棒性方面要優于PID的控制，更好地保持了系統的穩定性。

[1] 周至祥，段建中，薛建明.火電廠煙氣脫硫技術手冊[M].北京： 中國電力出版社，2007.

[2] Liu P Y. Analyses of Regular Fuzzy Neural Networks for Approximation Capabilities[J]. Fuzzy Sets and Systems, 2000(114)： 329-338.

[3] Yan S, Masaharu M. A New Approach of Neuro-fuzzy Learning Algorithm for Tuning Fuzzy Rules[J].Fuzzy Sets and Systems, 2000(112)： 99-116.

[4] 卓小芳.石灰石/石膏濕法煙氣脫硫系統仿真研究[D].重慶： 重慶大學，2007.

[5] 惠遠峰.濕式石灰石—石膏法煙氣脫硫系統仿真設計的研究[D].北京： 華北電力大學，2006.

[6] 唐立學.脫硫系統pH值控制的過程辨識及控制器設計[D].北京： 華北電力大學，2007.

[7] 李潔,劉晉寧.鍋爐煙氣脫硫系統中pH值的控制與實現.化工自動化及儀表,2014,41(08): 905-906,942.

Studies on Slurry pH Control With Mamdani Based on Fuzzy Neural Network

Cheng Huanxin, Zhang Guoqing

(College of Automation and Electronic Engineering, Qingdao University of Science & Technology, Qingdao, 266061, China)

s： In limestone/gypsum wet flue gas desulfurization system in thermal power plant，pH value of slurry has a great influence on desulfurization efficiency. Aiming at disadvantage of nonlinear, large lag and varing gain of slurry pH value control, slurry pH value control is analyzed and studied from desulfurization efficiency. Mamdani fuzzy neural network is used to establish the controller. It is used in the slurry pH value control to further improve search ability of network to achieve better control. Through Matlab design and simulation with control of Mamdani based on fuzzy neural network slurry pH control, as well as comparison with conventional PID control, the results prove effectiveness of the method.

fuzzy control; neural network; slurry; pH value control

程換新(1966—)，男，山東青島人，畢業于浙江大學自動化專業，現就職于青島科技大學，主要從事控制理論與應用研究，任教授，碩士生導師。

TP273

A

1007-7324(2017)04-0036-04

稿件收到日期： 2017-03-17，修改稿收到日期： 2017-06-19。