现代电子技术
Modern Electronics Technique
2021年12月1日第44卷第23期
Dec.2021Vol.44No.23
0引言
我国是一个“富煤少油缺气”的国家，因此煤化工就显得十分重要，其具体的应用面是非常广泛的，而甲醇精馏又是煤化工的重要工艺，从这个层面上来看，对甲醇精馏开展研究是非常有必要的，产生的效果也是令人关注的，这也值得耗费更多的心力在这一过程中[1⁃2]。事
实上，甲醇精馏过程中塔顶温度和塔顶压强存在耦合关系，而现阶段大多采用传统的PID 控制，难以快速、准确地进行控制。本文利用RBF 神经网络作为前馈网络，对甲醇精馏塔精馏控制过程中塔顶温度与塔顶压强进行解耦，并结合FPGA 使甲醇精馏的控制超调量小，响应时间更短，在控制精度方面的表现更优，综合性能变得更为强大[3⁃5]。
1
甲醇精馏塔的温压解耦数学模型
甲醇精馏塔精馏控制系统是一个多输入多输出系
甲醇精馏塔温压解耦控制系统的研究
龚瑞昆1，张文庆1，龚雨含1，周国庆2
（1.华北理工大学，河北唐山
063000；2.唐山工业职业技术学院，河北唐山
063000）
摘
要：甲醇精馏是一个复杂的工艺过程，具有多变量、非线性和强耦合等特点，目前大多采用传统的PID 控制，然而控
制变量塔顶温度与塔顶的大气压强之间耦合严重，控制精度不高，从而影响产品的质量。因此文中对塔顶温度与塔顶大气压强之间的数量关系建立解耦模型，采用RBF 前馈人工神经网络算法，并结合F
PGA 强大的并行处理能力，真正实现人工神经网络的快速性。与传统的PID 控制进行对比，文中模型表现出调节时间更短、超调量更小和上升时间更短等性能优势，从而使得甲醇精馏塔的精馏过程更优化、产品质量更好、经济效益更高，具有一定的实际意义。通过这一研究也使得综合的性能表现向着更为高质量的方向发展。
关键词：温压解耦控制；甲醇精馏塔；人工神经网络；解耦模型；RBF ；FPGA 中图分类号：TN98⁃34；TP11
文献标识码：A
文章编号：1004⁃373X （2021）23⁃0083⁃04
Study on temperature and pressure decoupling control system
for methanol distillation column
GONG Ruikun 1，ZHANG Wenqing 1，GONG Yuhan 1，ZHOU Guoqing 2
（1.North China University of Science and Technology ，Tangshan 063000，China ；2.Tangshan Polytechnic College ，Tangshan 063000，China ）
Abstract ：Methanol distillation is a complex process ，which has the characteristics of multivariable ，nonlinear and strong coupling.At prent ，the traditional PID control method is mostly adopted.However ，the coupling between the temperature of the tower top and the atmospheric pressure of the tower top is rious ，and the control accuracy is not high ，which affects the quality of products.Therefore ，a decoupling model is established for the quantitative relationship between the temperature of the tower top and the atmospheric pressure of the tower top.In the model ，the RBF （radial basis function ）feed forward artificial neural network algorithm is adopted ，and the rapidity of the artificial neural network is truly realized in combination with the powerful parallel processing ability of FPGA （field programmable gate array ）.In comparison with the traditional PID control ，this model shows the performance advantages of shorter adjustment time ，smaller overshoot and shorter ri time ，so that the distillation process of methanol distillation column is more optimized ，the product quality is better and the economic benefit is higher ，which has a certain practical significance.This rearch makes the comprehensive performance of the system developed towards higher quality.
Keywords ：temperature and pressure decoupling control ；methanol distillation column ；artificial neural network ；
decoupling model ；RBF ；FPGA
DOI ：10.16652/j.issn.1004⁃373x.2021.23.017
引用格式：龚瑞昆，张文庆，龚雨含，等.甲醇精馏塔温压解耦控制系统的研究[J].现代电子技术，2021，44（23）：83⁃86.
收稿日期：2021⁃07⁃02
修回日期：2021⁃07⁃21
基金项目：国家自然科学基金（61203343）
83
现代电子技术
2021年第44卷
统，其中塔顶温度和塔顶压强两个被控对象之间存在较为严重的耦合特性，影响控制效果。故本文设计出一种解耦控制方法对塔顶温度和塔顶压强进行解耦[5⁃7]。
办公易甲醇精馏塔塔顶温度变化传递函数为：
G ()s =13.56e -0.89s
过年的一幅画4.035s 2+37.11s +22
（1）
该控制系统的被控对象可以看作是一个二输入
二输出的系统，它的传递函数矩阵为：
éëêùûúK 1K 2=éëê
ùûúG 11(s )
G 12(s )G 21(s )
咖啡解药吗G 22(s )éëêù
û
ú
T P （2）
台球英文
式中：
K 1，K 2为阀门开度；T ，P 为塔顶温度和压强。被控对象的传递函数方框图如图1
所示。
图1被控对象传递函数方框图
2RBF 神经网络结构及算法
RBF 神经网络又名高斯核函数（Radial Basis
Function ，径向基函数），它是从20世纪80年代开始得到应用的，有别于BP 网络的存在，采用了不同的非线性映
射具体实现，从具体表现来看，其函数主要是局部的，收敛更快，且无局部最小；而后者的作用函数是全局的，收敛速度慢[8⁃9]。所以，RBF 网络更适合本控制系统，因此选用RBF 神经网络。2.1
RBF 神经网络的结构
RBF 神经网络是一个具有单隐含层的三层前馈神
经网络，即输入层、隐含层、输出层。输入层：由一些感知单元组成，它将网络与外界连接起来；隐含层主要呈
现出非线性的变换；输出层则主要是线性的，RBF 神经网络的输出与神经网络的权值之间是线性关系，所以可采取保证全局优化的线性算法，如最小二乘法、最小均
李丽芬方算法等[10]。RBF 神经网络和函数中心在选取达到较为合适的状态时，则可以通过相对较少的节点实现更为接近的效果呈现。隐含层则主要用高斯函数具体进行运算，从而使得空间变换得以实现。神经网络结构如图2所示。
隐含层节点的高斯核函数具有如下形式：
u j =exp
(
)
- X -C j
2
2b 2j
,j =1,2,…,h
（3）
在对式（3）进行理解的过程中，可以对输入样本以
及函数的中心值得到更为清晰的认识，并且通过公式可
以很好地看出神经网络性能的实际情况。
图2RBF 神经网络结构
从RBF 神经网络的输出节点状态来看，主要呈现出的还是较为明显的线性表达，即：
y i =∑j =1
h w ij u j ,i =1,2,…,m
（4）
2.2
RBF 神经网络训练算法
RBF 神经网络的训练过程可以分两步：
1）随机选取M 个输入样本，对输入样本进行聚类，
将聚类中心作为隐含层节点高斯函数的中心值C j ，并决定隐含层节点的高斯函数基宽。本文在方法的选择上
主要采用K⁃Means 聚类方法。
2）隐含层的中心值和基宽确定以后，根据所选样
本利用最小二乘法求出输出层的权值W ij 。RBF 神经网
络的训练就是不断调整隐含层节点基函数的中心向量和链接权值。通常情况下，RBF 神经网络要首先确定隐含层的节点个数，从而在获取到确切的节点数的基础上，可以据此对神经网络进行确定。2.2.1
隐含层数据中心的优化
1）初始化：给定各隐含层节点的初始中心C j (0)；2）相似匹配：计算距离并且求解出最小距离的
节点：
d i = X ()t -C i ()t -1,1≤i ≤h
d min ()t =min d t ()t =d r ()
t （5）
3）调整中心：
C i (t )=C i ()t -1,1≤i ≤h ,i ≠r
C i (t )=C i (t -1)+β()X (t )-C r (t -1),i =r （6）
式中β为学习的速率，
0<β<1。4）将t 的值加1，回到步骤2），循环上述步骤，直到中心C r 的改变量很小时为止。
2.2.2
高斯函数连接权值和基宽的优化
隐含层的相关数据在得到确认的基础上，可以将函
数的基宽通过公式进行表达，具体公式为σ=d
84
第23期
在此基础上，RBF 网络的输入输出之间可以形成一个典型的线性关系，并且可以通过最小二乘法予以优化处理。
定义目标函数：
J (t )=∑p =1
M
E p (t )=12∑p =1M
∧(p )[]d p -y p (t )2（7）
式中∧(p )为加权因子。假如第p 个样本比第p -k （p >k ,k >1）
个可靠，则加权因子就要大，可以取：∧(p )=λM -P ,0<λ<1,p =1,2,…,M ，
M 为样本长度。使得J 最小的W 即为所求，所以，由W =0可得最小
二乘法：
W p (t )=W p (t -1)+K (t )[]d p -q T p (t )W p (t -1)（8）K (t )=P (t -1)q p (t )éë
êù
ûú
q T p ()t P ()t -1q p ()t +1∧(p )-1
（9）
P (t )=[]1-K (t )q T p (t )P (t -1)
（10）
式中：q p (t )=[]q 1p (t ),q 2p (t ),…,q np (t )T
。
3基于RBF 神经网络的FPGA 解耦控制方法的研究
在对人工神经网络的性能特点予以确认的基础上，
本文进一步通过RBF 网络的自学能力情况对FPGA 控制器的参数采取整定的举措，并在此基础上设计出更为适合的FPGA 控制器，从而使得综合表现更为突出[11⁃13]。
通过这样的方式，具体设计出的控制系统主要的性能表现如图3
所示。
图3基于FPGA 的RBF 温压解耦控制系统方框图
图3中：
X 1，X 2分别是两个阀门开度；R 1，R 2是2个给定值，即塔顶温度和塔顶的大气压强；
Y 1，Y 2是控制系统的实际输出量。
在对RBF1与RBF2人工神经网络进行训练的基础上实现了解耦的全过程。具体来讲，是通过对阀门开度进行控制的基础上达到训练效果的。在第一阶段实现了这些训练活动之后，其实解耦也在此基础上得到了进
一步的实现。最终进入整个甲醇精馏控制系统的正常工作过程中，即利用FPGA 控制器与基于RBF 神经网络的解耦器进行了紧密的结合，从而使得整个系统呈现出闭合的状态。
4仿真研究
为了达到更为理想的对FPGA 的RBF 神经网络的
高鑫广场甲醇精馏塔温压控制系统的检测效果，本文主要通过实验开展了细化的研究和分析活动，据此得到了
一些结论，从而希望通过本文的研究和探讨能够使得整体的系统表达向着更为积极的方向进行开展。具体训练研究的过程中，在样本的选择上也尽量进行了更多数量的收集，从而便于开展实际训练。通过详细的训练得到了相对确定的结果，即通过隐含层的节点，可以更好地实现系统各项性能的需要，使得性能表现更为稳定。在此基础上，将训练达标的解耦控制器与整个控制系统实现相连，最终将整个控制系统在Matlab 上进行仿真，仿真结果如图4
所示。
图4基于FPGA 的RBF 温压解耦控制与
传统PLC 控制仿真对比图
图4为基于FPGA 的RBF 温压解耦控制与传统PLC 控制的对比仿真图，通过图形分析可知，基于FPGA 的RBF 温压解耦控制较传统PLC 控制上升时间更短、最大超调量更小、调节时间也更短，因此，该控制方法取得了
良好的控制效果。
5
结论
通过对甲醇精馏塔塔顶的温度和压强两个控制对象进行解耦，使得两个被控对象的耦合性大大减弱，并采用RBF 人工神经网络算法与FPGA 进行结合，使得甲醇精馏塔塔顶的精馏温度控制更快速、准确，提高了产品的质量，增加了经济效益，综合表现更令受众满意，达到的效果也更为高效。
参
考
文最美的地方
献
[1]NASSIRPOUR M ，KHADEMI M.Evaluation of different cooling
龚瑞昆，等：甲醇精馏塔温压解耦控制系统的研究85
现代电子技术2021年第44卷
technologies for industrial methanol synthesis reactor in terms of energy efficiency and methanol yield：an economic⁃optimiza⁃tion[J].Journal of the Taiwan Institute of Chemical Engineers，2020，113（6）：302⁃314.
[2]CARLOMAGNO I，CIMMELLI V A，JOU D.Tunable heat rec⁃tification by applied mechanical stress[J].Physics letters A，2020，384（35）：126905.
[3]周建新，黄剑雄，李钊.基于改进PSO神经网络的板形板厚解
耦控制研究[J].机床与液压，2020，48（6）：144⁃149. [4]贾默伊，李静.甲醇精馏塔温控系统滑模变结构控制仿真[J].
化工自动化及仪表，2017，44（2）：129⁃133.
[5]王振，卫东，叶洪吉.基于温湿度解耦建模的质子交换膜燃料
电池内阻特性研究[J].太阳能学报，2020，41（9）：1⁃8. [6]ĒKUPČE E.Perspectives of adiabatic decoupling in liquids[J]. Journal of magnetic resonance，2020，318：106799. [7]姬鹏飞，付娅琦，杨北方.基于单神经元PID的温室系统多变
量解耦控制研究[J].中国农机化学报，2020，41（8）：143⁃147. [8]BUI D T，TSANGARATOS P，TIEN N V，et al.Comparing
the prediction performance of a deep learning neural network model with conventional machine learn
ing models in landslide susceptibility asssment[J].Catena，2020，188：104426. [9]RASOULIZADEH M N，RASHIDINIA J.Numerical solution for the Kawahara equation using local RBF⁃FD meshless method [J].Journal of King Saud University（Science），2020，32（4）：2277⁃2283.
[10]卫敏，余乐安.具有最优学习率的RBF神经网络及其应用[J].
管理科学学报，2012，15（4）：50⁃57.
[11]杨海钢，孙嘉斌，王慰.FPGA器件设计技术发展综述[J].电子
与信息学报，2010，32（3）：714⁃727.
[12]王兴.基于FPGA的RBF神经网络的硬件实现[J].电子设计工
程，2012，20（16）：164⁃166.
[13]张松，李筠.FPGA的模块化设计方法[J].电子测量与仪器学
顺天命
报，2014，28（5）：560⁃565.
[14]刘苏苏，孙立民.支持向量机与RBF神经网络回归性能比较
研究[J].计算机工程与设计，2011，32（12）：4202⁃4205.
作者简介：龚瑞昆（1962—），男，河北霸州人，博士，教授，研究生导师，主要从事传感与检测技术、智能仪器、自动化监控、计算机应用、仪器科学与技术和控制科学与工程方向的研究和教学工作。
张文庆（1993—），男，河北邢台人，硕士，研究方向为检测技术及智能装置。
龚雨含（1988—），女，河北霸州人，硕士，讲师，研究方向为检测技术及智能装置。
周国庆（1991—），男，河北唐山人，硕士，讲师，研究方向为检测技术及智能装置。
86
