基于LabVIEW多效逆流蒸發工藝液位控制的研究

李 菊 張 雷

(西南石油大學油氣藏地質及開發工程國家重點實驗室)

基于LabVIEW多效逆流蒸發工藝液位控制的研究

李 菊 張 雷

(西南石油大學油氣藏地質及開發工程國家重點實驗室)

針對多效逆流蒸發工藝中液位非線性、大慣性和時滯性的特點，將BP神經網絡與增量式PID算法相結合，以LabVIEW為開發平臺，實現了多效逆流蒸發過程液位控制的動態仿真。基于物料衡算和熱量衡算，建立三效逆流蒸發液位的數學模型，通過液位仿真證明基于LabVIEW實現BP神經網絡PID控制系統在多效蒸發液位控制中具有良好的自適應性和魯棒性。

液位控制 BP神經網絡PID控制 LabVIEW 多效蒸發

氯堿工業主要采用三效逆流強制循環工藝制備50%液堿，這種方法蒸發汽耗低、各效傳熱系數較高且成本低[1]。液位控制是生產NaOH常見的問題，但具有非線性、滯后及時變性等特性[2]。經典的PID控制算法具有直觀、實現簡單等優點，在很多領域被廣泛使用，但用于非線性的液位控制中魯棒性不強。BP神經網絡方法具有信息分布式存儲和自組織自學習功能，故處理多輸入、非線性、耦合復雜的對象有廣泛應用[3～5]，如溫度控制[6～9]、液位控制[10,11]和溶液濃度控制[12]。因此將BP神經網絡結構與PID算法相結合引入多效蒸發液位控制，利用神經網絡算法進行在線調整PID控制的3個參數，使控制效果達到最優。劉斌等研究了基于BP神經網絡的連續攪拌反應釜PID自校正控制[13]，結果表明BP神經網絡PID超調量小，且控制器具有較小的輸出量。

LabVIEW虛擬儀器是由美國NI公司提出的圖形編程環境，用戶可以在LabVIEW環境下編寫應用程序，通過交互式的圖形化前面板來控制系統，可實現數據采集、運動控制及監視等功能，并能直觀地顯示所得結果，減輕了編程工作量[14]。因此，LabVIEW不斷地應用于化工過程控制中。宋鋒和劉瑞歌基于LabVIEW實現了鍋爐溫度的控制[15]，閆金銀等基于 LabVIEW實現了帶夾套反應釜溫度的控制[16]。除此，LabVIEW還廣泛地應用于化工蒸餾過程[17～23]、浸取過程[24]和吸附過程[25～27]。根據文獻調研，基于LabVIEW的BP神經網絡PID用于多效逆流蒸發液位控制的研究幾乎沒有，因此筆者基于LabVIEW設計了BP神經網絡PID控制系統，通過對比傳統PID和BP神經網絡PID對蒸發液位的控制效果，證明了BP神經網絡PID響應速度快且超調量小，是實現多效逆流蒸發液位控制的有效方法，故筆者將BP神經網絡PID用于三效逆流蒸發液位的控制，使蒸發器液位控制在相應的理想液位。

1 數學模型

1.1 BP神經網絡PID數學模型

BP神經網絡PID控制由經典PID控制和BP神經網絡組成，經典PID控制器直接對被控對象進行閉環控制，并且對Kp、Ki、Kd在線調整；神經網絡根據系統的運行狀態，調整PID參數達到性能指標最優化，使輸出層對應的3個參數通過神經網絡的自學習和加權系數調整達到最優[28]。增量式數字PID的控制算法如下：

u(k)=u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+

Kd[e(k)-2e(k-1)+e(k-2)]

(1)

采用三層BP神經網絡結構，輸入層為理想液位、實際液位、液位誤差和常數1，并對輸入樣本進行歸一化處理， BP神經網絡PID控制結構如圖1所示。

圖1 BP神經網絡PID控制結構

網絡輸入層的輸入為：

Oj=x(j),j=1,2,…,M

(2)

網絡隱含層的輸入、輸出為：

(3)

Oi(k)=f(neti(k)),i=1,2,…,Q

(4)

隱層神經元的活化函數取為正負對稱的Sigmoid函數：

(5)

網絡輸出層的輸入、輸出為：

(6)

Ol(k)=g(netl(k)),l=1,2,3

(7)

O1(k)=Kp

O2(k)=Ki

(8)

O3(k)=Kd

輸出層輸出節點對應3個可調節的Kp、Ki、Kd，由于3個參數不能為負，所以輸出層神經元的活化函數取非負的Sigmoid函數：

(9)

性能指標函數為：

(10)

網絡輸出層加權系數的學習算法：

Δvli(k)=aΔvli(k-1)+bδlOi(k)

(11)

(12)

隱含層加權系數的學習算法：

Δwij(k)=aΔwij(k-1)+bδiOj(k)

(13)

(14)

1.2 蒸發液位模型

1.2.1 物料衡算和熱量衡算

為建立三效逆流蒸發工藝數學模型，主要的假設條件如下[29]：過程為穩定狀態；忽略熱損失；忽略蒸汽的引入和引出；溶液沸點進料。基于LabVIEW的三效逆流蒸發界面如圖2所示，三效逆流原理如圖3所示，三效逆流蒸發工藝中的設計參數如下：

原料濃度 32%

完成液產量 5×107kg

完成液濃度 50%

生蒸汽壓力 800kPa

生蒸汽溫度 170.44℃

第1效壓力 200kPa

第1效二次蒸汽溫度 120.240℃

第2效壓力 50kPa

第2效二次蒸汽溫度 81.339℃

第3效壓力 10kPa

第3效二次蒸汽溫度 45.799℃

工作時間 300×24h

圖2 基于LabVIEW三效逆流蒸發的界面

圖3 三效逆流蒸發原理示意圖

物料衡算熱量衡算為：

(15)

(16)

式中Cpi——料液的比熱容，kJ/(kg·℃)，Cpi=4.187(1-xi)+1.31xi；

D——蒸汽量，kg/h；

F——原料流量，kg/h；

r0——生蒸汽的汽化潛熱；

ri——各效蒸汽的汽化潛熱，kJ/kg；

ti——各效料液溫度，℃；

W——總的蒸發水量，kg/h；

Wi——各效蒸發水量，kg/h；

x0——原料液的濃度；

xi——各效出料液的濃度。

通過計算W1=0.140F，W2=0.112F和W3=0.108F。

1.2.2 液位模型

對于第3效蒸發器，液位模型如下[30]：

(17)

式中A——蒸發器面積，m2；

F——進料流量，kg/s；

F3——出料流量，kg/s，F3=K3u3，K3和u3分別為電磁閥放大系數和電磁閥的控制電壓。

因此，有：

h3(t)=0.892F/A-K3u3/A+h3(t-1)

(18)

h2(t)=F3/A-0.112F/A-K2u2/A+h2(t-1)

(19)

h1(t)=F2/A-0.140F/A-K1u1/A+h1(t-1)

(20)

2 仿真結果與討論

2.1 BP神經網絡PID算法中參數對控制的影響分析

根據式(11)和式(13)可知，加權系數a和b影響閾值w和v，從而影響BP神經網絡PID的控制效果，分別選取5個不同的系數a和b，響應曲線及其局部圖分別如圖4所示。圖4a隨著參數值a的增大，BP神經網絡PID的控制達到理想液位所需的時間逐漸變長，但振動幅度相對減小。圖4b隨著參數b的增大，除了b=100，其他控制效果基本沒明顯變化。因此，加權系數a是影響BP神經網絡PID控制效果的主要因素。

a. 參數a

b. 參數b

2.2 BP神經網絡PID與傳統PID比較

以第3效液位模型為例，理想液位取0.5，基于LabVIEW的傳統PID和BP神經網絡PID控制的響應曲線如圖5所示。可以看出，BP神經網絡PID控制達到理想液位所需的時間短，即t=3s左右，液位達到理想液位。傳統PID控制效果比BP神經網絡PID控制效果差，達到理想液位所需時間更長，液位曲線振蕩次數多、幅度大。因此，BP神經網絡PID控制器辨識精度高、響應速度快、超調量小，是實現多效逆流蒸發液位控制的有效方法。

圖5 BP神經網絡PID和傳統PID液位響應曲線

2.3 BP神經網絡PID對三效逆流蒸發液位控制的仿真分析

蒸發室允許的最低液位為：

L=(p2-p1)/(ρig)

式中g——重力加速度，取9.81m/s2；

p1——蒸發室內蒸汽壓力，kPa；

p2——p1壓力下蒸汽溫度t+2℃對應的壓力，kPa；

ρi——溶液的平均密度，kg/m3。

代入數據得三效最低液位分別為1.17、0.36、0.09m，三效理想液位分別為1.37、0.56、0.29m。

3個蒸發器的液位曲線如圖6所示。從曲線可知，第2效和第1效蒸發器的液位具有滯后性，當t=0.7s時，第3效蒸發器液位達到理想值，第2效蒸發器的液位開始上升；當t=2.2s時，第2效蒸發器液位達到理想值，此時第1效蒸發器的液位開始上升。當3個蒸發器液位逐漸達到理想液位值時，誤差逐漸趨于0，液位隨時間的變化曲線逐漸趨于恒定。

圖6 3個蒸發器的液位隨時間的變化曲線

三效蒸發器液位曲線如圖7a～c。三效蒸發器到達理想液位所需的時間分別為20、14、12s，即第3效蒸發器最先達到理想液位值，第2效、第1效依次逐漸達到穩定。三效蒸發器的最高液位值分別為1.448、0.623、0.359m，分別高于理想液位的5.69%、 11.25%、23.79%，即第3效液位曲線振幅大于第2效液位曲線振幅，第1效液位曲線振幅最小。除此，根據液位曲線可知，3個蒸發器的液位低于報警液位，故BP神經網絡PID控制對三效逆流蒸發液位具有很好的控制效果。圖8為PID 3個參數Kp、Ki和Kd隨時間的變化曲線，第1效和第2效的3個參數通過調整在很短時間內達到穩定值，而第3效的3個參數通過調整達到穩定值所需時間較長，且曲線變化幅度大。

圖7 蒸發器液位曲線

圖8 PID 3個參數 Kp、Ki和Kd的變化曲線

3 結束語

對比了傳統PID和BP神經網絡PID對蒸發液位的控制效果，仿真結果表明BP神經網絡PID控制的蒸發液位能在短時間內達到理想液位，并且液位振動幅度小。因此，在多效蒸發液位的控制中BP神經網絡PID控制效果優于傳統PID控制效果。通過基于LabVIEW對BP神經網絡PID在三效逆流蒸發液位的控制仿真結果可以看出，第2效和第1效蒸發器的液位控制具有滯后性，誤差曲線顯示第3效蒸發器的液位最先達到理想液位，但其液位變化幅度最大，其控制液位超過理想液位高達23.79%。通過三效蒸發器的液位曲線可以看出，3個蒸發器的液位均低于其報警液位。因此，BP神經網絡PID控制對三效逆流蒸發液位具有很好的控制效果。

[1] 張守特. 三效逆流降膜蒸發工藝生產50%燒堿的探討[J]. 天津化工, 2010, 24(6): 45～47.

[2] Al-Mutaz I S, Wazeer I.Comparative Performance Evaluation of Conventional Multi-effect Evaporation Desalination Processes[J]. Applied Thermal Engineering, 2014, 73(1): 1194～1203.

[3] 匡芬芳. 基于LabVIEW的液位神經網絡PID控制系統[J]. 微計算機信息, 2010 ，26(19): 60～62.

[4] He J, Yang W, Wang J. Fast HEVC Coding Unit Decision Based on BP-Neural Network[J]. International Journal of Grid and Distributed Computing, 2015, 8(4): 289～300.

[5] Kang J, Meng W, Abraham A, et al. An Adaptive PID Neural Network for Complex Nonlinear System Control[J]. Neurocomputing, 2014, 135(8): 79～85.

[6] 于海南,鄭榮進,步文月,等. 基于BP神經網絡PID控制器在水產溫室溫度控制中的應用[J].安徽農業科學,2016, (3): 312～315.

[7] 劉斌,孫久強,崔洋洋,等.基于BP神經網絡的連續攪拌反應釜PID自校正控制[J].化工自動化及儀表,2015,42(8): 860～862 ,934.

[8] 張根寶,謝曉靜,劉曉勇.基于L-BFGS算法BP神經網絡在溫度補償中的應用[J].儀表技術與傳感器,2016,(4):98～100.

[9] 王澤歡,吳學華,李文濤,等. 神經網絡算法在反應釜溫度控制中的應用[J].中國儀器儀表,2016,(8):60～62.

[10] 朱麗娟.神經網絡在水箱液位控制中的應用及Matlab實現[J]. 唐山師范學院學報,2015,(5):35～38.

[11] 鄧肖,劉宗玲,楊朝,等. 改進的PID神經網絡在黑液液位控制中的應用[J].中國造紙學報,2014,29(2):58～62.

[12] 許令峰,郭輝,吳衛東,等. 基于BP神經網絡的電解液濃度預測系統[J].化工自動化及儀表, 2013, 40(12): 1458～1461.

[13] 劉斌,孫久強,崔洋洋,等.基于BP神經網絡的連續攪拌反應釜PID自校正控制[J].化工自動化及儀表,2015,42(8):860～862,934.

[14] 楊智,陳雨琴. 基于LabVIEW的PID自整定控制器設計[J].化工自動化及儀表,2015,42(11):1188～1191.

[15] 宋鋒,劉瑞歌. 基于LabVIEW的鍋爐溫度過程控制系統仿真[J].化工自動化及儀表, 2015,42 (2): 183～185.

[16] 閆金銀,王亞剛,孫會兵. 帶夾套的反應釜溫度控制器及LabVIEW實現[J].化工自動化及儀表, 2011,38(11): 1291～1293.

[17] Barroso J, Borges J, Oliveira P, et al. Nonlinear Modeling of a Real Pilot Scale Continuous Distillation Process[J].Computer Aided Chemical Engineering, 2009, 28: 1733～1738.

[18] Chambel A J S, Pinheiro C I C, Borges J, et al. Methodologies for Input-Output Data Exchange between LabVIEW and MATLAB/Simulink Software for Real Time Control of a Pilot Scale Distillation Process[J]. Computer Aided Chemical Engineering, 2011, 29: 708～712.

[19] De Canete J F, del Saz-Orozco P, Gonzalez S, et al. Dual Composition Control and Soft Estimation for a Pilot Distillation Column Using a Neurogenetic Design[J]. Computers & Chemical Engineering, 2012, 40: 157～170.

[20] De Canete J F, del Saz-Orozco P, García-Moral I, et al. Indirect Adaptive Structure for Multivariable Neural Identification and Control of a Pilot Distillation Plant[J]. Applied Soft Computing, 2012, 12(9): 2728～2739.

[21] 楊亞茹,劉登峰,徐國強,等. 基于LabVIEW的白酒自動化裝甑蒸餾監控系統[J]. 釀酒科技, 2016,(5): 92～95.

[22] 李冬輝,許弋慧.基于模糊控制的蒸餾管路壓力系統研究[J]. 儀表技術與傳感器, 2014， (3): 49～51.

[23] 李樂斌,趙智,孫爾雁,等. 基于LabVIEW的低溫與真空度測量系統設計[J]. 化工自動化及儀表,2016,43(11):1166～1168,1226.

[24] Song J, Gao L, Lin J Q, et al. Kinetics and Modeling of Chemical Leaching of Sphalerite Concentrate Using Ferric Iron in a Redox-controlled Reactor[J]. Chinese Journal of Chemical Engineering, 2013, 21(8): 933～936.

[25] Cheng H H, Li W B, Chen W, et al. Development of Hydrogen Absorption Edesorption Experimental Test Bench for Hydrogen Storage Material[J]. Int J Hydrogen Energy, 2014, 39(25):13596～13602.

[26] Cheng H H, Deng X X, Li S L, et al. Design of PC Based High Pressure Hydrogen Absorption/Desorption Apparatus[J]. International Journal of Hydrogen Energy, 2007, 32(14): 3046～3053.

[27] Vashpanov Y, Choo H, Kim D S. Dynamic Control of Adsorption Sensitivity for Photo-EMF-based Ammonia Gas Sensors Using a Wireless Network[J]. Sensors, 2011, 11(11): 10930～10939.

[28] Kang J, Meng W, Abraham A, et al. An Adaptive PID Neural Network for Complex Nonlinear System Control[J]. Neurocomputing, 2014, 135: 79～85.

[29] Al-Mutaz I S, Wazeer I. Comparative Performance Evaluation of Conventional Multi-effect Evaporation Desalination Processes[J]. Applied Thermal Engineering, 2014, 73(1): 1194～1203.

[30] 匡芬芳. 基于LabVIEW的神經網絡PID控制算法在液位控制系統中的仿真研究[D].長沙: 中南大學, 2009.

TheLiquidLevelControlofMulti-effectCountercurrentEvaporationProcessBasedonLabVIEW

LI Ju, ZHANG Lei
(StateKeyLaboratoryofOilandGasReservoirGeologyandExploitation,SouthwestPetroleumUniversity)

Aiming at liquid level control’s non-linearity, large delay and time lag of the multi-effect countercurrent evaporation process, having back propagation neural network(BPNN) combined with incremental PID

TH865

A

1000-3932(2017)07-0667-07

2017-01-05，

2017-05-17)

(Continued on Page 692)

李菊(1990-)，碩士研究生，從事化工過程控制的研究。

聯系人張雷(1967-)，教授，從事理論與計算機化學、應用化學、化學工程與技術等的研究，zgc166929@sohu.com。