改進PSO-PID神經網絡在精餾塔溫度控制中的應用

肖帥兵　夏洋　周蘭江　明帥強

摘 要 為優化精餾塔系統控制器的性能，提出一種添加正態分布函數的非線性遞減慣性權重和對加速因子進行異步時變調節的改進策略，優化了粒子群算法的搜索效率和精度。并利用該算法對PID神經網絡的初始權值進行訓練，提高其性能。設計控制器并進行仿真，結果表明：訓練后的PID神經網絡控制器性能有較大提升，控制器的抗干擾能力和反應速度得到極大改善，有效提高了精餾塔的控制效果。

關鍵詞 改進粒子群算法 PID神經網絡 精餾塔 解耦控制

中圖分類號 TP273? ?文獻標識碼 A? ?文章編號 1000-3932（2023）04-0447-06

精餾在現代石油化工生產中有著廣泛的應用，是對混合物進行多次部分汽化和液化操作，使各種成分揮發冷凝，實現混合物高純度分離的一種方法。然而精餾過程有變量較多、機理復雜、輸入與輸出之間耦合效應強等特點，控制難度較大。因此采取合適的解耦控制算法并應用在精餾塔控制器中是十分必要的。提高精餾塔系統的控制性能，不僅能夠提高企業的經濟效益，而且更加環保。

針對精餾塔系統的優化控制，有自抗擾控制、模型預測控制（MPC）及模糊控制［1～3］等方法。近年來，隨著科學技術的不斷進步和計算機的快速發展，工業設備控制也趨向智能化、高精度的方向。智能控制應運而生，并得到了廣泛的應用［4，5］。而在智能控制中，神經網絡是重要的組成部分，神經網絡依靠其在線學習和任意精度逼近復雜函數的能力，被應用到解耦控制中，如模糊神經網絡解耦［6］、卷積神經網絡解耦［7］及PID神經網絡解耦［8］等。

而現代神經網絡廣泛運用反向傳播作為訓練方法，但這些算法對于網絡訓練的初始權值十分敏感，不合理的初始權值很容易導致閉環系統不穩定。針對這個缺點，很多學者利用進化算法對神經網絡初始權值進行訓練，以此優化神經網絡性能［9］。進化算法中，粒子群算法（PSO）作為一種易實現、搜索速度快的全局尋優算法，對于神經網絡訓練有著較好的效果。

對于標準粒子群算法中存在的問題，當前也存在許多改進策略，文獻［10］引入隨機動態響應因子來優化粒子群算法，但忽略了慣性權重和時變加速因子的影響。文獻［11］提出非線性遞減慣性權重因子改進粒子群算法用于路徑規劃，但該算法只針對慣性權重因子進行優化，并未注意到對加速因子的調整。文獻［12］使用時變衰減函數實現慣性權重的非線性遞減取得了良好的效果，但這種方式并不能完全反映粒子群算法的搜索趨勢。

綜上所述，筆者提出了一種添加隨機因子非線性遞減慣性權重和改進時變加速因子的策略對粒子群算法進行優化，并構建了改進粒子群算法優化PID神經網絡控制器，以二元精餾塔為研究對象，實現了精餾塔系統優化控制。

1 粒子群算法

1.1 標準粒子群算法

1.2 改進粒子群算法

2 精餾塔模型分析

2.1 精餾塔系統模型

精餾塔的主要組成部分有回流罐、冷凝器及再沸器等，經典的精餾塔結構如圖1所示。精餾塔的主要任務是滿足產品成分純度要求并在此前提下達到最佳的回收率與能耗搭配。

精餾塔控制過程中，若塔頂溫度超過給定值，此時需要回流液流出來降低塔頂溫度，那么塔頂控制器會加大回流量閥門開度，回流液流出使塔頂溫度降低，而這些回流液下降至塔底，塔底溫度受到影響降低，偏離設定值。此時塔底控制器試圖將塔底溫度回調至設定值，則會增加加熱蒸汽量，塔底溫度提高至設定值。而塔蒸汽上升至塔頂，導致塔頂溫度又一次超出設定，調節器重復上述調節過程，導致系統溫度調節時間長，反復振蕩，難以達到平衡，可見精餾塔塔板溫度存在嚴重的耦合現象。

精餾過程中用到的模型變量很多，例如物料溫度、物料成分、蒸汽量、回流量及塔板溫度等，機理模型十分復雜，直接測量產品的成分純度也比較困難。因此應當選取合適的變量作為間接質量指標，保持一定的精度，建立精餾過程控制模型。而精餾原理和熱力學性質表明，在壓力為定值時，溫度與成分之間存在獨立的函數關系，所以產品的純度通過對塔板溫度的檢測間接獲取。故選用塔頂回流量和塔底蒸汽量分別控制塔頂溫度和塔底溫度。

3 改進PSO-PID神經網絡的精餾塔系統解耦控制

研究表明，神經網絡初始權值的選取關系到網絡的學習和收斂速度，因此神經網絡的初始化至關重要。通過改進的粒子群算法對PID神經網絡訓練得到最優初始權值，提高控制器的性能。

4 仿真分析

將提出的改進粒子群算法用于精餾塔解耦控制中，采用simulink構建改進PSO-PID神經網絡精餾塔控制系統。

為驗證改進算法的性能，從穩定時間、超調量等方面與傳統PSO-PID神經網絡控制進行比較。精餾塔運行時，塔頂溫度是低于塔底溫度的，根據此特點，在t=1 s時，塔頂和塔底溫度分別設置為50 ℃和80 ℃；在t=300 s時，在塔頂溫度輸出處加入幅值為10的階躍干擾；在t=500 s時，在塔底溫度輸出處加入幅值為-10的階躍干擾。算法采用的慣性權重取值范圍為［0.4，0.9］，粒子種群個數為100，迭代次數為50，圖5、6為兩種控制策略的仿真溫度曲線。

由圖5、6可以看出，改進PSO-PID神經網絡相比傳統控制方法表現更好，塔頂和塔底溫度能迅速逼近設定值，面對階躍干擾時，改進后的算法被干擾的幅度也更小，且能夠更快地調節至穩定值。通過仿真實驗，控制系統的性能指標對比見表1、2。

5 結束語

提出針對標準粒子群算法的一種新的改進策略，相比原算法，提高了收斂速度和搜索精度。在simulink下建立仿真模型，使用不同的策略對模型進行控制，對仿真結果對比分析，驗證了提出的改進算法優化控制器的可行性和性能。仿真結果表明，筆者提出的控制策略具有一定的優越性，控制器的調節時間更短、超調更小，有效降低了精餾塔塔頂和塔底溫度的耦合作用，為精餾塔的解耦控制提供新的方法，有一定現實意義。

參 考 文 獻

［1］? ?CHENG Y，CHEN Z，SUN M，et al.Decoupling control of high-purity heat integrated distillation column process via active disturbance rejection control and nonlinear wave theory［J］.Transactions of the Institute of Measurement and Control，2020，42（12）：2221-2233.

［2］? ?SHIN Y，SMITH R，HWANG S. Development of model predictive control system using an artificial neural network：A case study with a distillation column［J］.Journal of Cleaner Production，2020，277：124.

［3］? ?HAMDY M，RAMADAN A，ABOZALAM B. A novel inverted fuzzy decoupling scheme for MIMO systems with disturbance：A case study of binary distillation column［J］.Journal of Intelligent Manufacturing，2018，29（8）：1859-1871.

［4］? ?劉星偉，賈勝坤，羅祎青，等.基于信賴域算法的精餾塔優化［J］.化工學報，2022，73（5）：2031-2038.

［5］? ?ZHAO N，LU J.Review of Neural Network Algorithm and Its Application in Temperature Control of Distillation Tower［J］.Journal of Engineering Research and Reports，2021，20（4）：50-61.

［6］? ?QIAO J F，HAN G T，HAN H G，et al.Decoupling control for wastewater treatment process based on recurrent fuzzy neural network［J］.Asian Journal of Control，2019，21（3）：1270-1280.

［7］? ?LI X，FANG Y，LIU L.Decoupling predictive control of strip flatness and thickness of tandem cold rolling mills based on convolutional neural network［J］.IEEE Access，2019，8：3656-3667.

［8］? ?黃茹楠，丁寧.基于改進PID神經網絡算法的AUV垂直面控制［J］.系統仿真學報，2020，32（2）：229-235.

［9］? ?ZENG G Q，XIE X Q，CHEN M R，et al.Adaptive population extremal optimization-based PID neural network for multivariable nonlinear control systems［J］. Swarm and Evolutionary Computation，2019，44：320-334.

［10］? ?WU X，QIN G，SUN M，et al. Using improved particle swarm optimization to tune PID controllers in cooperative collision avoidance systems［J］.Frontiers of Information Technology & Electronic Engineering，

2017，18（9）：1385-1395.

［11］? ?GAO Q.Intelligent vehicle global path planning based on improved particle swarm optimization［J］.Open Access Library Journal，2018，5（4）：1-8.

［12］? ?張淑芳，宋香明，朱彬華.結合改進PSO-BP神經網絡的無刷直流電機控制［J］.南開大學學報（自然科學版），2021，54（4）：62-67.

［13］? ?KENNEDY J，EBERHART R.Particle swarm optimi-zation［C］//IEEE International Conference on Neural Networks.Piscataway，NJ：IEEE，1995：1942-1948.

［14］? ?喬俊飛，逄澤芳，韓紅桂.基于改進粒子群算法的污水處理過程神經網絡優化控制［J］.智能系統學報，2012，7（5）：429-436.

［15］? ?趙靜.精餾塔溫度模糊解耦控制系統的研究［J］.工業儀表與自動化裝置，2013（6）：50-54.

（收稿日期：2022-11-21，修回日期：2023-06-09）

Application of Improved PSO-PID Neural Network in

Distillation Tower Temperature Control

XIAO Shuai-bing XIA Yang ZHOU Lan-jiang MING Shuai-qiang

（1. Faculty of Information Engineering and Automation， Kunming University of Science and Technology；

2. Institute of Microelectronics， Chinese Academy of Sciences）

Abstract? ?For purpose of optimizing performance of the distillation columns controller， a nonlinear decreasing inertia weight with added normal distribution function and an improved strategy for the asynchronous time-varying adjustment to the learning factor were proposed to optimize both search efficiency and accuracy of the algorithm， including making use of this algorithm to train? initial weights of PID neural network and improve its performance. Designing and simulating the controller show that， the performance of the trained PID neural network controller is greatly improved； the controllers anti-interference ability and response speed can be greatly improved together with effectively improved control effect of the distillation column.

Key words? ?improved particle swarm optimization algorithm， PID neural network， distillation column， decoupling control