基于模糊神經網絡分類器的精餾塔溫度控制器設計

谷玉凱， 楊滁光， 王華強， 王健波

（1.合肥工業大學 電氣與自動化工程學院，安徽 合肥 230009；2.安徽安利合成革股份有限公司，安徽 合肥 231202）

二甲基甲酰胺（DMF）是工業濕法的合成革生產中最重要的材料之一，因其價格昂貴，又具有巨大的污染性，因此需要進行專門的回收處理［1］。DMF的回收采用多塔精餾工藝，屬于典型的化工精餾的過程。

在控制系統實際運行過程中，精餾塔的溫度控制在回收監控系統中占有非常重要的地位。但精餾塔的溫度受精餾塔液位、進出料流量、塔內壓力、塔頂回流流量等因素影響，工藝參數關聯度高，非線性程度高，被控對象的精確數學模型難以建立，常規的PID控制難以做到實時有效的控制。因此，針對這些特點，大部分企業暫時只能運用手動控制輸出來解決控制不穩定的問題。

近年來，作為智能控制的重要組成部分，模糊神經網絡控制得到了極大的發展，越來越多地被應用在工業控制領域。模糊神經網絡既具有神經網絡的并行計算、分布式信息存儲、容錯能力強以及具備自適應學習功能等一系列優點，又具備模糊邏輯在處理不確定性、非線性和其他不適定問題上的優勢，是解決上述問題的有效工具［2］。因此，本文在綜合分析精餾塔溫度控制特征的基礎上，實現了基于模糊神經網絡分類器的精餾塔溫度控制器設計。

1 系統分析

精餾塔溫度控制子系統是項目控制的重點和難點。DMF廢液通過二級濃縮塔完成初步的濃縮后，在精餾塔完成精餾，DMF質量分數達到99%，再通過脫酸等工藝得到產品純凈的DMF，實現回收過程［3］。

精餾塔工藝流程如圖1所示。

影響精餾塔溫度的因素有導熱油溫、導熱油閥門開度、精餾塔液位、進出料流量、塔內壓力、塔頂回流流量等。導熱油溫度比較穩定。因此，選擇導熱油閥門開度作為精餾塔溫度調節的輸出，通過增大、減小導熱油閥門開度來調節精餾塔的溫度。閥門的開度為0～100。在實際操作過程中，閥門是由氣動控制，閥門的開關不能過于頻繁，且閥門不能隨擾動抖動，以免造成對閥門的破壞，因此，人工操作時只選用整數值。本文應用模糊神經網絡學習熟練工人的操作習慣，因此結合工人的操作習慣和系統的使用性，對閥門控制分類，見表1所列。

圖1 精餾塔的工藝流程

表1 閥門開度分類

精餾塔液位、進料流量與溫度耦合比較嚴重，影響非常大，可以作為精餾塔溫度調節的輸入條件。精餾塔的出料溫度比較恒定，其過程可以從液位的變化上來體現，屬于次要條件，可以不作為輸入。塔內壓力自成閉環控制，對溫度的影響也不大，也不作為輸入條件。精餾塔的回流是回流到二級濃縮塔，對二級濃縮塔提供熱量，回流到精餾塔時的溫度與從二級濃縮塔進料的溫度相同。故輸入采取進料流量與回流流量之和記為流量作為輸入條件之一。精餾塔的實時溫度是溫度控制的重要參數。因此選擇精餾塔液位、流量、塔內溫度作為系統的輸入，閥門的開度作為系統的輸出，輸出的值即為閥門的開度類別，工作原理如圖2所示。

圖2 模糊神經網絡分類器工作原理

2 模糊神經網絡的結構和學習算法

模糊神經網絡的結構和學習算法，是模糊神經網絡分類器的基礎［4］。下面介紹其結構和算法，同時，選取模糊神經網絡分類器的各結點點數、隸屬度函數和學習率等，供模糊神經網絡分類器實現時使用。

2.1 模糊神經網絡的結構

模糊神經網絡的結構如圖3所示。

圖3 模糊神經網絡的結構

（1）第1層為輸入層。該層的各個結點直接與輸入向量的各分量xi連接，起著將輸入值x＝［x1x2…xn］T傳送到下一層的作用。綜上所述，本文輸入結點數n＝3。

（2）第2層的每個結點代表一個語言變量值，如NB、PS等。它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬度函數，即

其中，i＝1，2，…，n；j＝1，2，…，mi；n＝3；mi是xi的模糊分割數。為了同時兼顧控制精度和學習算法的實現難易程度，本次建模m1、m2、m3分別取為5、5、5。

本次建模采取高斯函數表示的鈴形函數作為隸屬函數，則有：

其中，cij和σij分別表示隸屬函數的中心和寬度，該層的結點數為：

（3）第3層的每個結點代表一條模糊規則，它的作用是匹配模糊規則的前件，計算出每條規則的適用度，即

其中，i1∈｛1，2，3，4，5｝；i2∈｛1，2，3，4，5｝；i3∈｛1，2，3，4，5｝；j＝1，2，…，m；m＝m1m2m3＝5×5×5＝125。

該層的結點總數N3＝m＝125。對于給定的輸入，只有在輸入點附近的那些語言變量值才有較大的隸屬度值，遠離輸入點的語言變量值的隸屬度很小。

（4）第4層的結點數與第3層相同，即N4＝N3＝m＝125，它實現歸一化計算，即

（5）第5層是輸出層，它所實現的是清晰化計算，即

其中，wij相當于yi的第j個語言值隸屬函數的中心值［5］。

2.2 學習算法

由于輸入分量的模糊分割數已經確定，需要學習的參數只有最后一層的連接權wij（i＝1，2，…，r；j＝1，2，…，m），以及第2層的隸屬函數的中心值cij和寬度σij（i＝1，2…，r；j＝1，2，…，m）。取誤差代價函數為

其中，ydi和yi分別表示輸出和期望輸出。利用誤差反傳算法計算，然后利用梯度尋優算法來調節wij、cij和σij。最后給出的參數調整的學習算法為：

其中，i＝1，2，…，n；β＞0為學習率［6］。

2.3 模糊神經網絡分類器

模糊神經網絡分類器是基于數據的建模方法，該系統中的模糊隸屬函數及模糊規則是通過對大量已知數據的學習得到的，這對于那些特性還不被人們所完全了解或者特性非常復雜的系統尤為重要［7］。

給定輸入結點數、模糊分割數、隸屬度函數的種類以及處理過的樣本數據，通過以上的學習算法，分類器能計算出模糊隸屬函數和模糊規則，完成訓練。訓練完成后，給定輸入，分類器能計算出輸出的數值，通過輸出函數選定輸出的類別［7］。

3 分類器的設計、實現與驗證

模糊神經網絡分類器的實現主要是依靠對熟練工人正確操作的學習，通過多次學習，使訓練誤差趨近于0［8］。通過智能學習，分類器能代替人工做出判斷，完成對導熱油閥門開度的控制過程。

3.1 樣本的選取

樣本的選取對模糊神經網絡分類器的設計來說，最為重要。取正常控制時液位的論域為［550，1 300］，溫度的論域為［108，184］，流量的論域為［2.0，5.2］，如果超出論域，將會顯示報警。

選取工人操作最正確、控制效果最穩定、產品質量最好、能覆蓋全部論域的110組數據。其中80組數據用于對模糊神經網絡分類器進行訓練，30組數據在訓練完成后對設計結果進行驗證，檢驗分類器的學習效果。選取的部分樣本數據見表2所列，驗證數據見表3所列。

表2 部分樣本數據

表3 驗證樣本數據

3.2 樣本數據的標準化

為了提高運算精度和誤差精度，需要對訓練樣本及測試樣本進行數據的標準化。樣本數據的標準化只對樣本數據進行預處理，使其特征值反應在［0，1］區間上。樣本每個指標的平均值為：

標準差為：

原始數據的標準化為：

運用極值標準化公式，將標準化數據壓縮到［0，1］內，即

則表2第3行經過標準化的數據為：

3.3 分類器的實現

本文使用MATLAB軟件的ANFIS編輯器進行建模。打開ANFIS編輯器，加載標準化樣本數據生成的dat文件為Training data。通過上文的介紹，依次選取各輸入的模糊分割數為5、5、5，選擇高斯型函數作為隸屬度函數，選擇輸出為constant，編輯FIS結構，即完成模糊神經網絡分類器的 MATLAB建模［9］。

通過神經網絡對生成的FIS進行訓練，逼近均方誤差曲線圖如圖4所示。分析圖4可以發現，當訓練次數為6時，誤差已經接近于0，結果收斂快且誤差較小，說明本文應用的神經網絡結構及各種參數比較合適。

圖4 FIS的訓練誤差

3.4 分類器的驗證

將測試樣本的閥門開度作為檢測集，經過標準化處理的測試樣本經過ANFIS后其輸出散點對比如圖5所示。除檢測樣本7和樣本23外，均檢測為正確。相對誤差＝（輸出開度－檢測開度）／檢測開度［10］，結合表1，計算出樣本7和23的相對誤差分別為0.015 2和0.015 4。可以看出，分類器實現了對人工操作經驗的智能學習，智能學習的準確度很高。

圖5 分類器測試樣本輸出

4 結束語

本文提出了一種基于模糊神經網絡分類器控制精餾塔溫度的控制方案和MATLAB實現，解決了精餾塔溫度控制由于受到系統耦合性強、非線性高、數學模型難以建立等問題的影響而只能采取人工控制的問題，并驗證了其對人工操作智能學習的準確性，具有一定的工程應用價值。

［1］ 孫一新，李宏光.DMF回收精餾塔開車過程控制任務的Pe－tri網 建 模 及 分 析 ［J］.化 工 自 動 化 及 儀 表，2008，35（5）：27－32.

［2］ 王華強，袁 浩，楊滁光.自適應模糊神經網絡在EPS中的應用 ［J］.合 肥 工 業 大 學 學 報：自 然 科 學 版，2011，34（2）：188－191.

［3］ 何小陽，李 健，閔 力，等.精餾塔的機理－神經網絡混合建模［J］.控制工程，2009，16（2）：211－213.

［4］ 喻海軍，劉翔宇，方 敏.基于ANFIS的汽車ESP控制方法研究［J］.合肥工業大學學報：自然科學版，2010，33（7）：1015－1019.

［5］ 孫增圻，張再興，鄧志東.智能控制理論與技術［M］.北京：清華大學出版社，1997：16－227.

［6］ 胡 靜，高 雋，楊 靜.模糊神經網絡分類器的主動學習方法［J］.中國科學技術大學學報，2008，38（3）：241－246.

［7］ 李國勇.智能預測控制及其MATLAB實現［M］.第2版.北京：中國電力出版社，2010：225－255.

［8］ Li M，Sethi I K.Confidence－based active learning［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，2005，28（8）：1251－1261.

［9］ 周潤景，張麗娜.基于 MATLAB與fuzzyTECH的模糊與神經網絡設計［M］.北京：電子工業出版社，2010：188－211.

［10］ 范成洲，曹 鈞，尹曉利.基于自適應神經網絡模糊推理系統的豎井井斜預測 ［J］.礦山機械，2011，39（4）：23－26.