松香蒸馏塔控制系统的设计研究与仿真
|
摘要
本文是围绕水蒸气蒸馏连续法生产松香和松节油过程中实现对蒸馏塔的控制问题而展开的。蒸馏塔是生产的核心，具有非线性、强耦合、多变量等特点，它的控制直接影响到产品的质量、产量和能耗。本文的研究目标就是对蒸馏塔进行控制，使产品质量符合生产要求。
本论文的研究方法及路线是：一、通过分析蒸馏塔特性确定蒸馏塔温度控制方案；二、利用测试法建立系统模型；三、进行神经网络PID参数自适应控制器的设计；四、对所采用的控制方案进行MATLAB仿真。
本论文主要取得了如下研究成果：
一、通过蒸馏塔特性分析提出了前馈—反馈控制和分程控制相结合的蒸馏塔上段温度控制方案，以及基于DRNN神经网络PID解耦控制的蒸馏塔下段温度控制方案。
二、通过现场实验数据，并利用最小二乘曲线拟合算法建立被控对象各通道之间的二阶系统模型。
三、利用DRNN神经网络对PID参数进行自动调整，克服了神经网络与传统PID控制器各自的缺点。
四、利用MATLAB对本文提出的控制方案进行仿真，仿真结果不仅表明该控制方案是切实可行的，而且取得了良好的控制效果，系统具有超调量小，抗干扰能力强等优点。
总之，本文的研究不仅为水蒸气蒸馏连续法生产松香和松节油过程中实现对蒸馏塔的控制提供了一种全新的思路，并通过MATLAB进行仿真，证实了该设计方案的有效性。其研究方法具有一定的创新性、实用性和应用参考价值。
This thesis is developed on an existing problem for the control of distill column in the process of rosin and turpentine production by continuous vapor distillation. Distill column is the core of rosin and turpentine production, which has the character of non-linear, strong coupling and multivariable, and the control of distill column will influence the quality, output and energy consume of the production directly. The aim of this paper is to control the distill column and make the quality of production up to the mustard.
Research methods applied in the thesis are as follows:
First: via analyzing the character of distill column we bring forward the control method of feedforward-feedback and subsection control for the upside of the distill column, and self-turning PID decoupling control based on DRNN neural network for the down side of the distill column.
Second: via experimental data we get the second-order system model for each control object by using least square curve simulation.
Third: the using of self-turning PID controllers with DRNN neural networks overcome the disadvantages of regular PID controller and neural networks.
Forth: The results of simulation with MATLAB indicate that the system is not only feasible, but also has the character of lower over adjusting, better anti-jamming.
Above all, the research of this paper is not only providing a new idea for the control of distill column in the process of rosin and turpentine production by continuous vapor distillation, but also, by MATLAB simulation, the results proving that the control method we used in this paper is validity. The research method also is creative, practical and has some application and reference value.
本论文的研究方法及路线是：一、通过分析蒸馏塔特性确定蒸馏塔温度控制方案；二、利用测试法建立系统模型；三、进行神经网络PID参数自适应控制器的设计；四、对所采用的控制方案进行MATLAB仿真。
本论文主要取得了如下研究成果：
一、通过蒸馏塔特性分析提出了前馈—反馈控制和分程控制相结合的蒸馏塔上段温度控制方案，以及基于DRNN神经网络PID解耦控制的蒸馏塔下段温度控制方案。
二、通过现场实验数据，并利用最小二乘曲线拟合算法建立被控对象各通道之间的二阶系统模型。
三、利用DRNN神经网络对PID参数进行自动调整，克服了神经网络与传统PID控制器各自的缺点。
四、利用MATLAB对本文提出的控制方案进行仿真，仿真结果不仅表明该控制方案是切实可行的，而且取得了良好的控制效果，系统具有超调量小，抗干扰能力强等优点。
总之，本文的研究不仅为水蒸气蒸馏连续法生产松香和松节油过程中实现对蒸馏塔的控制提供了一种全新的思路，并通过MATLAB进行仿真，证实了该设计方案的有效性。其研究方法具有一定的创新性、实用性和应用参考价值。
This thesis is developed on an existing problem for the control of distill column in the process of rosin and turpentine production by continuous vapor distillation. Distill column is the core of rosin and turpentine production, which has the character of non-linear, strong coupling and multivariable, and the control of distill column will influence the quality, output and energy consume of the production directly. The aim of this paper is to control the distill column and make the quality of production up to the mustard.
Research methods applied in the thesis are as follows:
First: via analyzing the character of distill column we bring forward the control method of feedforward-feedback and subsection control for the upside of the distill column, and self-turning PID decoupling control based on DRNN neural network for the down side of the distill column.
Second: via experimental data we get the second-order system model for each control object by using least square curve simulation.
Third: the using of self-turning PID controllers with DRNN neural networks overcome the disadvantages of regular PID controller and neural networks.
Forth: The results of simulation with MATLAB indicate that the system is not only feasible, but also has the character of lower over adjusting, better anti-jamming.
Above all, the research of this paper is not only providing a new idea for the control of distill column in the process of rosin and turpentine production by continuous vapor distillation, but also, by MATLAB simulation, the results proving that the control method we used in this paper is validity. The research method also is creative, practical and has some application and reference value.
引文
[1] 金以慧．过程控制．清华大学出版社，1993．4
[2] 方康玲．过程控制系统．武汉理工大学出版社，2001．8
[3] 陶永华，尹怡欣，葛芦生．新型PID控制及应用．机械工业出版社，1996
[4] 刘晨辉．多变量过程控制系统解耦理论．水力水电出版社．1984：278-299
[5] 薛定宇，任兴权．线性系统的几种辨识方法．控制与决策，1990，5(6)：20-22
[6] 李成东，陈绍东，邵惠鹤，段培永．基于多次阶跃法的多变量阶跃模型辨识．信息与控制，2000．6
[7] 宋志安，王文馨．由阶跃响应曲线辨识传递函数的图解方法．山东科技大学学报，2003．3
[8] 吴广玉．系统辨识与自适应控制．哈尔滨工业大学出版社，1987
[9] 韩业，刘吉臻，董泽．热工过程建模方法的研究及其应用．华北电力学院学报，1994 NO．2
[10] 郑国庆，姜立群，张玉斌．先进控制中的系统辨识问题研究，2000．6
[11] 楼顺天，施阳．基于MATLAB的系统分析与设计．西安电子科技大学出版社，1998．9
[12] 徐昕，李涛，伯晓晨．MATLAB工具箱应用指南-控制工程篇．电子工业出版社，2000．5
[13] 王耀南，童调生，蔡自兴．基于神经网络的智能PID控制及应用．信息与控制，1994
[14] Kofahl R. Self-Turning of PID Controllers Based on Process Parameter Estimation. Journal A, 1986
[15] Derrick H Nguyen, Bernard Widrow. Neural Networks for Self-Learning Control System INT J Control, 1991
[16] Chen, C. L. and Chang, F.Y..Design and analysis of neural/fuzzy variable structural PID control system. IEE Proc. Control Theory and Applications, 1996, 143(2)
[17] 李卓，萧德云，何世忠．基于神经网络的模糊自适应PID控制方法．控制与决策．1996，11(3)：340-345
[18] 谭永红．神经网络自适应PID控制几其应用．模式识别与人工智能．1993，
6(1): 81-85
[19] Chao-Chee Ku, Kwang Y. Lee. Diagonal Recurrent Neural Networks for Dynamic Systems Control. IEEE Trans on Neural Network, 1995, 1(6): 145-155
[20] Heng-Ming Tai, Kaveh Ashenayi. Aneural Network Based Tracking Control System. IEEE Trans on Industry Electronics, 1992, 12. (39): 504-510
[21] Willis M J, Montague G A. Auto-tuning PID controllers with artificial neural networks, In: Proc. 12th WCIFAC. Sydney, Australia: 1993. 4: 61-64
[22] 王诗宓．多变量控制系统的分析和设计．中国电力出版社，1996．
[23] 舒迪前，李春涛，尹怡欣．单神经元自适应PID控制方法．控制与决策．1997，12(3)：289-293
[24] 黄文梅，杨勇，熊桂林．系统分析与仿真-MATLAB语言及应用．国防科技大学出版社，2001：52-55
[25] 薛定宇．控制系统计算机辅助设计．清华大学出版社，1996
[26] 何玉彬，李新忠．神经网络控制技术及其应用．科学出版社，2000．11
[27] 焦李成．神经网络的应用与实现．西安电子科技大学出版社，1993
[28] K.S. Narendra&K. Parthasarathy, Identification and Control for Dynamical Systems Using Neural Networks IEEE Trans. Neural Networks, 1990 Vol. 1, No. 1: 4-27
[29] 胡守仁．神经网络应用技术．国防科技大学出版社，1993
[30] Hunt K J et al. Neural Networks for Control Systems-A Survy. Automatica, 1992, 28(6): 10830-1112
[31] 冯纯伯，史维．自适应控制．电子工业出版社，1988
[32] Lightbody L and Iwen G W. Direct Neural Model Reference Adaptive Control. IEE Proc. Pt. D. Control Theory and Application, 1995, 142(1): 31-43
[33] 王永骥，徐桂英，涂健．一类工业过程的神经元智能控制．华中理工大学学报，1996，22(12)：51-55
[34] 王宁．多变量系统的自适应神经元网络控制．模式识别与人工智能，1993，6(3)：247-252
[35] 刘金琨．先进PID控制及其MATLAB仿真．电子工业出版社，2003．1
[36] Dale E. Seborg. A perspective on advanced strategies for process control. Modeling, Identification and control. 1994: 15(3): 179-189
[37] 唐贵基，辛开远，刘吉臻．线性系统辨识与仿真方法探讨．河北机械，1996
[38] 张琴舜，邓琛，李剑．系统辩识在热工系统仿真中的应用．微型电脑应用，2001
[39] 张杰，邹继刚，李文秀．多输入多输出系统的神经网络PID解耦控制器．哈尔滨工程大学学报，2000．10
[40] 周波，涂植英．系统参数估计的一种快速多步最小二乘法．自动化学报，1989
[41] 李旭，熊忠辉，高升，肖伯乐．一类多变量控制系统的解耦控制．动力工程，2003．4
[42] Shinskey F G.. Process Control Systems(2nd Edition 1979). McCraw-Hill, New York
[43] Bristol E H. On a New Measure of Interaction for Multivariable Process Control. IEEE Trans Autom Control. 1996, CA-11: 133-134
[44] 陈实．基于MATLAB语言的系统辨识．系统工程，1997．3
[45] Leonard N E., Levino W S., Using MATLAB to analyze and design control system. 1993
[46] 高英杰，王海芳，董国江，张晓丽．Matlab神经网络工具箱在系统辨识中的应用．液压气动与密封，2001．5
[47] 陈晓平，和卫星，杨年法，英锐男．利用神经网络对温度系统的辨识．江苏理工大学学报，1998．1
[48] 孙增圻，袁曾任．控制系统的计算机辅助设计．清华大学出版社，1988
[2] 方康玲．过程控制系统．武汉理工大学出版社，2001．8
[3] 陶永华，尹怡欣，葛芦生．新型PID控制及应用．机械工业出版社，1996
[4] 刘晨辉．多变量过程控制系统解耦理论．水力水电出版社．1984：278-299
[5] 薛定宇，任兴权．线性系统的几种辨识方法．控制与决策，1990，5(6)：20-22
[6] 李成东，陈绍东，邵惠鹤，段培永．基于多次阶跃法的多变量阶跃模型辨识．信息与控制，2000．6
[7] 宋志安，王文馨．由阶跃响应曲线辨识传递函数的图解方法．山东科技大学学报，2003．3
[8] 吴广玉．系统辨识与自适应控制．哈尔滨工业大学出版社，1987
[9] 韩业，刘吉臻，董泽．热工过程建模方法的研究及其应用．华北电力学院学报，1994 NO．2
[10] 郑国庆，姜立群，张玉斌．先进控制中的系统辨识问题研究，2000．6
[11] 楼顺天，施阳．基于MATLAB的系统分析与设计．西安电子科技大学出版社，1998．9
[12] 徐昕，李涛，伯晓晨．MATLAB工具箱应用指南-控制工程篇．电子工业出版社，2000．5
[13] 王耀南，童调生，蔡自兴．基于神经网络的智能PID控制及应用．信息与控制，1994
[14] Kofahl R. Self-Turning of PID Controllers Based on Process Parameter Estimation. Journal A, 1986
[15] Derrick H Nguyen, Bernard Widrow. Neural Networks for Self-Learning Control System INT J Control, 1991
[16] Chen, C. L. and Chang, F.Y..Design and analysis of neural/fuzzy variable structural PID control system. IEE Proc. Control Theory and Applications, 1996, 143(2)
[17] 李卓，萧德云，何世忠．基于神经网络的模糊自适应PID控制方法．控制与决策．1996，11(3)：340-345
[18] 谭永红．神经网络自适应PID控制几其应用．模式识别与人工智能．1993，
6(1): 81-85
[19] Chao-Chee Ku, Kwang Y. Lee. Diagonal Recurrent Neural Networks for Dynamic Systems Control. IEEE Trans on Neural Network, 1995, 1(6): 145-155
[20] Heng-Ming Tai, Kaveh Ashenayi. Aneural Network Based Tracking Control System. IEEE Trans on Industry Electronics, 1992, 12. (39): 504-510
[21] Willis M J, Montague G A. Auto-tuning PID controllers with artificial neural networks, In: Proc. 12th WCIFAC. Sydney, Australia: 1993. 4: 61-64
[22] 王诗宓．多变量控制系统的分析和设计．中国电力出版社，1996．
[23] 舒迪前，李春涛，尹怡欣．单神经元自适应PID控制方法．控制与决策．1997，12(3)：289-293
[24] 黄文梅，杨勇，熊桂林．系统分析与仿真-MATLAB语言及应用．国防科技大学出版社，2001：52-55
[25] 薛定宇．控制系统计算机辅助设计．清华大学出版社，1996
[26] 何玉彬，李新忠．神经网络控制技术及其应用．科学出版社，2000．11
[27] 焦李成．神经网络的应用与实现．西安电子科技大学出版社，1993
[28] K.S. Narendra&K. Parthasarathy, Identification and Control for Dynamical Systems Using Neural Networks IEEE Trans. Neural Networks, 1990 Vol. 1, No. 1: 4-27
[29] 胡守仁．神经网络应用技术．国防科技大学出版社，1993
[30] Hunt K J et al. Neural Networks for Control Systems-A Survy. Automatica, 1992, 28(6): 10830-1112
[31] 冯纯伯，史维．自适应控制．电子工业出版社，1988
[32] Lightbody L and Iwen G W. Direct Neural Model Reference Adaptive Control. IEE Proc. Pt. D. Control Theory and Application, 1995, 142(1): 31-43
[33] 王永骥，徐桂英，涂健．一类工业过程的神经元智能控制．华中理工大学学报，1996，22(12)：51-55
[34] 王宁．多变量系统的自适应神经元网络控制．模式识别与人工智能，1993，6(3)：247-252
[35] 刘金琨．先进PID控制及其MATLAB仿真．电子工业出版社，2003．1
[36] Dale E. Seborg. A perspective on advanced strategies for process control. Modeling, Identification and control. 1994: 15(3): 179-189
[37] 唐贵基，辛开远，刘吉臻．线性系统辨识与仿真方法探讨．河北机械，1996
[38] 张琴舜，邓琛，李剑．系统辩识在热工系统仿真中的应用．微型电脑应用，2001
[39] 张杰，邹继刚，李文秀．多输入多输出系统的神经网络PID解耦控制器．哈尔滨工程大学学报，2000．10
[40] 周波，涂植英．系统参数估计的一种快速多步最小二乘法．自动化学报，1989
[41] 李旭，熊忠辉，高升，肖伯乐．一类多变量控制系统的解耦控制．动力工程，2003．4
[42] Shinskey F G.. Process Control Systems(2nd Edition 1979). McCraw-Hill, New York
[43] Bristol E H. On a New Measure of Interaction for Multivariable Process Control. IEEE Trans Autom Control. 1996, CA-11: 133-134
[44] 陈实．基于MATLAB语言的系统辨识．系统工程，1997．3
[45] Leonard N E., Levino W S., Using MATLAB to analyze and design control system. 1993
[46] 高英杰，王海芳，董国江，张晓丽．Matlab神经网络工具箱在系统辨识中的应用．液压气动与密封，2001．5
[47] 陈晓平，和卫星，杨年法，英锐男．利用神经网络对温度系统的辨识．江苏理工大学学报，1998．1
[48] 孙增圻，袁曾任．控制系统的计算机辅助设计．清华大学出版社，1988
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |