張江濤 姚汭成 張勝廣 劉 洋 付亦文 肖晶峰

（長沙礦冶研究院有限責任公司）

在實際的化工生產中，反應釜溫度控制性能的好壞影響著所生產產品的品質，關乎著生產效率，更影響著化工生產過程的安全［1］。反應釜溫度控制具有強烈的非線性、時變性、遲滯性、熱慣性及反應機理復雜等控制難點，且反應釜生產工況參數不斷發(fā)生改變，難以建立精確的數學控制模型。 常規(guī)的控制方法受限于對精確受控模型的依賴，用于反應釜溫度控制時往往難以取得理想的控制效果，由于當前化工生產對產品生產品質的要求越來越高，而反應釜溫度控制卻未能較好地滿足生產要求，因此為了改善反應釜的溫度控制效果，提高生產產品品質，需要對反應釜溫度控制方法進行深度研究。

1 反應釜介紹

反應釜是化工生產領域內一種常見的反應容器。 按照攪拌模式，反應釜主要可分為兩類：間斷攪拌反應釜和連續(xù)攪拌反應釜［2］。其中，連續(xù)攪拌反應釜因為具有可進行多相反應、持續(xù)攪拌可保持釜內濃度等參數均勻、 生產一致性好的特性，被廣泛應用在實際化工生產中［3］。連續(xù)攪拌反應釜的結構如圖1 所示［4］。 連續(xù)攪拌反應釜內安裝有電加熱棒，釜內壁盤繞著多圈盤管，盤管中可切換通入冷/熱水， 釜內壁和外壁之間設有夾套，夾套內可通入導熱介質，如導熱油、蒸汽等，可以起到保溫調節(jié)的作用。

圖1 反應釜結構簡圖

連續(xù)攪拌反應釜的溫度控制是指保持反應釜內始終處于化工生產所需的反應溫度［5］。 根據需要， 可向釜內壁盤繞的盤管中通入冷/熱水，同時輔以電加熱棒的通斷電輔助加熱操作，加上夾套的保溫作用， 以此來實現對反應釜的溫度控制。

在反應釜中進行的實際生產化學反應往往是比較復雜的［6］，既有物料的相變過程，又有相對應的熱量得失變化過程， 隨著反應的持續(xù)進行，在不同的階段，反應釜內的產物形態(tài)也在不斷地變化，隨之帶來的影響就是傳熱系數會不斷隨著產物形態(tài)變化而無規(guī)律改變， 加上攪拌機、冷/熱水，還有一些外接設備需要與之聯鎖控制等其他因素的干擾，這就使得反應釜內的溫度控制較為復雜［7］，如在反應釜溫度控制的降溫過程中，降溫速率就很難控制，如果降溫速率過快，會使反應釜內化學反應變得遲緩停滯，產生“釜僵”現象；但若降溫速率不夠，不能及時、迅速地把反應釜內的反應熱移除， 反應釜內產熱持續(xù)大于散熱，就會使得反應釜內的溫度飛速飆升， 存在發(fā)生“聚爆”的風險［8］?！案睍沟蒙a效率下降，產品品質變差，而“聚爆”則可能會有爆炸和火災風險， 給生產現場的操作工人的生命帶來威脅，嚴重影響生產安全［9］。 因此，近年來，對于連續(xù)攪拌反應釜溫度控制的研究逐漸成為一個具有挑戰(zhàn)性的熱點課題。

2 化工反應釜的溫度控制方法

主流的溫度控制方法有PID 優(yōu)化控制、模糊控制、預測控制和神經網絡控制。

2.1 PID 優(yōu)化控制

PID 控制是最早被提出并廣泛應用在工業(yè)生產過程中的控制方法之一，它的優(yōu)點是控制方法簡單、效果穩(wěn)定，最適合應用在線性、易于建立準確數學模型的確定性系統中。 它也是在反應釜控制中應用最多的方法之一，只需要不斷調整P、I、D 這3 個參數值，便可實現相應的控制［10］。

然而， 傳統PID 控制也有明顯的局限性，它的參數調整過程較為耗時、繁瑣，且不能實時動態(tài)調參，影響了其控制效率。 因此，傳統PID 還需進一步改進優(yōu)化。

近年來，一些學者對于改進PID 控制用于連續(xù)攪拌反應釜溫度控制方面進行了一些研究。DEEPA S N 和JAYALAKSHMI N Y 提出了一種新的小波神經網絡（WNN）控制方法，用確定性灰狼優(yōu)化算法（DGWO）調整網絡權值，并用模糊推理（Mamdani）優(yōu)化網絡輸入，使用小波激活函數縮短網絡模型的計算時間和參數選擇的隨機性，該方法顯著減小了連續(xù)攪拌反應釜溫度控制的動 態(tài) 響 應 時 間、 穩(wěn) 態(tài) 誤 差 和 超 調 量［11］。BARANILINGESAN I 設計了一個用于控制連續(xù)攪拌反應釜溫度的Elman 神經網絡控制方法，使用混合DPSO-DGSA 群體智能優(yōu)化算法對控制器參數進行優(yōu)化，該方法可顯著減小溫度控制的積分平方誤差，提高控制的精確性［12］。 NEDUMAL P等提出了一種基于改進混合人工蜂群算法（HMABC）優(yōu)化的連續(xù)攪拌反應釜溫度控制方法，通過改進的遺傳算法（MGA）優(yōu)化了偵察蜂對蜜源的選擇，在更少的循環(huán)周期內可達到更小的損失函數值，性能比傳統的人工蜂群算法（ABC）和非線性PID 控制方法更加優(yōu)越［13］。SRIVASTAVA V 和SRIVASTAVA S 將粒子群優(yōu)化算法（PSO）和基于教師學習的優(yōu)化算法（TLBO）應用在連續(xù)攪拌反應釜溫度控制中， 優(yōu)化了控制器參數選擇，可明顯減小控制中的溫度波動，在3 次迭代中將均方誤差減小到0.015 547，改善了傳統PID 控制存 在 的 非 線 性 問 題［14］。 KHANDUJA N 和BHUSHAN B 提出了一種新的利用混沌物質搜索和基于精英對抗學習的FOPID 混合元啟發(fā)式優(yōu)化算法，用于連續(xù)攪拌反應釜的溫度控制，與傳統控制相比， 該方法探索和開發(fā)性能相對平衡，收斂速度更快，表現出更佳的瞬態(tài)控制性能［15］。

2.2 模糊控制

1965 年美國著名的控制領域專家ZADEN L A 首次提出模糊控制的理論，針對實際生產過程中存在的非線性、難以直接建立數學模型且無法用傳統的控制方法進行簡單控制的復雜系統。 此時，可以提取一些控制專家或者生產工人長期以來在生產現場積累的可以成功調控的相關豐富經驗，借鑒這些經驗往往可以取得相對不錯的控制效果。 可以通過一些方法，將這些寶貴的現場控制經驗凝練總結為一些通用的規(guī)則，使得被控對象有一個模糊的模型，以整合出的規(guī)則為依據設計出模糊控制器。 如以溫度偏差e 和溫度偏差變化率ec 為輸入，將輸入“模糊化”并輸入到模糊推理機進行模糊推理， 之后再進行 “解模糊”操作， 得出控制作用量u， 并將其作用到被控對象上，完成模糊控制的整個流程，實現智能溫度控制的目的［16］。

近年來，已有部分學者對模糊控制應用在連續(xù)攪拌反應釜的溫度控制上進行了相關探索。 魏小宇和鄭晟將模糊控制和比例加權PID 結合，在模糊控制規(guī)則的基礎上調節(jié)比例權重，改善了傳統PID 控制反應釜溫度存在的跟隨性弱和滯后性強的問題［17］。 龔育林結合傳統PID、模糊控制、相關專家經驗設計了二維模糊自適應控制系統，可以實時在線自整定控制參數，提高了反應釜溫度控制系統的響應速度，增強了系統的魯棒性和適應性［18］。

2.3 預測控制

預測控制指模型預測控制（Model Predictive Control，MPC）［19］，主要可概括為基于模型的預測、反饋矯正及滾動優(yōu)化等幾個基本環(huán)節(jié)。 通過熱量守恒、物料守恒等原理進行連續(xù)攪拌反應釜機理建模，得到其非線性一階時滯數學模型，再利用MPC 控制方法，將模型線性化處理，利用滾動優(yōu)化和反饋校正來持續(xù)優(yōu)化預測輸出，繼而得到較好的溫度預測控制效果。

近年來，部分學者在將預測控制方法應用在連續(xù)攪拌反應釜的溫度控制方面進行了一些嘗試，并已取得了相對不錯的效果。 SHAKERI E 等提出了一種智能隨機模型預測方法，該方法基于Fokker-Planck 觀測器建立滾動優(yōu)化模型預測控制（RH-MPC），利用路徑積分法（PIM）和粒子群算法（PSO）來求解Fokker-Planck 方程得出控制律，從而控制連續(xù)攪拌反應釜的溫度，強調對控制過程中的隨機性的研究可以實現反應釜的溫度和濃度的聯合最優(yōu)控制［20］。 SHI H 等針對具有不確定性和未知干擾的離散連續(xù)攪拌反應釜的溫度控制系統， 提出了一種時滯-區(qū)間魯棒約束模型預測控制方法，利用離散系統的動態(tài)特性、時滯信息擴展了狀態(tài)空間，系統變量和誤差可獨立進行調節(jié)，給予了更大的控制自由度，從而有了更好的跟蹤和抗擾性能［21］。

AGUILAR-LóPEZ R 等提出了一種以反應釜溫度/夾套溫度和產量/輸入質量流量為控制對象的雙輸入雙輸出（TITO）預測控制策略［22］。 將最優(yōu)控制器與不確定性預估器耦合， 得出基于歐拉-拉格朗日框架的最優(yōu)控制策略，該溫度調節(jié)方案比開環(huán)控制提高了40%的反應器生產率，溫度調節(jié)達到最優(yōu)控制后的生產率提高了32.15%。

2.4 神經網絡控制

神經網絡控制是一種新型的控制策略。 對于不易建模且非線性較強的控制對象，神經網絡控制有著天生的優(yōu)勢。 它不需要建立精確的系統模型，且經過訓練，可以在線學習、自主地進行參數的動態(tài)優(yōu)化調整， 從而可以獲得較好的控制效果。徑向基函數（Radial Basis Function，RBF）神經網絡控制屬于神經網絡控制的分支之一， 由于RBF 神經網絡不僅具有較快的自學習速度和優(yōu)秀的局部逼近能力，它還具有原理簡單、容易在工程上應用、有一定自適應性的優(yōu)勢，因此在工業(yè)控制技術中得到了廣泛的應用［23］。

RBF 神經網絡控制是一種以徑向基函數作為神經網絡核函數，并選取某種參數調整法（如梯度下降法） 進行參數在線優(yōu)化的控制方法［24］，它是一種包含輸入層、隱藏層和輸出層3 類層級的前向網絡結構，其中隱藏層的神經元數目根據所控制的對象實際需要來確定。 第1 層為輸入層，由網絡與外界連接的信號神經元組成，具體神經元數目由輸入信號的維數決定。 中間層為隱藏層，隱藏層神經元是一種中心點徑向對稱衰減的非負非線性函數，且是局部分布的。 輸入層到隱藏層的變換是非線性的。 第3 層為輸出層，輸出層是網絡對輸入做出的響應，隱藏層到輸出層的變換是線性的。

近年來，將RBF 神經網絡控制應用在連續(xù)攪拌反應釜的溫度控制中［25］已經有了一些研究。BAHITA M 和BELARBI K 基于一階超前T-S 模糊模型，采用k-means 算法調整RBF 神經網絡的徑向基函數中心值， 該方案能夠快速消除擾動，實現對高度非線性的反應釜溫度的自適應穩(wěn)定控制，有助于減少化學廢物的產生［26］。 XU F X 等提出了一種基于U 模型的RBF 與PD 結合的復合控制方法，融合了PD 控制的穩(wěn)定性和RBF 可任意精度逼近非線性函數的特性，可以實現對非線性對象（如連續(xù)攪拌反應釜溫度）的精確動態(tài)控制，該控制結構設計先進，提高了控制信號的平滑度，減少了不必要的機械損耗，延長了設備壽命［27］。

3 結論和展望

化工反應釜本身具有大容積、 大壁厚的特點，在反應釜內部進行的實際生產化學反應往往是比較復雜的，再加上冷/熱水、外接設備等其他外部因素的干擾，使得對反應釜溫度的控制存在比較強的時變性、滯后性、非線性及建模難等問題。 傳統的PID 控制原理簡單、易于實現、需要依賴精確的數學模型，但直接用于機理復雜、難以建立精確模型的反應釜溫度控制效果欠佳。 模糊控制基于實際生產中總結出的經驗、規(guī)律來制定模糊規(guī)則，進行模糊推理，可適當抵抗干擾和適應參數波動，但是基于偏差和偏差變化率作為輸入，存在控制精度不高、穩(wěn)態(tài)誤差較大及調節(jié)時間較慢等問題。 預測控制對模型精度要求低、動態(tài)優(yōu)化性能較好，但是存在理論分析復雜、控制律求解不易及控制穩(wěn)定性不強等問題。 神經網絡控制不需要建立精確數學模型，可以在線進行自學習優(yōu)化，但是存在網絡參數選取不易、可解釋性不強及網絡結構難以確定等問題。 因此，難以只用某種單一的控制方法來實現對于連續(xù)攪拌反應釜溫度的精確控制。

在未來，需要將幾種控制方法的優(yōu)勢充分結合起來，如結合智能優(yōu)化算法的參數自尋優(yōu)、RBF神經網絡的自適應學習、預測控制的動態(tài)滾動優(yōu)化及模糊控制的無模型優(yōu)勢等，設計出性能更優(yōu)的連續(xù)攪拌反應釜溫度綜合控制方法，這將是未來連續(xù)攪拌反應釜溫度控制課題的研究熱點方向。