基于BP神經網絡PID算法的乙烯裂解爐出口溫度先進控制研究

駱敏杰，蔡宏斌，馬 卓

（遼寧科技大學 電子與信息工程學院，遼寧 鞍山 114051）

0 引 言

乙烯是極其重要的化工基礎原料，其產量是衡量一個國家石油工業發展水平的標桿。雖然我國乙烯產能和產量均快速增長，并且已發展成為世界上僅次于美國的第二大乙烯生產國，但我國的乙烯生產自給能力依然不足，自給缺口巨大，同時需要進口大量乙烯及其衍生物來滿足需求。所以，大力發展乙烯工業，提高乙烯的產量極其必要。裂解爐是乙烯裂解的龍頭設備，也是乙烯裝置的能耗大戶，其能耗占裝置總能耗的50%～60%。而平均COT溫度是乙烯裂解爐的重要指標，溫度過高會加速爐管結焦的速度，溫度過低會導致裂解不充分，影響裂解深度，所以裂解爐平均COT溫度的研究具有十分重大的意義。

實際中的裂解爐平均COT溫度控制大多采用傳統PID控制[1]，但由于平均COT溫度經常受裂解爐烴進料量的變化、燃料氣組分變化、爐膛溫度變化等干擾因素的影響，在傳統PID控制下難以控制裂解爐這樣多變量、非線性、大滯后、多干擾的復雜系統，導致裂解爐平均COT溫度波動較大，其控制效果達不到控制要求。為此，許多企業引入了先進控制技術，并且先進控制系統在國內外已經有了大量研究，文獻[2]中設計了基于模型預測的先進控制系統，可以系統和直觀的方式處理多變量約束系統在線優化控制的問題。但其適用于慢動態過程和具有高性能計算機的環境，應用對象主要還限于線性和準非線性，對于裂解爐這種復雜的非線性系統很難控制。文獻[3]中采用的是基于內?？刂茷榛A的先進控制。該方式雖響應速度快，實際應用計算量小，魯棒性強，但其多變量內?？刂葡嚓P理論體系還有所欠缺，并對模型的精度有著較高的要求。文獻[4]所采用的模糊控制器控制也是一種先進控制技術，但其對信息的模糊處理導致系統的控制精度降低和動態品質變差，會造成經濟效益的損失。文獻[5]所采用的專家控制系統，需要設計大量的規則，可移植性差。

人工神經網絡控制被廣泛應用于工程領域，具有良好的并行能力，成為工業過程控制中極為有效的先進控制方法。隨著對人工神經網絡研究的不斷深入，有關神經網絡的理論及應用更加成熟，已廣泛應用于模式識別、智能控制等領域。其中，反向神經網絡（Back Propagation Neural Networks）是目前應用最廣的一種方法。王娜等[6]將BP神經網絡用于預測裂解爐內乙烯的收率，以及預測分析和預測控制。倪啟東[7]將BP神經網絡軟測量建模技術應用于裂解爐，實時跟蹤裂解原料與裂解爐的運行工況。

本文以乙烯裂解爐系統為研究對象，在常規PID算法的基礎上加入BP神經網絡算法，通過建模與仿真來驗證BP神經網絡PID算法應用于裂解爐系統的有效性與可操作性。應用MATLAB編制先進控制及算法，并通過OPC功能直接訪問工業組態軟件iFIX過程數據庫，從而與下位機建立實時數據交換關系，由MATLAB直接參與過程控制，驗證先進控制算法的實用性。

1 裂解爐平均COT控制方案

1.1 裂解爐COT溫度原有控制方案

如圖1所示，原控制方案采用的是爐出口平均COT溫度與燃料氣流量、燃料熱值串級控制。該控制方法根據平均COT溫度的變化來調節燃料氣熱值儀，再調控燃料氣流量控制器的設定值，進而調節閥門開度，從而改變進入爐膛的燃料氣流量，以保持出口平均COT的溫度。但在該方案中未考慮烴進料量的變化，燃料氣組分變化、爐膛溫度的變化等干擾因素對平均COT溫度的影響，導致裂解爐平均COT溫度波動較大。

圖1 常規PID控制結構

1.2 裂解爐COT溫度先進控制方案

裂解爐出口平均COT溫度是裂解爐最重要的被控變量，設計裂解爐爐管平均COT溫度先進控制器，增強回路的抗干擾能力，縮短對設定值變化的動態響應，提高穩態精度。采用兩層串級控制，即燃料氣流量控制和平均COT溫度控制兩層串級。對烴進料流量、爐膛溫度等可測干擾變量采用了前饋調節，消除或減弱對COT溫度的影響。如圖2所示，采用先進控制技術來優化裂解爐的平均COT溫度[8]。

圖2 先進控制結構

1.3 BP神經網絡

在傳統PID控制中，對裂解爐這樣復雜的且要求控制精度高的對象難以穩定、快速、準確地控制，同時也不能滿足于工業需求。本文采用BP神經網絡利用其非線性映射、自學習能力結合常規PID控制來克服乙烯裂解爐的復雜控制過程。該系統采用的是3層BP神經網絡系統，其結構如圖3所示，其包括輸入層、隱含層、輸出層[9]。

圖3 三層BP神經網絡結構

網絡輸入層的輸入為：

網絡隱含層的輸入輸出為：

隱含層神經元激活函數取正負對稱的Sigmoid函數：

網絡輸出層的輸入輸出：

式中，KP、KI、KD是PID控制器的3個參數，分別對應BP神經網絡輸出層的輸出節點。在實際應用中，由于KP、KI、KD不能為負值，因此輸出層的神經元激活函數應當取非負的Sigmoid函數：

取性能指標函數為：

使用梯度下降法迭代修改神經網絡的權值，即對E(k)按其加權系數負梯度方向進行搜索調整，使其快速收斂的慣性項為：

式中：η為學習效率；α為慣性系數。

1.4 BP神經網絡PID控制

將BP神經網絡算法與PID控制相結合，采用BP神經網絡PID參數自整定控制算法，可以改善PID控制在非線性系統中存在的不足。采用BP神經網絡PID控制系統結構如圖4所示，它依靠系統運行的狀態來調節PID參數，完成期望輸出[10]。

圖4所示的神經網絡控制器由BP神經網絡和傳統PID控制器組成。輸出層神經元的輸出狀態與PID控制器的KP、KI、KD相對應。通過神經網絡的自學習輸出最佳的控制參數KP、KI、KD。PID控制算法如式（8）所示：

圖4 基于BP神經網絡的PID控制器

2 基于iFIX的OPC通信

由于iFIX和MATLAB均支持OPC技術，所以iFIX和MATLAB可以通過OPC實現數據通信。在MATLAB軟件中，集成了OPC工具箱，這是一個服務器和客戶端互訪的通信機制OPC客戶端數據訪問軟件，實現了對OPC服務器數據的讀和寫。借助該工具箱，可以方便實現MATLAB客服端與iFIX服務端之間的數據通信[11]。

iFIX既可以作為OPC服務器，也可以作為OPC客戶端。開發人員可以從任何一個OPC服務器直接獲取動態數據，并集成到iFIX 工作臺內。如圖5所示，在iFIX界面設計乙烯裂解爐模型，建立工業生產的過程化窗口[12]。

圖5 乙烯裂解爐系統模型

3 乙烯裂解爐控制系統設計

3.1 乙烯裂解爐平均COT溫度模型測試

為了獲取反映乙烯裝置裂解爐正常生產過程中影響平均COT溫度相應過程的數學模型，采用了階躍測試的方案。具體操作時，將采用階躍測試的辦法。具體所施加的階躍幅度，將結合工藝要求以及裝置的實際情況。在不影響正常生產的前提下，所加的階躍幅度應盡可能地激勵出過程動態特性和穩態特性。一般情況下，流量的階躍幅度控制應在量程的5%～10%，溫度的階躍幅度控制在5～10℃。圖6所示為過程輸出響應，每次施加的測試信號由一個正向階躍和一個負向階躍構成[13-14]。

圖6 過程輸出響應

根據現場調研以及對裂解爐工藝機理的分析，本次測試中所有的控制回路均采用一階慣性純滯后模型來近似描述。

3.2 仿真測試

經過模型測試測得被控對象的數學模型為：

在SimuLink仿真中，編寫基于S函數的BP神經網絡PID控制的m文件，命名為BPPIDS.，然后在SimuLink Library Browser中搜索OPC，找到OPC Configuration，OPC Write，OPC Read與iFIX中的數據庫相匹配，配置需要讀入模塊的參量。先點開 OPC Configuration，構建OPC協議，之后再打開OPC Write。首先觀察是否已創建Localhost/Intellution.OPCiFIX.1，然后在 Item IDS 上點擊Add Items選項。找到在iFIX 數據庫中設立的數據庫模擬輸出變量AOCV，最后選擇的名稱為F-CV。然后點擊“OK”。同理，設置其他OPC Write 模塊[15-16]。

建立SimuLink仿真，如圖7所示。

圖7 基于BP神經網絡的PID控制

在iFIX中運行系統，可以實時觀察到在先進控制下的平均COT溫度變化曲線、燃料氣流量變化曲線。

將采用常規PID控制和BP神經網絡PID控制的裂解爐系統進行仿真比較。BP神經網絡控制的平均COT溫度變化曲線如圖8所示，PID控制的平均COT溫度變化曲線如圖9所示。

圖8 BP神經網絡PID控制的平均COT溫度變化曲線

圖9 PID控制的平均COT溫度變化曲線

兩種控制下的操縱變量燃料氣流量變化情況如圖10、圖11所示。

圖10 BP神經網絡PID控制下的燃料氣流量變化曲線

從圖8～圖11可以看出，BP神經網絡PID參數自調整算法有著良好的動態性能。在加入操縱變量燃料氣流量時，BP神經網絡PID控制的平均COT溫度變化曲線動態性能更好。兩算法的平均COT溫度性能比較見表1所列。

圖11 PID控制下的燃料氣流量變化曲線

表1 控制算法動態性能比較

從表1可以看出，采用BP神經網絡PID控制算法后，上升時間從471.583 s減少到278.417 s，調整時間從1 052.070 s減少到854.961 s，超調量從8.8%下降到5.3%。

經過對比可以看出，先進控制投用前后平均COT溫度變化差異明顯，投用前的控制曲線較為緩慢，且超調比較大，而先進控制投用后的平均COT溫度具有更快的響應速度和更低的超調，表明先進控制器可以很好地濾除干擾，具有較強的魯棒性。并且在BP神經網絡PID控制下裂解爐的閥門動作較小，可延長其工作壽命。

同時，iFIX也能作為操作者的監控界面，除了能夠看到完整的系統運作時的整體趨勢，也能實時看到準確的數值，證明這是一個有利于工業生產的過程化窗口[17]。

4 結 語

本文建立了乙烯裂解爐BP神經網絡PID控制系統的模型，并進行仿真。通過與常規PID控制的乙烯裂解爐系統比較說明：BP神經網絡PID控制算法應用于裂解爐系統時，響應速度明顯提高，具有較強的魯棒性，動態性能也明顯增強。并通過工業組態軟件iFIX與MATLAB通過OPC對數據建立通信。可以將實時數據輸入MATLAB，將純數字仿真變成實物仿真，在iFIX圖形界面建立實時輸出曲線，實現過程控制，極大提高iFIX的利用，方便我們觀察研究。

通過對平均COT溫度變化曲線進行仿真研究，說明了BP神經網絡PID控制算法應用于乙烯裂解爐系統的有效性與可操作性，同時可以滿足高精度的控制要求。在工業組態軟件iFIX進行實時監控，有利于基于復雜算法的故障診斷和過程控制的設計與實現。