程換新，張國慶

(青島科技大學(xué) 自動化與電子工程學(xué)院，山東 青島 266061)

基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)漿液pH值控制研究

程換新，張國慶

(青島科技大學(xué) 自動化與電子工程學(xué)院，山東 青島 266061)

在熱電廠石灰石/石膏濕法煙氣脫硫系統(tǒng)中，漿液pH值對脫硫效率影響較大。針對漿液pH值的控制過程具有非線性、大滯后和變增益的特點，從脫硫效率的方向出發(fā)對漿液pH值控制進行分析與研究。選用了Mamdani模糊神經(jīng)網(wǎng)絡(luò)來建立控制器并用于漿液pH值控制中，進一步提高網(wǎng)絡(luò)的尋優(yōu)能力以達到更好的控制效果。通過對基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)漿液pH值控制進行Matlab設(shè)計和仿真，并與常規(guī)的PID控制對比，結(jié)果證明了該方法的有效性。

模糊控制 神經(jīng)網(wǎng)絡(luò) 漿液 pH值控制

煤炭作為中國的主要能源之一，所產(chǎn)生的SO2對環(huán)境的污染比較嚴(yán)重，目前采用較多的脫硫方式是石灰石/石膏濕法煙氣脫硫。通過對漿液pH控制過程的研究將模糊控制并結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用到控制過程中[1-2],將兩者各自的優(yōu)點結(jié)合用于控制系統(tǒng)，能提高系統(tǒng)的知識表達能力和自學(xué)習(xí)能力，在控制系統(tǒng)中將會表現(xiàn)出一定的優(yōu)勢[3]。

1 石灰石/石膏濕法煙氣脫硫系統(tǒng)

1.1 石灰石/石膏濕法煙氣脫硫基本原理

1) 吸收反應(yīng)：

2) 中和反應(yīng)：

3) 氧化反應(yīng)：

CaSO4·2H2O+CO2

1.2 濕法煙氣脫硫工藝流程

石灰石/石膏濕法煙氣脫硫中所用的脫硫劑主要為石灰石，脫硫系統(tǒng)的工藝流程如圖1所示。

皮帶給料機將石灰石倉中的石灰石送到濕式球磨機中，同時加入一定比例的工業(yè)用水后，用濕式球磨機磨制成石灰石漿液，并送入漿液罐中。旋流泵將漿液送至漿液旋流器中，經(jīng)水力旋流循環(huán)分選后，不合格的漿液重新送入濕式球磨機中，合格的漿液被儲存在石灰石漿液儲罐中，再根據(jù)需要通過石灰石漿液供漿泵將漿液送至吸收塔中，用于系統(tǒng)需要。通常設(shè)置漿液循環(huán)泵和攪拌器來防止?jié){液的沉淀。

從鍋爐出來的煙氣先通過入口擋板后經(jīng)增壓風(fēng)機增壓和煙氣換熱器降溫后被送入到吸收塔的底部[4]。吸收塔中的煙氣由下而上運動，并與漿液循環(huán)泵輸送的石灰石液體往下流時所形成的噴淋層進行接觸，吸收掉煙氣中的SO2，此時低溫的煙氣又經(jīng)過換熱器升溫后，將煙溫升到高于80℃后，通過煙道將煙氣釋放到空氣中[5]。

圖1 石灰石/石膏煙氣脫硫工藝流程示意

2 基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)漿液pH值控制回路的設(shè)計

2.1 pH值對脫硫效率的影響

在脫硫系統(tǒng)中漿液里的OH-濃度較高時，堿液更容易吸收SO2。pH<7時漿液呈酸性，pH值越小，說明H+的濃度越高，酸性越強，漿液吸收SO2的能力就越弱，不利于SO2的吸收。過低的pH值會促進石灰石的溶解，但是卻阻礙了SO2的吸收，必然會造成脫硫效率的降低；過高的pH值雖促進了SO2的吸收，但是同時會抑制石灰石的溶解，造成石灰石的浪費，提高了成本，同時也容易造成管道結(jié)垢和腐蝕等問題，并且影響了生成物石膏的品質(zhì)[6]。在石灰石/石膏濕法煙氣脫硫中一般把漿液pH值控制在5～6。

吸收塔中漿液pH值控制一般是通過調(diào)節(jié)吸收塔中的石灰石的流量來實現(xiàn)，利用合理的控制方式實現(xiàn)石灰石較高的利用率，提高SO2脫除率。在脫硫控制中要合理控制漿液的pH值，當(dāng)pH值增大時降低石灰石漿液的流量，相反就提高其漿液的流量，以保證所需要的pH值。

2.2 基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)pH值控制器設(shè)計與仿真

2.2.1 FNN控制器設(shè)計

在控制pH值時為了提高系統(tǒng)的精度和質(zhì)量，采用模糊神經(jīng)網(wǎng)絡(luò)對控制器進行了設(shè)計，設(shè)計時依據(jù)模糊系統(tǒng)的結(jié)構(gòu)來確定神經(jīng)網(wǎng)絡(luò)，目的是確保神經(jīng)網(wǎng)絡(luò)的每一層和每個節(jié)點都和模糊系統(tǒng)每一部分相對應(yīng)，算法上采用BP算法，最終完成對pH值的控制。

在該設(shè)計中采用了1個5層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)： 輸入層、模糊化層、模糊推理層、歸一化層和解模糊化層。x1和x2分別表示輸入誤差e和誤差變化ec，其進行尺度變化后的值為E和EC，e為pH值期望值和實際值之間的差值，ec是兩者的變化率，網(wǎng)絡(luò)的輸出u為控制器的輸出，表示輸出漿液流量。輸入變量采用7個模糊語言變量值{PB,PM,PS,ZE,NS,NB},共形成49條規(guī)則，隸屬度函數(shù)采用高斯函數(shù)：u(x)=exp[-(x-m)2/σ2],其中m和σ為隸屬函數(shù)的中心和寬度。pH控制系統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

1) 第1層： 輸入層。該層神經(jīng)元的個數(shù)等于輸入變量的個數(shù)，且輸入變量的值是利用激勵函數(shù)傳遞給下一層神經(jīng)元，該層共有2個神經(jīng)元分別是偏差e和偏差的變化量ec。

(1)

2) 第2層： 模糊化層。該層有14個節(jié)點，首先對輸入的變量模糊子集進行定義，通過相應(yīng)的模糊隸屬度函數(shù)，將輸入變量轉(zhuǎn)化到模糊子集論域中。神經(jīng)元主要是模擬隸屬度函數(shù)，采用高斯隸屬度函數(shù)，則有

(2)

3) 第3層： 模糊規(guī)則層。該層有49個節(jié)點，該層中需要計算模糊規(guī)則的適用度aj，且神經(jīng)元數(shù)目等于模糊規(guī)則的個數(shù)，其主要是完成模糊“與”的運算，在這里采用乘積運算完成“與”運算。

(3)

4) 第4層： 歸一化層。該層中也有49個節(jié)點，主要是完成歸一化的運算。

(4)

5) 第5層： 解模糊化層。該層主要是完成清晰化運算，該層有1個節(jié)點。

(5)

式中：wj——第4層和第5層之間的權(quán)值系數(shù)。

2.2.2 FNN控制算法

文中采用的誤差反向傳播算法即BP算法，該種算法首先根據(jù)大量的樣本進行網(wǎng)絡(luò)訓(xùn)練，調(diào)整得到合適的網(wǎng)絡(luò)權(quán)值以及隸屬度函數(shù)，從而實現(xiàn)了模糊推理的控制方法，將其用于被控對象，從而達到最佳的控制效果。

(6)

設(shè)η為學(xué)習(xí)速率，可以得到各個權(quán)值的迭代公式為

(7)

所以第k層第j個神經(jīng)元產(chǎn)生的誤差及權(quán)值修正為

(8)

(9)

(10)

因此，可以計算每一層的誤差和權(quán)值的修正值。

隸屬度函數(shù)的中心值和寬度的修正公式為

(11)

mi j(t+1)=mi j(t)+Δmi j

(12)

(13)

σi j(t+1)=σi j(t)+Δσi j

(14)

經(jīng)過上述公式對參數(shù)的調(diào)整，并進行大量的訓(xùn)練后，目標(biāo)函數(shù)能達到期望值的要求。

3 仿真研究

選定系統(tǒng)的E，EC，U的論域范圍均為[-3,3],實測的pH值的偏差和偏差變化范圍為[-1,1]和[-1,1] ，控制輸出范圍為[0,20]。利用Matlab將控制器輸入量模糊化為7級，分別為正大(PB)、正中(PM)、正小(PS)、零(Z0)、負小(NS)、負中(NM)、負大(NB)，從而可以得到量化因子Ke=3，Kec=3，Ku=6?，F(xiàn)場采集的數(shù)據(jù)需要經(jīng)過歸一化處理，然后對模糊神經(jīng)網(wǎng)絡(luò)的隸屬度參數(shù)和權(quán)值進行訓(xùn)練，利用收集到數(shù)據(jù)進行訓(xùn)練。

下面以傳統(tǒng)的PID控制方法為參考，與模糊神經(jīng)網(wǎng)絡(luò)設(shè)計的控制器進行仿真對比。PID主調(diào)節(jié)器無擾動和有擾動的仿真與研究如圖3和圖4所示；FNN主調(diào)節(jié)器無擾動和有擾動的仿真與研究如圖5和圖6所示。

圖3 PID無擾動仿真示意

圖3所示，系統(tǒng)無擾動用PID進行調(diào)節(jié)時，延遲時間為15 s，峰值時間為143 s，調(diào)節(jié)時間為250 s，而系統(tǒng)的超調(diào)量達到25%以上。圖4所示，在750 s時，加入干擾信號，仿真曲線出現(xiàn)很大的波動，大約需要經(jīng)過150 s系統(tǒng)才能達到穩(wěn)定狀態(tài)，所以系統(tǒng)達到穩(wěn)定需要比較長的時間。

圖4 PID有擾動仿真示意

圖5 FNN無擾動仿真示意

圖6 FNN有擾動仿真示意

圖5所示，在無擾動情況用FNN調(diào)節(jié)時，延遲時間為20 s，峰值時間為140 s，調(diào)節(jié)時間約為200 s，而系統(tǒng)的超調(diào)量為10%左右。圖6所示，在750 s時，加入干擾信號，通過仿真可看出曲線出現(xiàn)了波動，大約需要經(jīng)過100 s系統(tǒng)便能達到穩(wěn)定狀態(tài)。

通過以上的仿真可以得出： 系統(tǒng)無擾動情況下，PID控制時調(diào)節(jié)時間比較長，系統(tǒng)進入穩(wěn)態(tài)的時間也比較長；而采用FNN控制時，調(diào)節(jié)時間明顯減少，系統(tǒng)相對較快地進入穩(wěn)定狀態(tài)。當(dāng)給系統(tǒng)加入擾動時，PID控制器出現(xiàn)較大的波動，而FNN控制器波動的幅度相對比較小，進入穩(wěn)定的時間也明顯比PID控制時要短。由此看出常規(guī)PID控制響應(yīng)相對慢，超調(diào)大，調(diào)節(jié)時間長；而FNN控制動態(tài)性能優(yōu)于常規(guī)的PID控制，響應(yīng)度快，超調(diào)小，調(diào)節(jié)時間短，并且控制比較平穩(wěn)。

4 結(jié)束語

筆者采用模糊神經(jīng)網(wǎng)絡(luò)設(shè)計了pH值控制器，最終通過PID控制和FNN仿真對比，F(xiàn)NN控制在反應(yīng)時間、抗干擾性、魯棒性方面要優(yōu)于PID的控制，更好地保持了系統(tǒng)的穩(wěn)定性。

[1] 周至祥，段建中，薛建明.火電廠煙氣脫硫技術(shù)手冊[M].北京： 中國電力出版社，2007.

[2] Liu P Y. Analyses of Regular Fuzzy Neural Networks for Approximation Capabilities[J]. Fuzzy Sets and Systems, 2000(114)： 329-338.

[3] Yan S, Masaharu M. A New Approach of Neuro-fuzzy Learning Algorithm for Tuning Fuzzy Rules[J].Fuzzy Sets and Systems, 2000(112)： 99-116.

[4] 卓小芳.石灰石/石膏濕法煙氣脫硫系統(tǒng)仿真研究[D].重慶： 重慶大學(xué)，2007.

[5] 惠遠峰.濕式石灰石—石膏法煙氣脫硫系統(tǒng)仿真設(shè)計的研究[D].北京： 華北電力大學(xué)，2006.

[6] 唐立學(xué).脫硫系統(tǒng)pH值控制的過程辨識及控制器設(shè)計[D].北京： 華北電力大學(xué)，2007.

[7] 李潔,劉晉寧.鍋爐煙氣脫硫系統(tǒng)中pH值的控制與實現(xiàn).化工自動化及儀表,2014,41(08): 905-906,942.

Studies on Slurry pH Control With Mamdani Based on Fuzzy Neural Network

Cheng Huanxin, Zhang Guoqing

(College of Automation and Electronic Engineering, Qingdao University of Science & Technology, Qingdao, 266061, China)

s： In limestone/gypsum wet flue gas desulfurization system in thermal power plant，pH value of slurry has a great influence on desulfurization efficiency. Aiming at disadvantage of nonlinear, large lag and varing gain of slurry pH value control, slurry pH value control is analyzed and studied from desulfurization efficiency. Mamdani fuzzy neural network is used to establish the controller. It is used in the slurry pH value control to further improve search ability of network to achieve better control. Through Matlab design and simulation with control of Mamdani based on fuzzy neural network slurry pH control, as well as comparison with conventional PID control, the results prove effectiveness of the method.

fuzzy control; neural network; slurry; pH value control

程換新(1966—)，男，山東青島人，畢業(yè)于浙江大學(xué)自動化專業(yè)，現(xiàn)就職于青島科技大學(xué)，主要從事控制理論與應(yīng)用研究，任教授，碩士生導(dǎo)師。

TP273

A

1007-7324(2017)04-0036-04

稿件收到日期： 2017-03-17，修改稿收到日期： 2017-06-19。